Sei sulla pagina 1di 182

Universidade Federal de Santa Catarina

Centro ScioEconmico
Departamento de Cincias Econmicas
Curso de graduao em Cincias Econmicas
a distncia
Estatstica Econmica e
Introduo Econometria
Milton Biage
S475e Alvim, Valdir
Economia agrcola. / Valdir Alvim.
- Florianpolis : Departamento de Cincias Econmicas/UFSC, 2008.
124p. : il
Curso de Graduao Cincias Econmicas
Inclui bibliografa
ISBN
1. Economia agrcola. 2. Propriedade fundiria. 3. Industrializao. 4. Educao
a distncia I. Universidade Federal de Santa Catarina.Departamento de Cincias
Econmicas. II. Ttulo.
CDU: 338
Universidade Federal de Santa Catarina, Sistema UAB. Nenhuma parte deste material poder ser reproduzida,
transmitida e gravada, por qualquer meio eletrnico, por fotocpia e outros, sem a prvia autorizao, por
escrito, dos autores.
MUDAR
Presidente da Repblica
Ministro da Educao
Secretrio de Educao a Distncia
Coodenador Nacional da Universidade Aberta do brasil
Reitor
ViceReitor
Pr-Reitor de Desenvolvimento Urbano e Social
Pr-Reitora de Assuntos Estudantis
Pr-Reitora de Pesquisa e Extenso
Pr-Reitora de Ps-Graduao
Pr-reitor de Ensino de Graduao
Coordenadora de EAD/PREG
Secretrio de Planejamento e Finnaas
Secretrio de Cultura e Arte
Coordenador UAB - UFSC
Diretor
Vice-Diretor
Chefe do Departamento
Subchefe do Departamento
Coordenador Geral na modalidade a distncia
Luiz Incio Lula da Silva
Fernando Haddad
Carlos Eduardo Bielschowsky
Celso Costa
lvaro Toubes Prata
Carlos Alberto Justo da Silva
Luiz Henrique Vieira Silva
Cludio Jos Amante
Dbora Peres Menezes
Maria Lucia de Barros Camargo
Yara Maria Rauh Muller
Eleonora Milano Falco Vieira
Luiz Alberton
Maria de Lourdes Alves Borges
Ccero Barboza
Ricardo Jos Arajo Oliveira
Alexandre Marino Costa
Helton Ricardo Ouriques
Luiz Carlos de Carvalho Jnior
Renato Campos
UNIVERSIDADE FEDERAL DE SANTA CATARINA
GOVERNO FEDERAL
DEPARTAMENTO DE CINCIAS ECONMICAS
CENTRO SCIO-ECONMICO
EQUIPE DE PRODUO DE MATERIAL
Coordenao de Design Instrucional
Design Instrucional
Reviso Textual
Coordenao de Design Grfco
Design Grfco
Ilustraes
Design de Capa
Projeto Editorial
Fernanda Pires Teixeira
Patrcia Cella Azzolini
Jlio Csar Ramos
Giovana Schuelter
Ana Flvia Maestri
Felipe Augusto Franke
Natalia de Gouva Silva

Las Barbosa
Guilherme Dias Simes
Felipe Augusto Franke
Steven Nicols Franz Pea
Andr Rodrigues da Silva
Felipe Augusto Franke
Max Vartuli
Steven Nicols Franz Pena
SUMRIO
UNIDADE 1
NMEROS NDICES
1.1 NMEROS NDICES, APLICABILIDADE E CONSTRUO ..................................................14
1.2 CRITRIOS DE AVALIAO DA FRMULA DE UM NDICE
(PROPRIEDADES DOS RELATIVOS) ...............................................................................16
1.3 NMEROS NDICES SIMPLES...................................................................................... 17
1.4 CRITRIO DE DECOMPOSIO DAS CAUSAS OUINVERSO DOS FATORES) ......................19
1.5 NMEROS NDICES DE BASE MVEL (OU RELATIVOS DE LIGAO)
E NMEROS NDICES DE BASE FIXA ............................................................................ 20
1.6 MUDANA DE BASE DE UM NMERO NDICE DE BASE FIXA ........................................ 22
1.7 NMEROS NDICES COMPOSTOS (OU AGREGADOS) .................................................... 23
ndice agregado simples (de preos e de quantidades) ............................... 23
ndices agregados ponderados ............................................................................. 28
ndices especiais de preo e quantidade:
de Fischer, de Drobish e de Marshal-Edgeworth ............................................. 39
1.8 NMEROS NDICES AGREGADOS PONDERADOS DE BASE MVEL .................................. 42
Nmero ndice de Theil (mdia geomtrica ponderada) ............................. 42
Nmero ndice de Laspeyres com base mvel ................................................. 43
ndice de Bureau (ou ndice de Laspeyres
modifcado, com base mvel) ................................................................................44
1.9 DEFLAO DE UMA SRIE TEMPORAL........................................................................48
1.10 PODER AQUISITIVO ..................................................................................................49
1.11 TAXA REAL OU TAXA DEFLACIONADA ........................................................................ 50
1.12 DEFLATOR IMPLCITO DE PREO E NDICE QUANTUM .................................................. 50
Defator Implcito ......................................................................................................... 51
ndice de Quantum .................................................................................................... 52
1.13 NDICES BRASILEIROS ................................................................................... 53
ndice Nacional de Preos ao Consumidor (INPC) e
o ndice Nacional de Preos ao Consumidor Amplo (IPCA) ......................... 54
ndice de Preos ao Consumidor da FIPE, IPC/FIPE ..........................................61
ndice de Custo de Vida do DIEESE (ICV-DIEESE) ............................................. 62
ndice Geral de Preos de Mercado (IGP-M) da
Fundao Getlio Vargas (FGV) .............................................................................66
ndice Geral de Preos - Disponibilidade Interna
(IGP-DI) da Fundao Getlio Vargas (FGV) ....................................................... 67
UNIDADE 2
ECONOMETRIA E ANLISE DE REGRESSO
2.1 INTRODUO: MTODO CIENTFICO ........................................................................... 78
Pesquisa Indutiva ........................................................................................................ 79
Pesquisa Dedutiva ......................................................................................................80
2.2 O QUE ECONOMETRIA? ..........................................................................................81
2.3 METODOLOGIA DA ECONOMETRIA .............................................................................81
Formulao da teoria ou da hiptese .................................................................. 82
Observao do problema levantado para a pesquisa ................................... 82
Especifcao do modelo matemtico do consumo ......................................84
Especifcao do modelo economtrico de consumo ..................................86
Estimativa dos parmetros do modelo economtrico .................................. 87
Teste de hiptese ........................................................................................................89
Previso ou predio ................................................................................................. 92
2.4 TIPOS DE ECONOMETRIA .......................................................................................... 92
Pr-requisitos Matemticos e Estatsticos .......................................................... 92
O papel do computador ........................................................................................... 93
2.5 NATUREZA DA ANLISE DE REGRESSO ..................................................................... 93
Exemplos de dependncia de uma varivel em relao outra ...............94
Relaes estatsticas versus deterministas ........................................................96
Regresso versus Causao ....................................................................................96
Regresso versus Correlao .................................................................................. 97
Diferenas fundamentais entre regresso e correlao ................................ 97
Terminologia e Notao ...........................................................................................98
Estrutura dos dados econmicos ..........................................................................98
2.6 ANLISE DE REGRESSO DE DUAS VARIVEIS: ALGUNS CONCEITOS BSICOS .............. 100
O conceito de funo de regresso da populao (FRP) ............................ 105
O signifcado do termo linear nas variveis e nos parmetros ................. 106
Especifcao estocstica da FRP..........................................................................107
O signifcado do termo perturbao estocstica .......................................... 108
Funo de regresso amostral (FRA) ................................................................... 110
UNIDADE 3
MODELO DE REGRESSO DE DUAS VARIVEIS: O PROBLEMA
DE ESTIMATIVA
3.1 CONSTRUO DE UM MODELO DE REGRESSO .........................................................122
3.2 DADOS EXPERIMENTAIS E OBSERVACIONAIS .............................................................125
3.3 ANLISE DE CORRELAO LINEAR ............................................................................ 127
3.4 REVISO DA CONCEPO DE MODELOS DE REGRESSO ............................................ 131
Uma FRP de duas variveis ..................................................................................... 131
Uma FRA de duas variveis .....................................................................................133
Hipteses Adjacentes .............................................................................................. 134
Funes Amostrais e mecanismo dos
Mnimos Quadrados Ordinrios (MQO) ............................................................ 140
3.5 CONSIDERAES SOBRE O MQO ..............................................................................155
3.6 REGRESSO DE DUAS VARIVEIS: ESTIMATIVA DE INTERVALO E TESTE DE HIPTESE .... 162
Estimativa de intervalo: alguns conceitos bsicos ........................................ 162
Intervalos de confana para os coefcientes de regresso |
1
e |
2
........... 163
Intervalos de confana para o
2
.............................................................................167
3.7 TESTE DE HIPTESE: COMENTRIOS GERAIS ............................................................. 169
Teste de hiptese: a abordagem do intervalo de confana ..................... 169
Teste de hiptese: a abordagem do teste de signifcncia ......................... 171
REFERNCIAS .................................................................................................................. 181
PALAVRA DO PROFESSOR
Estimado aluno, seja bem-vindo!
O objetivo deste livro de Estatstica Econmica e Introduo Econometria,
apresentar, por meio de uma linguagem simples e clara, os conceitos da
Teoria de Nmeros ndices e Modelos de Regresso.
Voc deve levar em considerao que a disciplina exige alguns conhe-
cimentos bsicos de estatstica, estudados na disciplina Introduo
Estatstica, como: conceitos de projetos experimentais de amostragem,
medidas de tendncias e de disperso (conceito de normalidade de dis-
tribuio), intervalos de confana e testes de hipteses. Alm disso, esta
disciplina tambm exige alguns conhecimentos de matemtica, que en-
volvem clculo diferencial e integral, funes de uma e vrias variveis,
alm de conceitos especfcos de taxa de crescimento, taxa marginal e
elasticidade.
O livro foi estruturado de maneira a abordar o contedo programtico de
forma simples, que facilitar a compreenso dos conceitos.
A Unidade 1 aborda, de forma detalhada, a teoria bsica de Nmeros
ndices, tanto daqueles de base mvel, como daqueles de base fxa, alm
das mudanas de base fxa para mvel, de mvel para fxa e de fxa para
fxa, como frequentemente exigido em estudos econmicos. Foram
abordados, ainda, os conceitos de defacionamento, defator implcito,
nmero de Quantum e as defnies dos principais nmeros ndices da
economia brasileira.
Na Unidade 2 voc encontrar os princpios metodolgicos que norteiam
os modelos economtricos, os principais conceitos de modelos de corre-
lao, os conceitos bsicos de modelos de regresso e as diferenas bsicas
entre os modelos de regresso populacional e amostral.
J a Unidade 3 encontra-se focada na teoria do modelo clssico de regres-
so, que utiliza o Mtodo dos Mnimos Quadrados Ordinrios (MQO).
Apresentaremos os seus princpios de estimao, tomando como base um
modelo de regresso linear com duas variveis (o mais simples de todos)
e estabeleceremos as hipteses inerentes ao MQO, o que o condiciona
como o modelo clssico de regresso. Alm disso, esta unidade aborda os
conceitos de distribuio dos resduos e dos coefcientes, o que permite
estabelecer inferncias sobre os parmetros (coefcientes) e estatsticas
do modelo de regresso, possibilitando estabelecer a qualidade desses
modelos, por meio de testes de intervalo e de confana, e testes de hi-
ptese com nvel de signifcncia. Na Unidade 3 voc ver, tambm, a
importncia de utilizar sofwares especfcos para econometria, conforme
exemplos de aplicaes econmicas que sero apresentados no material
complementar, resolvidos por meio do cdigo computacional GRETL
(sofware economtrico livre).
Finalmente, pode-se dizer que os conceitos bsicos abordados neste livro
lhe serviro como ferramentas de aplicabilidade para um grande nmero
de problemas econmicos. Contudo, deve fcar claro que a teoria econo-
mtrica muito mais ampla, e que outras disciplinas, que sero cursadas
futuramente, lhe permitiro aprofundar ainda mais os conhecimentos so-
bre a teoria quantitativa aplicada no campo econmico, com a fnalidade
de constituir uma base profunda para entender o mundo econmico atual.
Mas no se esquea de que voc o principal autor do seu conhecimento.
A sua curiosidade e o seu esforo como aluno-pesquisador so aspectos
fundamentais para o seu desempenho.
Bons estudos!
Prof. Milton Biage
1
13
NMEROS NDICES
Nesta unidade voc ver:
qual a funo dos nmeros ndices;
como deve proceder para construir um nmero ndice e quais as pro-
priedades que eles devero satisfazer;
o que so nmeros ndices simples de base fxa (relativos de ligao de
base fxa) e de base mvel (relativos de ligao de base mvel);
como efetuar mudanas de base fxa para mvel, mudanas de base m-
vel para fxa e mudanas de base fxa para base fxa;
como aplicar os conceitos de nmeros ndices agregados simples de pre-
o, de quantidade e de valor (Badstreet-Dutot, Sauerbeck, Mdia Geo-
mtrica e Mdia Harmnica) na construo de nmeros ndices, assim
como entender as suas limitaes;
como aplicar os conceitos de nmeros ndices agregados ponderados de
preo, de quantidade e de valor (Laspeyres, Paache, Divisia, Marchal-
Edgeworth, Fish e Drobish) na construo de nmeros ndices, assim
como entender as suas limitaes e as suas vantagens;
como aplicar os conceitos de nmeros ndices agregados ponderados de
base mvel, de preo e de quantidade (Laspeyres, Paache, Divisia, Mar-
chal-Edgeworth, Fish e Drobish) na construo de nmeros ndices de
base mvel, assim como entender as suas limitaes e as suas vantagens;
como estabelecer processos de defacionamento e determinar taxas reais
de variao;
como estimar, a partir de receitas correntes, as receitas reais, assim como
os defatores implcitos e as taxas de crescimento reais, em uma empresa
ou em uma economia agregada;
como so estimados e quais as fnalidades de defacionamento dos prin-
cipais indicadores de preo macroeconmicos da economia brasileira.
Unidade 1
14
Palavra do Professor
Ol caro aluno! Antes de iniciarmos os nossos estudos, necessrio chamar a sua
ateno para os materiais que esto disponveis no AVEA. Trata-se de um material
complementar, que voc dever imprimir e ter sempre em mos, pois seno ser mui-
to difcil acompanhar o desenvolvimento dos contedos do livro! Agora, mos obra!
1.1 NMEROS NDICES, APLICABILIDADE E
CONSTRUO
Os nmeros ndices so medidas estatsticas frequentemente usadas por economis-
tas, administradores e engenheiros, com o objetivo de comparar grupos de varia-
es entre si e obter um quadro simples e resumido das mudanas signifcativas
em reas relacionadas com preos de matria prima, preos de produtos acabados,
volume fsico de produo (FONSECA et al., 1982).
O emprego de nmeros ndices permite estabelecer:
comparaes entre variaes ocorridas ao longo do tempo, de um pro-
duto ou de uma cesta de produtos;
diferenas entre comportamentos de variveis em lugares diferentes;
diferenas entre comportamento de produtos ou categorias de organiza-
es semelhantes, etc.
Os nmeros ndices so usados para indicar variaes relativas em quanti-
dades, preos ou valores de um artigo (ou artigos) durante certo perodo de
tempo. Eles sintetizam as modifcaes nas condies econmicas ocorridas
em um espao de tempo, atravs de uma razo. Se apenas um item (produto)
computado, trata-se de um nmero ndice simples (sem agregao). Porm,
se vrios itens (produtos) tm suas variaes computadas conjuntamente,
tem-se um nmero ndice composto.
Os nmeros ndices constituem indicativos de mudanas, como quando,
por exemplo, a moeda sofre uma desvalorizao, ou quando o processo de
desenvolvimento econmico acarreta mudanas contnuas nos hbitos dos
consumidores, provocando com isso modifcaes qualitativas e quantitati-
Nmeros ndices
15
vas na composio da produo nacional e, em consequncia, na produo
de cada empresa individualmente. A utilizao de nmeros ndices se torna
indispensvel quando o fator monetrio se encontra presente, em qualquer
anlise, quer no mbito interno de uma empresa ou mesmo fora dela, sob
pena de o analista ser conduzido a concluses totalmente falsas e prejudiciais.
Cada nmero ndice de uma srie costuma vir expresso em termos percen-
tuais. Os ndices mais empregados medem, em geral, variaes ao longo do
tempo, e exatamente neste sentido que iremos trat-los.
Ao construir um nmero ndice, deve-se considerar alguns fatores importan-
tes, como veremos a seguir.
Seleo dos dados. Quando se pretende medir a variao nos custos com
educao, deve-se tomar em considerao somente as variveis que afe-
tam diretamente o custo da educao. Por exemplo, no se deve consi-
derar itens como vinagre ou canela, ou seja, itens extremamente parte
da composio desses custos.
A eleio do perodo base. Ao eleger o perodo base, deve-se conside-
rar que naquele perodo houve uma estabilidade relativa. Por exemplo:
quando da determinao de sries mensais de preo, no se deve eleger
os meses de Dezembro ou Janeiro como meses base, pois nesses meses,
normalmente, ocorrem signifcativas alteraes de preos ou de quan-
tidades, especialmente em servios pblicos. Deve-se ainda considerar
que esse perodo tomado como base deve ser recente, pois, se estiver
distante, isso resultar em uma no uniformidade na composio dos
dados, tanto em quantidade como em preo.
A importncia relativa das variveis (ou itens) no conjunto de elementos
que compem a varivel em anlise. Deve-se atribuir a cada varivel sua
importncia relativa real dentro do conjunto, j que nenhum item apre-
senta o mesmo efeito sobre o preo total do conjunto. Por exemplo: uma
alta ou baixa no preo do vinagre, ou uma alta ou baixa no preo do leite,
deve infuenciar diferentemente a composio nos custos de alimentao.
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 1 do material complementar
que voc imprimiu! Leia o exemplo, analise e depois continue a sua leitura da Seo 1.2.
Unidade 1
16
1.2 CRITRIOS DE AVALIAO DA FRMULA DE UM
NDICE (PROPRIEDADES DOS RELATIVOS)
No existe um nmero ndice considerado como perfeito, ou uma frmula defnitiva
para quantifcar, de modo inequvoco e exato, as variaes de preo e quantidades,
especialmente quando os ndices se referem no a um, mas a um conjunto de bens.
Existe uma variedade de mtodos de clculo de nmero ndices. A escolha do
nmero ndice ser facilitada se houver algum critrio que possibilite salientar
as vantagens e as limitaes de cada um deles. Irving Fisher (1922) desenvol-
veu alguns testes ou critrios matemticos muito teis para comparar as vrias
frmulas propostas de nmeros ndices.
Palavra do Professor
Deve fcar claro que os testes (ou propriedades desejveis) propostos podem ser
aplicados a qualquer nmero ndice.
Portanto, os nmeros ndices defnidos a partir de uma forma geral devem
cumprir algumas propriedades gerais, principalmente os nmeros ndices sim-
ples, pois, alguns nmeros ndices compostos no cumprem, de forma simul-
tnea, todas as propriedades gerais de Fisher, apresentadas no Quadro 1 abaixo.
PROPRIEDADE DESCRIO
De existncia
O ndice deve constituir-se num valor real e fnito: 0
, 0

t
I
*
.
De identidade
Se coincidir o perodo base e o perodo atual do nmero ndice, ento, % 100 I
0 , 0
= .
De inverso
O produto de dois ndices invertidos igual a 1. Ou seja,
t
t t t
I
I I I
, 0
0 , 0 , , 0
1
1 = = .
Circular
Representa a generalizao para vrios perodos. Ou seja, 1
0 , , , 0
=
t t t t
I I I
0 ,
, , 0
1
t
t t t
I
I I =


t t t t
I I I
, 0 , , 0
=

De proporcionalidade
Se a magnitude da varivel,
t
X , aumenta numa proporo K (ou seja,
t t t
X K X X

+ = ), ento, o nmero ndice,
t
I
, 0
, aumenta proporcionalmente
varivel, tal como:
t t t
I K I I

+ =
, 0 , 0 , 0
.
Quadro 1 Propriedades dos nmeros ndices de Fisher (1967)
Nmeros ndices
17
* O primeiro subndice representa o perodo base; e o segundo, o perodo atual do
nmero ndice.
Palavra do Professor
Caro aluno, agora voc deve consultar o Exemplo 2 do seu material complementar!
Leia o exemplo, analise e depois continue a sua leitura da Seo 1.3.
1.3 NMEROS NDICES SIMPLES
Os nmeros ndices simples podem ser chamados (assim como os compostos)
de relativos de base fxa ou relativos de ligao (ou relativos de base mvel).
Esses nmeros ndices so empregados de forma intensa no mundo empre-
sarial, a fm de estudar o comportamento das produes e de vendas dos
produtos fabricados.
So esses ndices simples que so utilizados para determinar as variaes de
preo, valor ou quantidade de sacas de caf exportadas por ano e de barris de
petrleo produzidos e exportados pelo mundo rabe, por exemplo.
Os nmeros ndices simples podem ser:
nmero ndice de preo: quando se calcula a razo entre o preo obser-
vado de um artigo em um perodo qualquer e o preo do mesmo artigo
no perodo base;
nmero ndice de quantidade: quando se calcula a razo entre a quan-
tidade observada de um artigo em um perodo qualquer e a quantidade
no perodo base; e
nmero ndice de valor: quando se calcula a razo entre o produto do
preo pela quantidade de um artigo em um perodo qualquer e o produ-
to do preo pela quantidade do mesmo artigo no perodo base.
Vejamos as defnies acima expressas na forma de equaes, no Quadro 2 a seguir.
Unidade 1
18
PREO QUANTIDADE VALOR
100
0
, 0
=
p
p
p
t
t
(1)
100
0
, 0
=
q
q
q
t
t
(2)
100
0 0
, 0

=
q p
q p
v
t t
t
(3)
Quadro 2 Frmulas dos ndices simples de preo, de quantidade e de valor
Onde:
p0 = o preo do artigo no perodo base
pt = o preo do artigo em um perodo qualquer
q0 = a quantidade do artigo no perodo base
qt = a quantidade do artigo em um perodo qualquer
Outros fatores a serem observados nos nmeros ndices simples so com re-
lao base do nmero ndice. Uma maneira de calcular um nmero ndice
mantendo a base fxa. Nesse caso, a base de referncia mantm-se a mesma
para todos os clculos relativos, e a comparao feita com relao ao perodo
base. Esse procedimento chamado de nmero ndice de base fxa (ou relati-
vos de base fxa).
Outra forma de calcular os ndices consiste em variar a base de um perodo
para outro. Quando esse for o caso, diz-se que o nmero ndice de base
mvel (varivel) ou chamamos Relativos de Base Mvel. Nesse caso, a compa-
rao feita com relao ao perodo anterior ao do nmero ndice.
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 3 do seu material com-
plementar! Leia e analise o exemplo. Em seguida, recomendo que voc resolva a
Questo 1 das Atividades de aprendizagem. Isso facilitar muito o seu trabalho. S
depois, continue a sua leitura da Seo 1.4.
Nmeros ndices
19
1.4 CRITRIO DE DECOMPOSIO DAS CAUSAS OU
INVERSO DOS FATORES)
O critrio de decomposio das causas sustenta que o produto de um nmero
ndice de preo pelo correspondente nmero ndice de quantidade deve ser
igual ao valor total relativo, ou ao ndice de valor. Portanto, supondo que:
preos de ndice
, 0
=
t
p
quantidade de ndice
, 0
=
t
q

valor de ndice
, 0
=
t
v
Ento

t t t
q v
, 0 , 0 , 0
p =
(4)
Cabe aqui uma observao: todos os nmeros simples satisfazem o critrio de de-
composio das causas; contudo, poucos nmeros ndices agregados satisfazem
esta propriedade.
Palavra do Professor
Caro aluno, veja agora o Exemplo 4 do seu material complementar! Leia e analise o
exemplo. Em seguida, continue a sua leitura da Seo 1.5.
Unidade 1
20
1.5 NMEROS NDICES DE BASE MVEL (OU
RELATIVOS DE LIGAO) E NMEROS NDICES
DE BASE FIXA
Provavelmente, devido cultura infacionria existente no Brasil, no costuma-
mos encontrar ndices em valores absolutos (de base fxa), tais como os calculados
na questo (a) do Exemplo 3 (material complementar). Por outro lado, bastante
comum nos depararmos com os Nmeros ndices de Base Mvel (ou Relativos
de Ligao), que sintetizam as variaes econmicas entre dois perodos conse-
cutivos (variao percentual em relao ao ms imediatamente anterior).
Portanto, para determinar um ndice de base fxa (ou relativo de base fxa)
a partir de um nmero ndice de base mvel, basta aplicar as propriedades
circular e de inverso. Ou seja:
=

1
0 , , , 0 t t t t
I I I

0 ,
, , 0
1
t
t t t
I
I I

=
(5)
Portanto, aplicando em (5) a propriedade de inverso, obtm-se:
t t t t
I I I

=
, , 0 , 0
(6)
Assim, os subndices em (6) so defnidos, tal que:
t
= perodo atual
t = perodo anterior ao atual
0 = perodo base a ser fxado como base fxa
Portanto, movendo
t
e t em cada estimativa, obtm-se a transformao dos
nmeros ndices de base mvel para base fxa.
Em resumo, para obter os nmeros ndices de base fxa (ou relativos de base fxa) de
um perodo a partir de um nmero ndice de base mvel, basta multiplicar o ndice
de base fxa do perodo anterior pelo ndice de base mvel atual, nas formas fracio-
nrias. Para obter resultados na forma percentual, basta multiplicar o resultado por
100. Ou seja:
100
, , 0 , 0
=
t t t t
I I I
Nmeros ndices
21
Palavra do Professor
aro aluno, chegou o momento de consultar o Exemplo 5 do material complementar!
Leia o exemplo e analise-o. Depois, continue a leitura desta seo.
Por outro lado, para determinar um ndice de base mvel (ou relativo de li-
gao) a partir de um nmero ndice de base fxa, tambm basta aplicar as
propriedades circular e de inverso. Ou seja:
=

1
0 , , , 0 t t t t
I I I
=

0 ,
, , 0
1
t
t t t
I
I I =
t t t t
I I I
, 0 , , 0
t
t
t t
I
I
I
, 0
, 0
,

= (7)
Na relao (7) os resultados so dados na forma fracionria, entretanto, ela
pode ser representada na forma percentual, como segue:
=
t t t t
I I I
, 0 , , 0
100
, 0
, 0
,
=

t
t
t t
I
I
I (8)
Assim, os subndices em (7) ou em (8) so defnidos, tal que:
t = perodo atual
t = perodo anterior ao atual
0 = perodo base no nmero-ndice de base fxa
Portanto, movendo t e t em cada estimativa, obtm-se a transformao dos
nmeros ndices de base fxa para base mvel.
Em resumo, para obter os nmeros ndices de base mvel (ou relativos de ligao) de
um perodo, a partir de um nmero ndice de base fxa, basta dividir o ndice do per-
odo de interesse pelo ndice do perodo imediatamente anterior (os resultados sero
na forma fracionria, conforme vimos em (7). Mas, se desejar os resultados na forma
percentual, conforme aparece em (8), o resultado deve ser multiplicado por 100.
Unidade 1
22
Palavra do Professor
Caro aluno, chegou o momento de vermos mais alguns exemplos! Primeiro, leia e
analise o Exemplo 6 do seu material complementar. Em seguida, partiremos para
a anlise do Exemplo 7; afnal, geralmente, conhecemos apenas as variaes de um
ndice e no o prprio ndice. Neste caso, podemos facilmente criar o ndice e traba-
lhar com ele normalmente, da forma que ser mostrado neste exemplo. O terceiro
passo ser responder Questo 2 das Atividades de aprendizagem. Bom trabalho!
1.6 MUDANA DE BASE DE UM NMERO NDICE DE
BASE FIXA
A escolha da base de um nmero ndice muitas vezes uma tarefa difcil.
preciso escolher um perodo relativamente estvel, o mais tpico possvel,
quando a atividade econmica no estiver sendo afetada por variaes estru-
turais ocasionais.
No Brasil, apesar da estabilidade atual, a economia parece estar sendo sempre
sacudida, em maior ou menor grau, por futuaes e crises. Assim, a escolha
da base torna-se ainda mais controvertida e, talvez por isso, haja tanta predi-
leo pelos ndices relativos de ligao.
De qualquer forma, independentemente do ndice, pode ser interessante ou
necessrio mudar a base de um nmero ndice por duas razes:
1. Atualizar a base, tornando-a mais prxima da realidade atual (por este
motivo, periodicamente, o IBGE realiza Pesquisas de Oramento Fami-
liar (POF) com a fnalidade de incluir as mudanas nos hbitos de con-
sumo nas ponderaes dos seus ndices);
Links
Voc pode consultar as Pesquisas de Oramento Familiar (POF) no site do Instituto
Brasileiro de Geografa e Estatstica (IBGE), atravs do link: http://www.ibge.gov.br/
home/mapa_site/mapa_site.php#populacao
Nmeros ndices
23
2. Para permitir a comparao de duas sries de ndices que tenham bases
diferentes.
O procedimento extremamente simples, pois basta dividir toda a srie de
nmeros ndices originais pelo nmero ndice do perodo escolhido como
nova base. Isso preservar as diferenas relativas entre eles. Matematicamente,
para obter o valor de um novo ndice numa nova base, basta aplicar as pro-
priedades circular e de inverso de ndices, como segue:
1
0 , , , 0
=
t t t t
I I I t
t
t t t
I
I
I I
, 0
0 ,
, , 0
1
= =
100
, 0
, 0
,
=

t
t
t t
I
I
I (9)
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 8 do seu material comple-
mentar! Leia e analise-o. Em seguida, recomendo que voc resolva as Questes 3, 4
e 5 das Atividades de aprendizagem. Isso facilitar muito o seu trabalho. S depois,
continue a sua leitura da Seo 1.7.
1.7 NMEROS NDICES COMPOSTOS (OU
AGREGADOS)
Os nmeros ndices compostos expressam variaes no preo, quantidade ou
valor de um grupo de itens. So chamados de agregados simples quando atri-
buem a mesma ponderao para todos os itens, desconsiderando a importncia
relativa de cada um. J os ndices agregados ponderados atribuem ponderaes
diferentes para os itens, o que pode permitir dar maior nfase s variaes em
determinado item, caracterstica que faz desta a forma mais utilizada.
1.7.1 NDICE AGREGADO SIMPLES (DE PREOS E DE QUANTIDADES)
Os ndices agregados simples circunscrevem as comparaes entre preos, quanti-
dades ou valores de um nico item.
Unidade 1
importante notar que em
(9), o primeiro subndice
indica o perodo base e o
segundo subndice indica
o perodo atual do nmero
ndice.
24
Esses relativos, os ndices agregados simples, so teis para a compreenso de
conceitos bsicos e para a averiguao das propriedades de avaliao de um
nmero ndice. Entretanto, a quase totalidade dos nmeros ndices envolve
avaliaes simultneas de variaes de preo e quantidade para vrios itens, o
que denominamos uma cesta de produtos. Este o caso dos nmeros ndices
agregados simples ou ponderados.
Portanto, para avaliar a variao de preo ou quantidade entre dois perodos
de uma cesta de produtos, sem levar em considerao a importncia relativa
de cada item que compe a cesta, utilizamos proposies como: mdia aritm-
tica simples, mdia geomtrica, mdia harmnica e ndices agregados simples.
Os ndices agregados simples mais utilizados so:
o ndice da mdia agregada simples (ou ndice de Bradstreet-Dutot), que
a razo entre as mdias aritmtica simples dos n preos (ou quantida-
des) no perodo t e os n preos (ou quantidades) no perodo 0, tomado
como base;
o ndice de Sauerbeck, que constitudo pela mdia aritmtica dos n-
dices de preos simples (ou de quantidade) para cada item (ou seja,
simplesmente o ndice de mdia aritmtica simples);
o ndice mdia geomtrica, que constitudo pela mdia geomtrica dos
ndices de preos simples (ou de quantidade) para cada item; e
o ndice mdia harmnica, que constitudo pela mdia harmnica dos
ndices de preos simples (ou de quantidade) para cada item.
NDICE DE PREO DE BADSTREET-DUTOT
Esse ndice expresso pela relao, em porcentagem, entre a somatria dos
preos dos n artigos num perodo t e a somatria dos preos dos mesmos n
artigos em um perodo 0, tomado como base. Assim:
( )
( )
( )
( )
100
1
1
1
0
1
1
0
1
, 0

|
|
|
|
|
.
|

\
|
= =

=
=
=
=
k
i
i
n
i
i
t
k
i
i
n
i
i
t
p
t
p
p
p
n
p
n
BD
(10)
Nmeros ndices
25
Onde:
p
t
BD
, 0
= ndice de preo agregado simples de Badstreet-Dutot para o
perodo t
( )
i
t
p = preo do item i no perodo t
( )
i
p
0
= preo do item i para o perodo base
NDICE DE QUANTIDADE DE BADSTREET-DUTOT
Esse ndice expresso pela relao, em porcentagem, entre a somatria das
quantidades dos n artigos num perodo t e a somatria das quantidades dos
mesmos n artigos em um perodo 0, tomado como base. Assim:
( )
( )
( )
( )
100
1
1
1
0
1
1
0
1
, 0

|
|
|
|
|
.
|

\
|
= =

=
=
=
=
k
i
i
n
i
i
t
k
i
i
n
i
i
t
q
t
q
q
q
n
q
n
BD
(11)
Onde:
q
t
BD
, 0
=ndice de quantidade agregado simples de Badstreet-Dutot
para o perodo t
( )
i
t
q = quantidade do item i no perodo t
( )
i
q
0
= quantidade do item i para o perodo base
NDICE DE PREO DE SAUERBECK
Esse ndice expresso pela mdia aritmtica dos n ndices de preo simples
correspondentes a cada item, ou seja:
100
1
1
0
, 0

|
|
.
|

\
|
=

=
n
i
i
t
p
t
p
p
n
S (12)
Unidade 1
26
Onde:
p
t
S
, 0
= ndice de preo mdia aritmtica simples para o perodo t
( )
i
t
p
= preo do item i no perodo t
( )
i
p
0
= preo para o item i no perodo base
NDICE DE QUANTIDADE DE SAUERBECK
Esse ndice expresso pela mdia aritmtica dos n ndices de quantidade sim-
ples correspondentes a cada item, ou seja:
100
1
1
0
, 0

|
|
.
|

\
|
=

=
n
i
i
t
q
t
q
q
n
S
(13)
Onde:
q
t
S
, 0
= ndice de quantidade mdia aritmtica simples para o perodo
t
( )
i
t
q = quantidade do item i no perodo t
( )
i
q
0
= quantidade do item i para o perodo base
NDICE DE PREO MDIA GEOMTRICA
Esse ndice expresso pela mdia geomtrica dos n ndices de preos corres-
pondentes a cada item, ou seja:
n
i
t
n
i
p
t
p
p
MG
|
|
.
|

\
|
=

=
0
1
, 0
(14)
Onde:
p
t
MA
, 0
= ndice de preo mdia aritmtica simples para o perodo t
i t
p
, = preo do item i no perodo t
i
p
, 0 = preo do item i para o perodo base
Nmeros ndices
27
NDICE DE QUANTIDADE MDIA GEOMTRICA
Esse ndice expresso pela mdia geomtrica dos n ndices de quantidade
correspondentes a cada item, ou seja:
n
i
t
n
i
q
t
q
q
MG
|
|
.
|

\
|
=

=
0
1
, 0
(15)
Onde:
q
t
MA
, 0
= ndice de quantidade mdia geomtrica para o perodo t
( )
i
t
q
= quantidade do item i no perodo t
( )
i
q
0
= quantidade do item i no perodo base
NDICE DE PREO DA MDIA HARMNICA
Esse ndice expresso pela mdia harmnica dos n ndices de preo simples
correspondentes a cada item, ou seja:
100
1
0
, 0

|
|
.
|

\
|
=

=
n
i
i
t
p
t
p
p
n
MH (16)
Onde:
p
t
MH
, 0
= ndice de preo mdia harmnica para o perodo t
( )
i
t
p = preo do item i no perodo t
( )
i
p
0
= preo para o item i no perodo base
Unidade 1
28
NDICE DE QUANTIDADE DA MDIA HARMNICA
Esse ndice expresso pela mdia harmnica dos n ndices de quantidades
simples correspondentes a cada item, ou seja:
100
1
0
, 0

|
|
.
|

\
|
=

=
n
i
i
t
q
t
q
q
n
MH
(17)
Onde:
q
t
MH
, 0
= ndice de quantidade mdia aritmtica harmnica para o
perodo t
( )
i
t
q
= quantidade do item i no perodo t
( )
i
q
0
= quantidade do item i no perodo base
Palavra do Professor
Agora chegou a hora de voc consultar o Exemplo 9 do material complementar! Leia
e analise o exemplo. Em seguida, resolva a Questo 6 das Atividades de aprendiza-
gem. Depois, continue a sua leitura da Subseo 1.7.2.
1.7.2 NDICES AGREGADOS PONDERADOS
Os ndices agregados ponderados so determinados quando se pretende esta-
belecer a importncia relativa de cada item (produto) que compe o conjunto
(ou cesta) de base de clculo.
Esta importncia relativa expressa pela quantidade monetria gasta durante um
perodo com cada item do conjunto. Obtemos a quantidade monetria gasta com
cada produto multiplicando o preo do item pela sua quantidade consumida no
perodo t.
Os ndices agregados ponderados mais utilizados so:
ndice de Valor (ou ndice de preo ponderado por quantidade consumi-
da): a ponderao feita em funo do produto do preo de cada item
pela sua respectiva quantidade, em um determinado perodo 0 (zero),
tomado como base. Pode ser calculado somente o ndice de preo.
Nmeros ndices
29
ndice de Laspeyres (poca bsica): a ponderao feita em funo dos
preos ou quantidades do perodo base. Podem ser calculados ndices
de preo e quantidade. Em particular, o ndice de Laspeyres no cumpre
a propriedade de inverso e, tampouco, a propriedade circular. Contu-
do, assume-se que esse ndice as cumpre.
ndice de Paasche (poca atual): a ponderao feita em funo dos pre-
os ou quantidades do perodo atual. Esse ndice tambm no cumpre
as propriedades de inverso e circular. Podem ser calculados ndices de
preo e quantidade.
ndice de Divisia: uma mdia geomtrica ponderada dos relativos, com
sistema de pesos fxos na poca da base. A principal vantagem desse n-
mero ndice reside no fato de ele ser o nico a satisfazer as propriedades
circular e de inverso.
ndice de Marshall-Edgeworth: a ponderao feita pela soma das bases
de ponderao do ndice de Laspeyres e do ndice de Paasche. Como
esse ndice envolve os ndices citados, ele tambm no cumpre as pro-
priedades de inverso e circular. Mas tambm se assume que esse ndice
as cumpre.
ndice de Fisher: esse ndice defnido como a mdia geomtrica en-
tre os ndices de Laspeyres e de Paasche. Como esse ndice envolve os
ndices citados, ele tambm no cumpre as propriedades de inverso e
circular. Tambm se assume que esse ndice as cumpre.
ndice de Drobish: esse ndice defnido como a mdia aritmtica en-
tre os ndices de Laspeyres e de Paasche. Como esse ndice envolve os
ndices citados, ele tambm no cumpre as propriedades de inverso e
circular. Mas tambm se assume que esse ndice as cumpre.
NDICE DE LASPEYRES
Os ndices agregados ponderados de preo e quantidade de Laspeyres so
defnidos, de forma similar a uma mdia aritmtica ponderada, como vemos
a seguir:
Unidade 1
30

|
|
.
|

\
|
=

=
=
100
1
1
0
, 0
k
i
i
k
i
i
i
t
p
t
w
w
p
p
L

100
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t p
t
w
p
p
L (18)
Onde:
i
w = base de ponderao
1
1
=

=
k
i
i
w
E, para o ndice agregado ponderado de quantidade:

|
|
.
|

\
|
=

=
=
100
1
1
0
, 0
k
i
i
k
i
i
i
t
q
t
w
w
q
q
L

100
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t q
t
w
q
q
L
(19)
Onde:
i
w
= base de ponderao
1
1
=

=
k
i
i
w
k = nmero de itens
pt,i = preo do item i no perodo atual
p0,i = preo do item i no perodo base
qt,i = quantidade do item i no perodo atual
q0,i = quantidade do item i no perodo base
No ndice de Laspeyres, a ponderao feita em funo dos preos e quanti-
Nmeros ndices
31
dades do perodo base. Assim, ele tem a vantagem de que as ponderaes para
todos os perodos se mantm fxas, mas tem a desvantagem de que a represen-
tatividade do efeito de ponderao diminui quando o perodo de clculo do
ndice se distancia do perodo base. Por causa disso, ele tende a exagerar a alta,
pois considera as quantidades (ou preos) como sendo sempre os mesmos do
perodo base.
O ndice de Laspeyres, tanto de preo quanto de quantidade, mais utilizado
nos indicadores gerais de preos e produo. O seu projeto e elaborao exigem
uma rigorosa seleo de seus componentes e das ponderaes de cada compo-
nente no conjunto. Afnal, na medida em que o clculo do ndice se distancia
do perodo base, torna-se necessrio fxar novo perodo base e estabelecer
uma nova estrutura de ponderaes de cada item que compe o conjunto, em
funo do fato de que o ndice de Laspeyres diminui a sua signifcncia uma
vez que a base se distancia do perodo atual, que determinar o ndice.
Para o nmero ndice de Laspeyres utiliza-se uma base de ponderao defni-
da em funo do perodo base, como segue:
( )
( )

=
k
i
i
i
i
q p
q p
w
1
0 0
0 0
(20)
Ento, aplicando (20) em (18), obtm-se uma outra forma para estimar o
ndice de Preo de Laspeyres:
( )
( )

(
(
(
(
(
(

|
|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=
100
1
1
0 0
0 0
0
, 0
k
i
i
k
i
i
i
t p
t
q p
q p
p
p
L
( )
( )
100
1
0 0
1
0
, 0

=
=
k
i
i
k
i
i
t
p
t
q p
q p
L
(21)
Da mesma forma, substituindo (18) em (19), obtm-se o ndice de Quantidade
de Laspeyres:
Unidade 1
32
( )
( )

(
(
(
(
(
(

|
|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=
100
1
1
0 0
0 0
0
, 0
k
i
i
k
i
i
i
t q
t
q p
q p
q
q
L
( )
( )
100
1
0 0
1
0
, 0

=
=
k
i
i
k
i
i
t
q
t
q p
p q
L
(22)
Para se estimar os nmeros ndices de Laspeyres de preo, podero ser utili-
zadas conjuntamente as frmulas (18) e (20) ou somente a frmula (21). Da
mesma forma, para se estimar os nmeros ndices de Laspeyres de quantidade
podero ser utilizadas conjuntamente as frmulas (19) e (20) ou somente a
frmula (22).
Palavra do Professor
Caro aluno, observe a seguir as vantagens e desvantagens da formulao de Laspeyres.
Vantagens da formulao de Laspeyres:
o nmero ndice de Laspeyres mais fcil de construir do que qualquer outro
nmero ndice ponderado por quantidades;
os ndices de Laspeyres de preo ou quantidade apresentam evolues unifor-
mes, sem grandes instabilidades, pois as quantidades permanecem constantes
de um perodo para outro (quando do clculo do ndice de preo) e os preos
permanecem constantes quando do clculo do ndice de quantidade, o que per-
mite observar somente o efeito das mudanas de preo (ou de quantidade).
Desvantagem da formulao de Laspeyres:
O ndice de Laspeyres, ao ponderar os preos dos artigos i no perodo t, por
quantidades consumidas no perodo base, quando da determinao do ndice
de preos, tende a dar maior importncia relativa dentro do conjunto aos itens
que tiveram os seus preos alterados mais signifcativamente, j que as quanti-
dades consumidas esto sujeitas lei da oferta e da demanda, induzindo
ao fato de que quando o preo sobe, as quantidades consumidas tendem a
diminuir. O mesmo raciocnio de anlise aplicado quando da determinao do
ndice de Laspeyres de quantidade.
Nmeros ndices
33
NDICE DE PAASCHE
No ndice de Paasche a ponderao feita com o valor das transaes, deter-
minadas em funo dos preos e quantidades do perodo atual. Esse ndice
tem a vantagem de que os pesos relativos dos distintos itens atualizam-se para
cada perodo. Contudo, o seu agravante que ele apresenta maior complexi-
dade e maiores custos nas suas determinaes (a mudana constante da base
atual pode encarecer a pesquisa necessria para identifcar os pesos).
Alm disso, ele tende a exagerar as quedas, por considerar como base as
quantidades (ou preos) iguais aos do perodo atual. Os ndices agregados
ponderados de preo e quantidade de Paasche so defnidos por meio de uma
mdia harmnica ponderada, como segue:

|
|
.
|

\
|
=

=
=
100
1
0
1
, 0
k
i
i
i
t
k
i
i
p
t
w
p
p
w
PA 100
1
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t
p
t
w
p
p
PA (23)
Onde:
i
w
= base de ponderao
1
1
=

=
k
i
i
w
E, para o ndice agregado ponderado de quantidade tem-se:

|
|
.
|

\
|
=

=
=
100
1
0
1
, 0
k
i
i
i
t
k
i
i
q
t
w
q
q
w
PA
100
1
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t
q
t
w
q
q
PA (24)
Onde:
i
w
= base de ponderao
Unidade 1
34
1
1
=

=
k
i
i
w
k = nmero de itens
( )
i
t
p = preo do item i no perodo atual
( )
i
p
0
= preo do item i no perodo base
( )
i
t
q = quantidade do item i no perodo atual
( )
i
q
0
= quantidade do item i no perodo base
A funo de ponderao para o ndice agregado de preo e para o ndice agre-
gado de quantidade a seguinte:
( )
( )

=
k
i
i
t t
i
t t
i
q p
q p
w
1
(25)
Portanto, substituindo a equao (25) nas equaes (23) e (24) temos, respec-
tivamente, as seguintes frmulas:
100
1
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t
p
t
w
p
p
PA

( )
( )

(
(
(
(
(

|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=
100
1
1
1
0
, 0
k
i
k
i
i
t t
i
t t
i
t
p
t
q p
q p
p
p
PA
Nmeros ndices
35
( )
( )

=
=
100
1
1
1
0
, 0
k
i
i
t t
k
i
i
t
p
t
q p
q p
PA

( )
( )
100
1
0
1
, 0

=
=
k
i
i
t
k
i
i
t t
p
t
q p
q p
PA
(26)
e
100
1
1
0
, 0

|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
k
i
i
i
t
q
t
w
q
q
PA
( )
( )

(
(
(
(
(

|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=
100
1
1
1
0
, 0
k
i
k
i
i
t t
i
t t
i
t
q
t
q p
q p
q
q
PA
( )
( )

=
=
100
1
1
1
0
, 0
k
i
i
t t
k
i
i
t
q
t
q p
q p
PA

( )
( )
100
1
0
1
, 0

=
=
k
i
i
t
k
i
i
t t
q
t
q p
q p
PA
(27)
Para se estimarem os nmeros ndices de preo de Paasche podero ser uti-
lizadas conjuntamente as frmulas (23) e (25) ou somente a frmula (26). Da
mesma maneira, para se estimarem os nmeros ndices de Paasche de quanti-
dade podero ser utilizadas conjuntamente as frmulas (24) e (25) ou somente
a frmula (27).
Unidade 1
36
Palavra do Professor
Caro aluno, observe a seguir as vantagens e desvantagens da formulao de Paasche.
Vantagem da formulao de Paasche:
Mede de forma combinada as mudanas nos preos e nos padres de consumo.
Desvantagens da formulao de Paasche:
No apresenta muita uniformidade na evoluo de preos, porque as quantida-
des de base so diferentes de um perodo para outro, o que torna impossvel atri-
buir diferenas entre dois perodos somente em funo das mudanas de preos.
O ndice de Paasche tende a diminuir as importncias relativas dos itens que su-
biram de preo mais intensamente, pois, como se observou anteriormente, as
quantidades consumidas esto sujeitas s leis da oferta e da demanda.
NDICE DE PREO E DE QUANTIDADE DE DIVISIA
O mtodo proposto por Divisia uma mdia geomtrica ponderada dos re-
lativos, com sistema de pesos fxos na poca da base. A principal vantagem
desse nmero ndice reside no fato de ele ser o nico a satisfazer as proprie-
dades circular e de inverso. Neste caso, bases de clculos mveis podem ser
construdas com preciso, a partir de estimativas desse nmero com base de
ponderao fxa.
Como desvantagens desse nmero ndice, podemos apontar o fato de ele no
satisfazer a propriedade de decomposio das causas, e o fato de que o car-
ter essencialmente varivel dos pesos no pode ser captado pela formulao
proposta.
Portanto, os ndices de Divisia de preo e quantidade utilizam mdias geom-
tricas ponderadas, defnidas, respectivamente, como podemos ver a seguir:
i
w
i
i
t
n
i
p
t
P
P
D
0
0
1
, 0
|
|
.
|

\
|
=
=

e
i
w
i
i
t
n
i
q
t
q
q
D
0
0
1
, 0
|
|
.
|

\
|
=
=

(28) e (29)
Nmeros ndices
37
com
i
n
i
i
i i
i
q p
q p
w
0
1
0
0 0
0

=
tal que
1
1
0
=

=
n
i
i
w
(30)
NDICE DE VALOR (OU NDICE DE PREO PONDERADO POR QUANTIDADE
CONSUMIDA)
Supondo que existam informaes sobre preos e quantidades dos k produtos
e servios que integram a base de dados, evidente que podemos obter os n-
meros ndices de valor. O ndice de Valor determinado pela relao expressa
em porcentagem, dada abaixo:
( )
( )
100
1
0 0
1
, 0

=
=
k
i
i
k
i
i
t t
t
q p
q p
IV (31)
Onde:
t
IV
, 0
= ndice de Valor
k = nmero de itens
( )
i
t
p
= preo do item i no perodo atual
( )
i
p
0
= preo do item i no perodo base
( )
i
t
q
= quantidade do item i no perodo atual
( )
i
q
0
= quantidade do item i no perodo base
A interpretao desse ndice a de que ele mede a variao percentual dos
valores de um conjunto de artigo, de um perodo para outro.
Unidade 1
38
Vantagem da formulao do ndice de Valor:
Mede de forma combinada as mudanas nos preos e nos padres de consumo.
Desvantagens da formulao do ndice de Valor:
Falta de uniformidade na evoluo dos preos, devido ao fato de ele caracteri-
zar mudanas ocorridas tanto em quantidade como em preos, de perodo para
perodo.
Difculdades para a construo do ndice, j que, em cada perodo, necessita-se
de informaes diferentes, tanto com relao s quantidades como com relao
aos preos.
CONSIDERAES GERAIS
Deve fcar evidente que s se pode determinar o ndice de Valor quando
se tem informaes, ao longo de toda a srie, sobre preos e quantida-
des (hbitos de consumo) dos itens que compem a cesta de produtos,
obtendo, neste caso, o valor agregado da cesta.
Caso no se tenha informaes atuais sobre preos e quantidades dos
itens que compem a cesta de produtos, deve-se estimar o ndice de
Laspeyres de preo (ou de Divisia), utilizando hbitos de consumo num
perodo base e considerando que estes no se alteram. Nesse caso, o
nmero de informaes atuais necessrias para construir o ndice re-
duzido, tornando-o menos oneroso em termos de custo e tempo para a
sua construo.
A mesma considerao acima deve ser feita quando se pretende cons-
truir um nmero ndice de Laspeyres de quantidade (ou de Divisia).
Neste caso, as informaes sobre quantidades (hbitos de consumo) de-
vem ser atuais e os preos somente na base.
As informaes necessrias para construir o nmero ndice de preo ou
de quantidade de Paasche so as mesmas necessrias para construir o
ndice de valor; portanto no h economia nos seus custos operacionais
ou reduo do tempo empregado.
O uso de um ndice agregado ponderado deve ser feito com base na dis-
tribuio de probabilidade subjacente aos dados, como no caso de ndi-
ces agregados simples:
Nmeros ndices
39
a) Se os relativos de preos (ou de quantidade) seguirem uma distribuio
normal, utilize o ndice mdia aritmtica (ndice de Laspeyres);
b) Se o inverso dos relativos de preos (ou de quantidade) seguir uma dis-
tribuio normal, utilize o ndice mdia harmnica (de Paasche); e
c) Se o logaritmo dos relativos de preos (ou de quantidade) seguir uma
distribuio normal, utilize o ndice de mdia geomtrica (no caso, de
Divisia).
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 10 do material complemen-
tar! Leia e analise o exemplo. Em seguida, continue a sua leitura da Subseo 1.7.3.
1.7.3 NDICES ESPECIAIS DE PREO E QUANTIDADE: DE FISCHER, DE
DROBISH E DE MARSHAL-EDGEWORTH
So denominados aqui como nmeros ndices especiais aqueles que tm como
fnalidade corrigir a tendncia do nmero ndice de preo de Laspeyres de su-
perestimar as suas estimativas, assim como a tendncia do nmero ndice de
preo de Paasche de subestimar os seus valores estimados. Veremos a seguir
os nmeros ndices de Fisher, de Drobrish e de Marshal Edgeworth.
NDICE DE PREOS E DE QUANTIDADE DE FISCHER
Como observado anteriormente, o ndice de Laspeyres tende a dar maior
importncia relativa aos itens cujos preos subiram de forma mais intensa.
Por outro lado, de maneira diferente, o ndice de Paasche tende a diminuir a
importncia relativa desses itens cujos preos subiram de forma mais intensa.
Dentro desse contexto, podemos ser induzidos a pensar que o ndice de preo
correto seja caracterizado por um valor mdio entre os ndices de Laspeyres
e de Paasche. Esse raciocnio foi a lgica utilizada por Fisher para idealizar o
seu ndice.
O ndice de preo e de quantidade de Fisher pode ser obtido calculando-se a
mdia geomtrica entre os ndices de Laspeyres e de Paasche, respectivamente,
como vemos a seguir:
Unidade 1
40
p
t
p
t
p
t
PA L F
, 0 , 0 , 0
=
e
q
t
q
t
q
t
PA L F
, 0 , 0 , 0
=
(32) e (33)
Os ndices de Fisher so melhores estimadores dos ndices de preo e de quan-
tidade do que os correspondentes de Laspeyres e de Paasche. Mas, na prtica,
as frmulas dos nmeros ndices de Fisher so de pouco uso, tendo em vista
que elas so funes do ndice de Paasche e, como j se observou, esse ndice
utiliza, nas suas estimativas, quantidades e preos atuais, o que resulta em
certas difculdades para a sua implantao, tanto em termos de custos como
em termos de tempo.
Adicionalmente, o ndice de Fisher no apresenta uniformidade em suas evolues
que permitam estabelecer comparaes de preos e quantidades em sries que en-
volvam mais de dois perodos.
NDICE DE PREOS E QUANTIDADE DE DROBISH
Seguindo a mesma metodologia do nmero ndice de Fisher, a frmula do n-
mero ndice de Drobish sugere que se calcule a mdia aritmtica dos ndices
de Laspeyres e de Paasche. Os ndices de Preo e Quantidade de Drobish so
defnidos, respectivamente, como segue:
2
, 0 , 0
, 0
p p
p
t t
t
PA L
Dr
+
=
e
2
, 0 , 0
, 0
q q
q
t t
t
PA L
Dr
+
=
(34) e (35)
Tambm, como o ndice de Fisher, esse ndice de preo e de quantidade tem
como meta contrabalanar os efeitos de subestimao de quedas provocados
no ndice de Paasche, que considera como base as quantidades (ou preos)
iguais aos do perodo atual, e os efeitos de superestimao das altas, provoca-
dos no ndice de Laspeyres, que considera as quantidades (ou preos) como
sendo sempre os mesmos do perodo base.
NDICE DE PREOS E QUANTIDADE DE MARSHAL-EDGEWORTH
Para contornar os efeitos de vis antagnico presentes nos ndices de Laspeyres
e de Paasche, o ndice de Marshal-Edgeworth foi proposto, procedendo a uma
mdia aritmtica entre os componentes do numerador e do denominador que
compem, respectivamente, os ndices de Laspeyres e de Paasche.
Portanto, o ndice de Marshal-Edgeworth de preo defnido a partir das
relaes (23) e (26), como vemos a seguir:
Nmeros ndices
41
( )
( )

+
+
=

=
=
100
2
2
1
0 0 0
1
0
, 0
n
i
i
t
n
i
i
t t t
p
t
q p q p
q p q p
ME

( )
( )
100
1
0 0 0
1
0
, 0

+
+
=

=
=
n
i
i
t
n
i
i
t t t
i
t
q p q p
q p q p
ME
ou
( )
( )
100
1
0 0
1
0
, 0

+
+
=

=
=
n
i
i
t
n
i
i
t t
p
t
q q p
q q p
ME (36)
Da mesma forma, o ndice de Marshal-Edgeworth de quantidade defnido a
partir das relaes (24) e (27), como podemos observar abaixo:
( )
( )

+
+
=

=
=
100
2
2
1
0 0 0
1
0
, 0
n
i
i
t
n
i
i
t t t
q
t
q p q p
q p q p
ME
( )
( )
100
1
0 0 0
1
0
, 0

+
+
=

=
=
n
i
i
t
n
i
i
t t t
q
t
q p q p
q p q p
ME
Unidade 1
42
ou
( )
( )
100
1
0 0
1
0
, 0

+
+
=

=
=
n
i
i
t
n
i
i
t t
q
t
p p q
p p q
ME
(37)
Portanto, as equaes (36) e (37) permitem estimar os ndices de preo e de
quantidade de Marshal-Edgeworth.
Palavra do Professor
Caro aluno, agora voc deve consultar o Exemplo 11 do seu material complementar!
Leia e analise o exemplo. Em seguida, recomendo que voc resolva a Questo 7 das
Atividades de aprendizagem. Isso facilitar muito o seu trabalho. Depois, continue
a sua leitura da Seo 1.8.
1.8 NMEROS NDICES AGREGADOS PONDERADOS
DE BASE MVEL
No Brasil, devido aos fatores histricos, como evidenciado anteriormente,
existe uma predileo pelos ndices relativos de ligao, sendo necessrio
saber como estim-los. Portanto, vamos apresentar a seguir as principais for-
mulaes de nmeros ndices de base mvel.
1.8.1 NMERO NDICE DE THEIL (MDIA GEOMTRICA PONDERADA)
Henri Teil props um ndice que se constitui num sistema de ponderao,
no qual os pesos compem uma mdia ponderada entre os pesos das pocas
consideradas na estimativa do nmero ndice. No caso particular de estabele-
cer a comparao entre as pocas t e (t-1), para os ndices de preo e quantidade,
tem-se, respectivamente:
( )
2
1
1
, 1
1 t t
w w
i
t
i
t
n
i
p
t t
p
p
T
+

|
|
|
.
|

\
|
= e
( )
2
1
1
, 1
1 t t
w w
i
t
i
t
n
i
q
t t
q
q
T
+

|
|
|
.
|

\
|
= (38) e (39)
Nmeros ndices
43
Embora no haja restries tericas ao emprego da frmula de Teil, subsiste o
problema das restries operacionais, devido necessidade de estimar as bases
de ponderao a cada perodo atual. As bases de ponderao so as seguintes:

=
n
i
i
t
i
t
i
t
i
t i
t
q p
q p
w
1
e

=
n
i
i
t
i
t
i
t
i
t i
t
q p
q p
w
1
1 1
1 1
1
(40) e (41)
1.8.2 NMERO NDICE DE LASPEYRES COM BASE MVEL
O ndice de Laspeyres modifcado com base mvel (que satisfaz as proprieda-
des de inverso e circular) um mtodo alternativo, que consiste em calcular
o ndice em cadeia a partir de ndices intermedirios, que so obtidos median-
te o emprego de mdias aritmticas em vez de geomtricas, e defnido como
vemos abaixo:
100
1
0
1
, 1

(
(
(

|
|
|
.
|

\
|
=

=

n
i
i
i
t
t
p
t t
w
p
p
LM
e
100
1
0
1
, 1

(
(
(

|
|
|
.
|

\
|
=

=

n
i
i
i
t
t
q
t t
w
q
q
LM (42) e (43)
Trata-se de um ndice com sistema de ponderao fxo em uma poca bsica
fxa, defnida como segue:
i
n
i
i
i i
i
q p
q p
w
0
1
0
0 0
0

=
com
1
1
1 , 0
=

=

n
i
i
t
w
(44)
Unidade 1
44
Portanto, em resumo, o ndice de Laspeyres de Base Mvel apresenta um sistema
de ponderao fxa em uma poca bsica fxa e com base de comparao mvel.
1.8.3 NDICE DE BUREAU (OU NDICE DE LASPEYRES MODIFICADO, COM
BASE MVEL)
O ndice de Bureau um ndice de Leysperes modifcado, mas que se utiliza
de base mvel de comparao e ponderao, com quantidades fxas em deter-
minada poca 0, sendo defnido para a poca t, em relao poca imediata-
mente anterior (t-1), ou seja:
i
n
i
i
t
i i
t i
t
q p
q p
w
0
1
1
0 1
1 , 0

com
1
1
1 , 0
=

=

n
i
i
t
w
(45)
Portanto, considerando que o ndice de Bureau defnido por uma mdia
aritmtica ponderada, usando a base de ponderao (42), temos:
100
1
1 , 0
1
, 1

(
(

|
|
.
|

\
|
=

k
i
i
t
i
t
t
p
t t
w
p
p
B
(46)
Portanto, considerando as relaes (45) e (46), obtm-se:
( )
( )

(
(
(
(
(
(

|
|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=

100
1
1
0 1
0 1
1
, 1
k
i
n
i
i
t
i
t
i
t
t
p
t t
q p
q p
p
p
B
( )
( )
100
1
0 1
1
0
, 1

=

=

n
i
i
t
k
i
i
t
p
t t
q p
q p
B
(47)
E, para o ndice de Bureau de quantidade, considera-se que:
100
1
1 , 0
1
, 1

(
(

|
|
.
|

\
|
=

=

k
i
i
t
i
t
t
q
t t
w
q
q
B
(48)
Utilizando a base de ponderao dada pela relao (45) na equao (48),
Nmeros ndices
45
obtm-se:
( )
( )

(
(
(
(
(
(

|
|
|
|
|
|
.
|

\
|

|
|
.
|

\
|
=

=
=

100
1
1
1 0
1 0
1
, 1
k
i
n
i
i
t
i
t
i
t
t q
t t
q p
q p
q
q
B
( )
( )
100
1
0 1
1
0
, 1

=

=

n
i
i
t
k
i
i
t
q
t t
p q
p q
B
(49)
Para se estimar os nmeros ndices de preo e de quantidade de Teil, utilizam-
se, respectivamente, as frmulas (46) e (48), conjuntamente com a frmula
(45). Tambm se podem estimar os nmeros ndices de preo e de quantidade
de Teil, utilizando as relaes (47) e (49), respectivamente.
Palavra do Professor
Caro aluno, consulte agora o Exemplo 12 do seu material complementar! Leia e ana-
lise-o. Em seguida, continue a sua leitura da Subseo 1.8.4.
1.8.4 CONSIDERAES SOBRE O EXEMPLO 12 DO MATERIAL
COMPLEMENTAR
Os ndices de Bureau, de Laspeyres modifcado e o ndice de Teil, estima-
dos no Exemplo 12, so ndices de base mvel; portanto, so comparados no
Quadro 3 abaixo, com a fnalidade de estabelecer uma anlise comparativa.
LASPEYRES BUREAU THEIL
p
t t
LM
, 1
q
t t
LM
, 1
p
t t
B
, 1
q
t t
B
, 1
p
t t
T
, 1
q
t t
T
, 1
06-07 118,50% 151,81% 118,5% 151,81% 117,64% 133,64%
07-08 143,76% 129,95% 143,73% 131,25% 139,76% 125,18%
Quadro 3 Comparao entre as estimativas dos ndices de Preo e de Quantidades de base mvel,
de Theil, de Laspeyres e de Bureau
O que se observa neste quadro que os ndices de Laspeyres e de Bureau so
maiores que os correspondentes ndices de Teil. Logicamente, tal comporta-
mento esperado, tendo em vista que os nmeros ndices de Laspeyres e de
Unidade 1
46
Bureau so mdias aritmticas, e o ndice de Teil defnido por uma mdia
geomtrica ponderada. Lembre-se de que a mdia geomtrica ponderada con-
duz a um resultado sempre menor do que o da mdia aritmtica ponderada.
Palavra do Professor
Ento, a questo a ser respondida : que frmula de nmero ndice de base mvel
dever ser utilizada?
Como para os nmeros ndices agregados simples, a escolha deve ser feita
com base na distribuio de probabilidade subjacente aos dados observados:
a) se os relativos de preos (ou de quantidade) seguirem uma distribuio
normal, utilizar-se- um ndice formulado por meio de mdia aritmti-
ca (ndice de Laspeyres de base mvel ou o ndice de Bureau);
b) se o logaritmo dos relativos de preos (ou de quantidade) seguir uma
distribuio normal, ser utilizado um ndice com formulao baseada
na mdia geomtrica, no caso, o ndice de Teil; e
c) se o inverso dos relativos de preos (ou de quantidade) seguir uma dis-
tribuio normal, ser utilizado um ndice com formulao baseada
numa mdia harmnica, no caso, o ndice de Paasche (equaes (26) e
(27)), considerando o perodo base 0 como o perodo (t-1).
Podemos observar, ainda, que todos os nmeros ndices de base mvel satisfa-
zem s propriedades circular e de inverso, pois, ao converter esses nmeros
ndices para base fxa, aplicam-se, simultaneamente, essas prprias proprieda-
des, por meio da frmula (6), no causando, portanto, vis nas estimativas de
converso de base mvel para base fxa.
Assim, vamos considerar como exemplo os resultados do ndice de Laspeyres de
Base Mvel e converter os ndices de Preo e de quantidade de Laspeyres de Base
Mvel para Base Fixa. Aplicando as propriedades de Inverso e Circular, obtm-se:
= 1
06 , 08 08 , 07 07 , 06
p p p
LM LM LM
=
p
p p
LM
LM LM
06 , 08
08 , 07 07 , 06
1
p p p
LM LM LM
08 , 07 07 , 06 08 , 06
=
(50)
Nmeros ndices
47
Assim, conforme a equao (50), para os ndices de preo e de quantidade
(conforme o Quadro 28 do Exemplo 12 do seu material complementar), tem-
se, respectivamente:
% 35 , 170 100 4376 , 1 185 , 1
08 , 06
= =
p
LM
(51)
e
% 32 , 197 100 2995 , 1 5185 , 1
98 , 96
= =
q
LM (52)
Portanto, comparando os resultados obtidos para o ndice de Laspeyres de base
fxa (apresentados no Quadro 12 do Exemplo 10 do material complementar)
com os transformados (utilizando as equaes (50) e (51)), a partir das estima-
tivas dos ndices de base mvel (Quadro 28 do Exemplo 12 do material com-
plementar), podemos observar que os nmeros ndices de base fxa e mvel
para dois perodos consecutivos so iguais, no caso,
p
LM
07 , 06
e
q
LM
07 , 06
. Este
comportamento caracterizado no resumo apresentado no Quadro 4 abaixo:
NMEROS
NDICES DE
PREO E
QUANTIDADE
DE LASPEYRES DE
PREO DE BASE
FIXA (%)
DE LASPEYRES DE PREO
TRANSFORMADO PARA
BASE FIXA (%)
DE LASPEYRES DE
QUANTIDADE DE BASE
FIXA (%)
DE LASPEYRES DE
QUANTIDADE TRANS-
FORMADO PARA BASE
FIXA (%)
p
t ,
L
0 (%) p
t ,
LM
0 (%)
q
t ,
L
0 (%) p
t ,
LM
0 (%)
06-06 100,0 100,0 100,0 100
06-07 118,5 118,5 151,8 151,8
06-08 170,3 170,3 188,9 197,32
Quadro 4 Comparao entre os Nmeros ndices de Preo e de Quantidade de Laspeyres de base
fxa e os respectivos de base mvel transformados
Contudo, tambm se observa no Quadro 4 que a mudana do ndice de
Laspeyres de base mvel para o ndice de base fxa nem sempre conduz aos
mesmos valores daqueles ndices de Laspeyres de Base Fixa estimados (por
exemplo, no caso do ndice de Quantidade 06 08), porque as estimativas dos
ndices de base fxa esto sempre sujeitas introduo de vieses.
Mas por que isso acontece?
Porque o ndice de Laspeyres de Base fxa no satisfaz a propriedade circular,
introduzindo vis em suas estimativas. No caso do nmero ndice de quanti-
dade isso se deve, possivelmente, ao fato de que a base de ponderao fxa no
funciona adequadamente para os ndices de Lapeyres de quantidade e, em
consequncia, no satisfaz propriedade circular.
Unidade 1
48
Palavra do Professor
Caro aluno, agora que voc est com o contedo fresco em sua memria, aproveite
e resolva a Questo 8 das Atividades de aprendizagem. Bom trabalho!
1.9 DEFLAO DE UMA SRIE TEMPORAL
As variaes de preo causadas por infao ou defao podem obscurecer as
variaes de quantidade. Isso signifca que, s vezes, o que parece ser um cresci-
mento de vendas ou aumento na participao no mercado (por apresentar maior
faturamento) pode ser mais um efeito de futuaes de preos ou de desvaloriza-
es cambiais, do que realmente um acrscimo nas quantidades vendidas.
Este problema torna-se mais grave quando se examinam longas sries tem-
porais, incluindo vrios anos. Em especial, o problema bastante srio em
economias como a do Brasil, que sofreu grandes mudanas estruturais em seu
processo econmico ao longo de dcadas e, ainda hoje, apresenta momentos
de instabilidades. Portanto, absolutamente necessrio fazer defaes das
sries temporais. Em outras palavras, h que se remover o efeito da infao
nos valores das sries temporais. Para tanto, devemos procurar um nmero
ndice apropriado para isso:
se tratarmos de alguma atividade de uma empresa que vende diretamen-
te ao consumidor fnal, no varejo, por exemplo, devemos utilizar como
defator um ndice de preos ao consumidor, como o IPC-A do IBGE
ou o IPC da FIPE, etc.;
se tratarmos de uma empresa de vendas de bens de capital ou de vendas
no atacado, por exemplo, devemos utilizar um ndice que retrate as fu-
tuaes de tal mercado, como o IGP-M ou o IGP-DI da Fundao Get-
lio Vargas, para os quais 60% desses ndices so compostos pelo ndice
de Preos por Atacado, calculado pela mesma instituio;
contudo, se tratarmos de uma atividade de exportao, por exemplo, en-
to seria interessante incluir tambm a futuao da taxa de cmbio do
pas ou dos pases de destino.
importante ressaltar que no processo de defacionamento preciso ter os
nmeros ndices de base fxa. Se apenas os relativos de ligao estiverem dis-
Nmeros ndices
49
ponveis, ser necessrio obter os nmeros ndices de base fxa por meio de
transformao. Independentemente do defator (ndice) escolhido, o procedi-
mento similar:
100 Real Valor
Inflao de ndice
corrente ou Nominal Valor
|
.
|

\
|
= (53)
Outras observaes sobre o conceito de defator:
Sempre se tem como meta analisar uma srie de valores monetrios, em termos de
suas variaes, e eliminar uma das causas (variao de preo ou variao de quan-
tidade). Contudo, quando se pretende eliminar o impacto da variao de preo em
uma srie de valores monetrios, utiliza-se um defator, o que permite analisar a evo-
luo do faturamento (ou das despesas) apenas em funo da variao da quantida-
de, eliminando da srie os efeitos decorrentes de variao de preo.
Palavra do Professor
Vamos analisar agora mais alguns exemplos! Consulte os Exemplos 13 e 14 do seu ma-
terial complementar. Leia e analise-os. Em seguida, continue a sua leitura da Seo 1.10.
1.10 PODER AQUISITIVO
O Poder Aquisitivo (PA) de um determinado volume de unidades monetrias,
com relao a uma determinada poca, defnido da seguinte maneira:
100
1
, 0
=
t
P
PA (54)
Portanto, para calcular o poder aquisitivo de uma unidade monetria, basta
calcular o inverso do ndice de preo.
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 15 do material complemen-
tar! Leia e analise o exemplo. Em seguida, recomendo que voc resolva a Questo 9
das Atividades de aprendizagem.
Unidade 1
50
1.11 TAXA REAL OU TAXA DEFLACIONADA
necessrio converter a taxa a ser defacionada em ndice para, em seguida,
aplicar o defator. Portanto, suponha que i seja a taxa nominal (ou a taxa a ser
defacionada) e j seja a taxa de infao. Assim, para defacionar a taxa deve-se
fazer conforme mostra o Quadro 5 abaixo.
TAXA NDICE DEFLACIONAMENTO
i (1+i)

100 1
) 1
) 1 (

|
|
.
|

\
|

+
+
=
j
i
r
j (1+j)
Quadro 5 Relaes entre nmero ndice e taxa
Ou seja, a taxa real obtida, em termos percentuais, por meio da seguinte
razo:
100 1
) 1 (
) 1 (

|
|
.
|

\
|

+
+
=
j
i
r (55)
Palavra do Professor
Agora, caro aluno, vamos observar os Exemplos 16, 17 e 18 do material complemen-
tar! Leia e analise-os com ateno. Em seguida, resolva a Questo 10 das Atividades
de aprendizagem. S depois inicie a sua leitura da Seo 1.12.
1.12 DEFLATOR IMPLCITO DE
PREO E NDICE QUANTUM
Os termos defator implcito de preo e o ndice de quantum so aplicados
para referenciar impactos infacionrios e impactos de variaes reais relacio-
nados a medidas de crescimento do PIB de uma economia agregada, no caso,
nacional, estadual ou municipal. Entretanto, esses indicadores no so nada
mais do que, respectivamente, um ndice de preo e um ndice de quantidade,
estudados nas formas clssicas apresentadas nas sees anteriores.
Nmeros ndices
51
1.12.1 DEFLATOR IMPLCITO
O Defator Implcito de Preos um ndice de preo calculado a partir de
dados da Renda Nacional ou do Produto Nacional. Mas, tambm, eles podem
referir-se a ndices obtidos internamente em uma empresa.
Supe-se, por exemplo, que uma empresa atacadista deseja comparar as
vendas entre dois anos quaisquer. As vendas totais durante cada ano contm,
implicitamente, cada transao individual efetuada e registrada no caixa. Nos
resultados das vendas esto os impactos de preo e de quantidade; portanto,
ser necessrio separar esses efeitos inseridos na variao monetria de valores.
Para separar os impactos dos componentes de preo e de quantidade do resulta-
do do valor da Renda Nacional ou do Produto Nacional, existem dois caminhos:
a) fazer uma estimativa direta do componente quantidade, deduzindo o
componente preo e, em seguida, dividindo o ndice de valor pelo ndi-
ce de quantidade estimado; e
b) estimar o componente preo, deduzindo o componente quantidade e,
em seguida, dividindo o ndice de valor pelo ndice de preo.
Primeiramente, defnimos o ndice de Quantum (IQ0,t), que descreve o com-
portamento da produo fsica de bens fnais de uma economia, entre dois
ou mais perodos de tempo. O ndice de Quantum defnido pelo ndice de
Laspeyres de Quantidade, como segue:
q
t
t
L IQ
, 0
, 0
=
ndice de Laspeyres de Quantidade (56)
O ndice de Valor (Vo,t) obtido atravs da comparao da renda ou do pro-
duto entre dois perodos, conforme defnido pela equao (31). Finalmente,
utilizando o procedimento (a) acima, o Defator Implcito da Renda Nacional
ou do Produto Interno o ndice de Preo, denominado DI0,t, e estimado
como vemos abaixo:
t
t
t
IQ
V
DI
, 0
, 0
, 0
=
(57)
O Defator Implcito (ou ndice de Preo) determinado pela relao (57) aci-
ma um ndice de preo de Paasche.
Unidade 1
52
importante lembrar que o produto cruzado de um ndice de quantidade de
Laspeyres por um ndice de preo de Paasche satisfaz ao critrio de decomposio
das causas. Ou seja,
t
p
t
q
t
V PA L
, 0
, 0 , 0
=
.
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 19 do seu material com-
plementar! Leia e analise o exemplo. Em seguida, inicie a leitura da Subseo 1.12.2.
1.12.2 NDICE DE QUANTUM
A princpio, o Centro de Contas Nacionais do Instituto Brasileiro de Economia
da Fundao Getlio Vargas (CCN/IBRE/FGV) era o responsvel pelas esti-
mativas das contas nacionais. Na atualidade, o IBGE o rgo que estima, a
preos constantes, o produto interno, segundo os setores de atividade da eco-
nomia brasileira, bem como os principais componentes agregados das contas
nacionais, permitindo a obteno do total de despesa nacional, a preo de um
determinado ano.
Saiba Mais
Em 1973, o IBGE passou a ser o responsvel pela coordenao do sistema estatstico
nacional, mas delegou FGV a continuidade dos trabalhos respectivos s contas na-
cionais. Somente em meados de 1985, o IBGE iniciou o programa para a elaborao
de um sistema de produo de sries anuais de Contas Nacionais completas para a
economia brasileira, em colaborao com o Institut National de La Statistique et de
Etudes Economiques (INSEE). A Fundao Getlio Vargas deixou de ser responsvel
pelas contas nacionais em dezembro de 1986, e parte dos profssionais do Centro de
Contas Nacionais do Instituto Brasileiro de Economia (CCN/IBRE/FGV) foi incorpora-
da ao quadro do IBGE. (IBGE, 1990, p.87).
!
As estimativas do PIB, a preos constantes, so calculadas a partir de ndices
do produto real (ndice de Quantum IQt-1,t). Conforme j anunciado, a fr-
mula utilizada para a obteno do IQt-1,t a de Laspeyres com base mvel. A
vantagem desse procedimento reside na possibilidade de aplicao do critrio
circular e de incluso de novos produtos no painel pesquisado. Assim:
Nmeros ndices
53
100
1
1 1
1
1
, 1
, 1

= =

n
i
i
t
i
t
i
t
n
i
i
t
q
t t
t t
q p
p q
L IQ (58)
A frmula (58) aplicada na obteno do ndice de Quantum, agregando os
principais setores do aparelho de produo da economia nacional, conforme
vemos a seguir:
a) Agricultura lavoura; produto animal e de derivados;
b) Indstria Produo Extrativa Mineral; Indstria de Transformao;
Construo Civil, Industrial e Servios de Utilidade Pblica; e
c) Servios Comrcio, transportes, comunicao, instituies fnanceiras,
outros servios e administrao pblica.
A agregao dos impactos dos principais setores da economia sobre o ndice
de Quantum realizada por meio de uma mdia aritmtica ponderada sobre
os ndices setoriais especifcados de (a) a (c). Atualmente, as participaes dos
setores produtivos na estrutura do ndice de Quantum correspondem, apro-
ximadamente, s seguintes propores: (a) Agricultura, 9,65%; (b) Indstria,
37,18%; e (c) Servios, 53,15%.
Palavra do Professor
Caro aluno, chegou o momento de consultar o Exemplo 20 do seu material com-
plementar! Leia e analise-o. Em seguida, resolva a Questo 11 das Atividades de
aprendizagem.
1.13 NDICES BRASILEIROS
Abordaremos nesta seo os principais ndices brasileiros, dentre os quais:
o ndice Nacional de Preos ao Consumidor (INPC) e o ndice Nacional
de Preos ao Consumidor Amplo (IPCA), ambos estimados pelo Insti-
tuto Brasileiro de Geografa e Estatstica (IBGE);
Unidade 1
54
o ndice de Preos ao consumidor da Fundao Instituto de Pesquisas
Econmicas (IPC/FIPE);
o ndice de Custo de Vida do Departamento Intersindical de Estatstica
e Estudos Socioeconmicos (ICV-DIEESE); e
o ndice Geral de Preos de Mercado (IGP-M) e o ndice Geral de Pre-
os Disponibilidade Interna (IGP-DI), ambos estimados pela Funda-
o Getlio Vargas (FGV).
1.13.1 NDICE NACIONAL DE PREOS AO CONSUMIDOR (INPC) E O
NDICE NACIONAL DE PREOS AO CONSUMIDOR AMPLO (IPCA)
Os ndices mais tradicionais estimados pelo governo so o ndice Nacional de
Preos ao Consumidor (INPC) e o ndice Nacional de Preos ao Consumidor
Amplo (IPCA). As diferenas metodolgicas entre esses indicadores decorrem
dos objetivos defnidos para cada um, o que, em geral, implica em distinguir a
populao-objetivo e/ou o perodo de coleta.
A partir de julho de 1978, o IBGE
assumiu integralmente esta responsabilidade, por determinao legal. As carac-
tersticas bsicas do INPC e do IPCA esto evidenciadas no Quadro 6 abaixo.
INPC IPCA
DEFINIO
Ambos so medidas snteses de movimentos de preos de um conjunto de mercadorias consu-
midas (Cesta de Mercadorias), representativo de um determinado grupo populacional, em certo
perodo de tempo.
INSTITUIO
RESPONSVEL
Fundao Instituto Brasileiro de Geografa e Estatstica (IBGE)
ABRANGNCIA
GEOGRFICA
Envolvem as regies metropolitanas de Rio de Janeiro, Porto Alegre, Belo Horizonte, Recife, So
Paulo, Belm, Fortaleza, Salvador e Curitiba, alm do Distrito Federal e do municpio de Goinia.
Os ndices so calculados para cada regio.
MOTIVAO E
OBJETIVO
Medir as variaes de preos da cesta de consumo
das populaes assalariadas e com baixo rendimento.
Medir as variaes de preos referen-
tes ao consumo pessoal.
PRINCIPAL
FINALIDADE
Fornecer subsdios para as decises de reajustes de
remuneraes, no apenas aos agentes diretamente
afetados pelos dissdios, mas a qualquer categoria
de trabalhadores, sindicalizados ou no. Tem sido
usado, tambm, como indexador de outros preos da
economia, especialmente, daqueles com maior infu-
ncia sobre a capacidade de consumir das famlias de
mais baixos rendimentos.
Utilizado pelo Banco Central do Brasil
para o acompanhamento dos objetivos
estabelecidos no sistema de metas de in-
fao, adotado a partir de julho de 1999,
para o balizamento da poltica monetria.
Nmeros ndices
Entre 1948 e 1978, esteve
a cargo do Ministrio
do Trabalho a produo
do ndice de Preos ao
Consumidor para 13
capitais/cidades brasileiras
(Belm, Fortaleza, Natal,
Recife, Salvador, Belo
Horizonte, Niteri, Rio de
Janeiro, So Paulo, Curitiba,
Florianpolis, Porto Alegre
e Cuiab), alm de um
indicador nacional.
Foi utilizada como fonte de
informaes aqui apresen-
tadas, a srie de relatrios
metodolgicos (volume
14) do Sistema Nacional
de ndices de Preos ao
Consumidor Mtodos de
Clculos (5a Edio), publi-
cado pelo IBGE (Instituto
Brasileiro de Geografa e
Estatstica), em 2007.
55
DEFLATOR Defator salarial.
Defator de taxas de juros de curto e
mdio prazo, assim como indexador de
letras do tesouro nacional de curto e
mdio prazo.
DADOS
PRODUZIDOS
Dados disponveis (ndice nacional) desde 1979.
Sendo o perodo da coleta o ms calendrio.
Dados disponveis (ndice nacional) desde
1980. Sendo o perodo da coleta o ms
calendrio.
Quadro 6 Caractersticas bsicas do INPC e do IPCA
Os procedimentos metodolgicos para a implantao dos ndices INPC e
IPCA utilizaram-se das seguintes pesquisas:
O Sistema Nacional de ndices de Preos ao Consumidor (SNIPC),
quando de sua criao, forneceu os dados necessrios para a defnio
das populaes objetivo, para a montagem da cesta de produtos e ser-
vios, bem como para a sua estrutura de pesos, que foram extrados
da pesquisa Estudo Nacional da Despesa Familiar (ENDEF) 1974-1975,
de objetivo mais amplo que o da Pesquisa de Oramentos Familiares
(POF), porm com caractersticas semelhantes.
A partir da dcada de 1980, a POF tem sido a base de defnio das po-
pulaes objetivo para o INPC e o IPCA. Atualmente, essa pesquisa,
realizada no perodo 2002-2003, fornece as estruturas de ponderao
das populaes objetivo, tanto para o INPC como para o IPCA.
A Pesquisa de Especifcao de Produtos e Servios (PEPS), realiza-
da na poca de implantao da pesquisa nas 13 cidades integradas ao
sistema de estimativa desses ndices, para todos os produtos e servios
constantes da estrutura de ponderaes, forneceu o cadastro de produ-
tos e servios pesquisados, que permanentemente atualizado com o
objetivo de acompanhar a dinmica de mercado.
A Pesquisa de Locais de Compra (PLC), realizada no perodo de maio
a junho de 1988, nas 11 reas de abrangncia, forneceu o cadastro de
informantes da pesquisa feita atravs de visitas aos domiclios de uma
amostra previamente selecionada, cuja manuteno contnua.
A base de ponderao para as estimativas do INPC e do IPCA resultado de
uma recente atualizao, que utiliza as estruturas de ponderao do Sistema
Nacional de ndices de Preos ao Consumidor (SNIPC), realizada a partir
das informaes sobre as despesas realizadas pelas famlias, que foram obti-
das atravs da POF 2002-2003, implantada a partir de julho de 2006.
Unidade 1
Atualmente, as 13 regies, ci-
tadas anteriormente, foram
reduzidas para 11 (aquelas
citadas no Quadro 6).
56
Utilizando os procedimentos metodolgicos acima especifcados, foram def-
nidas as populaes objetivo para o INPC, assim como para o IPCA, seguindo
os critrios resumidos nos Quadros 7 e 8 abaixo.
POPULAO OBJETIVO DO INPC
A populao objetivo tem sido focalizada no atendimento ao seu objetivo original: medir a
variao agregada dos preos dos bens e servios consumidos pelas famlias com baixos rendi-
mentos e cujos chefes so assalariados.
Os critrios de cobertura populacional e de estabilidade da estrutura de consumo tm sido
aplicados, segundo os parmetros que seguem:
Cobertura populacional: foi arbitrado, desde a implantao do INPC, que o ndice assegu-
rasse a cobertura populacional de cerca de 50% das famlias com chefes assalariados; e
Estabilidade da estrutura de consumo: foram excludas as famlias com rendimentos me-
nores que um salrio mnimo, com base no argumento de que esse segmento tem renda
e estrutura de consumo instvel ou atpica. Alm disso, a excluso dessa faixa de ren-
dimentos justifca-se, tendo em vista que o INPC visa correo monetria de salrios,
no sendo procedente incluir famlias com renda inferior ao menor salrio legal do Pas.
Neste processo de implementao dos pesos da Pesquisa de Oramento Familiar (POF) 2002-
2003 (a mais recente), decidiu-se, dado o objetivo original do INPC:
manter a excluso das famlias com chefes assalariados, cujos rendimentos so inferio-
res a um salrio mnimo; e
manter o parmetro histrico para o critrio da cobertura. Ou seja, que aproximadamen-
te 50% das famlias com chefes assalariados sejam cobertas, considerando-se as famlias
com os rendimentos mais baixos, desde que iguais ou superiores a um salrio mnimo.
Na implantao do INPC, em 1979, o IBGE defniu como populao objetivo as famlias,
cujos chefes eram assalariados e tinham rendimentos monetrios disponveis situados
entre 1 e 5 salrios mnimos. Atualmente, segundo a POF mais recente, o intervalo de
1 a 6 salrios mnimos, fcando, assim, mantidas as propores inicialmente estabeleci-
das a partir dos dados do ENDEF.
Hoje, o critrio da estabilidade aplicado aos dados apresentados pela POF indica a
excluso de 4,07% das famlias, ou seja, daquelas com rendimentos menores que R$
200,00 (duzentos reais), valor equivalente a 1 salrio mnimo (15 de janeiro de 2003);
O critrio da robustez, pelo qual se busca assegurar a cobertura de cerca de 50% das fa-
mlias com mais baixos rendimentos, leva a considerar as famlias com rendimentos de
at R$ 1.200,00 (um mil e duzentos reais), ou 6 salrios mnimos (15 de janeiro de 2003).
Nmeros ndices
57
Na defnio dos limites de renda, foram considerados alguns fatores, tal que contemplasse mais
de 50% das famlias com chefes assalariados:
Fixou-se o limite inferior em 1 salrio mnimo, a fm de no acarretar distores cesta,
isto porque se acredita que as famlias com rendimento mensal inferior a este valor
tenham sua subsistncia complementada, pelo menos em parte, atravs de auto-con-
sumo, doaes, trocas, etc., no sendo possvel caracterizar suas cestas de compras;
A fxao do limite superior privilegiou os dois objetivos j mencionados:
a necessidade de pesquisar uma cesta que fosse, de fato, representativa de um
maior nmero possvel de famlias com chefes assalariados; e
o grupo contemplado ser aquele que tem a menor capacidade de defesa contra a
infao, ou seja, as famlias de baixa renda.
Quadro 7 Critrios de defnio da Populao objetivo do INPC
POPULAO OBJETIVO DO IPCA
A motivao para sua criao foi oferecer, para todos os fns prticos, a medida do movimento geral dos preos no
mercado varejista. Trata-se, portanto, do indicador da infao segundo o consumo pessoal, bem como encontrar, nas
Contas Nacionais, um campo de importante utilizao.
A defnio da populao objetivo do IPCA tem levado em conta o objetivo de medida da infao sob a tica do con-
sumo pessoal. Alm disso, foram sempre considerados os seguintes critrios e parmetros:
Cobertura: acima de 90% das famlias residentes nas reas urbanas de abrangncia do SNIPC, qualquer que seja a
fonte de rendimentos, de modo a assegurar cobertura prxima da totalidade, tendo em vista o objetivo do IPCA; e
Estabilidade da estrutura de consumo: so excludos os extremos da distribuio, ou seja, aquelas famlias cujos
rendimentos esto abaixo de 1 salrio mnimo e aquelas com rendimentos considerados muito altos. Os argu-
mentos so a instabilidade e atipicidade dos hbitos de consumo das famlias componentes desses segmentos.
A distribuio do nmero de famlias obtida na Pesquisa de Oramento Familiar (POF) 2002-2003, segundo o rendi-
mento familiar monetrio disponvel para o total das 11 reas do SNIPC, permitiu aplicar os seguintes critrios:
O critrio da estabilidade que indicou a excluso de 8,2% das famlias, ou seja, aquelas com rendimentos
menores que 1 salrio mnimo de 15 de janeiro de 2003, correspondendo a 5,8%, e as famlias com rendimen-
tos superiores a R$ 8.000,00 (oito mil reais), ou seja, 40 salrios mnimos, perfazendo 2,4%.
O critrio da robustez, que assegura a cobertura de mais que 90% das famlias, levou a considerar aquelas
famlias com rendimentos de R$ 200,00 (duzentos reais) at R$ 8.000,00. Assim, a populao objetivo do IPCA
adotada desde julho de 2006 a que segue: famlias residentes nas reas urbanas das regies de abrangncia
do SNIPC com rendimentos de 1 a 40 salrios mnimos, qualquer que seja a fonte dos rendimentos.
Quadro 8 Critrios de defnio da Populao objetivo do IPCA
A estrutura das famlias que integram a faixa de renda de 1 a 6 salrios mni-
mos (no caso do INPC) diferente daquela cuja faixa de renda compreende
Unidade 1
58
1 a 40 salrios mnimos (no caso do IPCA). Estas diferenas podem ser tanto
para as espcies de produtos e servios, quanto para as despesas relativas efe-
tuadas. Atualmente, as estruturas de ponderaes utilizadas para o clculo
dos ndices resultaram da consolidao dos oramentos familiares levantados
pela POF 2002-2003.
As estruturas so montadas de forma que as categorias de consumo de mesma
natureza fquem juntas, resultando nos seguintes nveis de agregao, assim hie-
rarquizados: Grupo (por exemplo, alimentao e bebidas), Subgrupo (por exem-
plo, alimentao), Item (por exemplo, frutas) e Subitem (por exemplo, laranja).
Os mtodos de determinao dos pesos e os principais critrios adotados
na montagem das estruturas de ponderaes dos ndices regionais so as
seguintes:
a) expandir, ao longo do ano, os valores das despesas de consumo familiar
provenientes da POF, coletados em diferentes perodos de referncia;
b) defacionar as despesas anuais para 15 de janeiro de 2003, ponto referen-
cial para a transformao dos valores monetrios a preos constantes;
c) somar, para cada subitem, as despesas realizadas pelas famlias perten-
centes populao objetivo; e
d) calcular a razo entre a soma obtida em (c) e a despesa total (relativa a
todos os subitens) de todas as famlias da regio em questo (ou seja,
defne-se uma base de ponderao ou pesos).
Calculados os pesos, so montadas as estruturas de consumo, podendo-se
constatar, neste momento, que h subitens com participaes inexpressivas.
Dessa forma, estruturas originais podero ser muito extensas, difcultando
o acompanhamento efcaz dos preos ms a ms. Quando isto ocorre, so
realizados alguns estudos que resultam na simplifcao das estruturas, sem,
contudo, comprometer sua representatividade. No caso das estruturas do
INPC e do IPCA, foi necessrio proceder a simplifcaes. Assim, a monta-
gem das estruturas defnitivas destes ndices obedeceu aos seguintes critrios,
conforme explicado a seguir:
a) subitens com participao igual ou superior a 0,07% fazem parte das
estruturas;
b) subitens com participao inferior a 0,01% em hiptese alguma fazem
parte das estruturas. Os valores dessas despesas so distribudos, propor-
Nmeros ndices
59
cionalmente, entre outras despesas do mesmo gnero, ou seja, no item; e
c) subitens com ponderao igual ou superior a 0,01% e inferior a 0,07%
podem fazer parte da estrutura para assegurar que o item do qual fazem
parte tenha cobertura de 70% dos gastos realizados com os componen-
tes do item. Esta cobertura estabelecida em relao estrutura com-
pleta defnida de incio.
Constitudas as estruturas, observa-se que, no nvel de subitem, so eviden-
ciadas peculiaridades estruturais relativas a cada rea e populao objetivo,
podendo existir certo subitem numa rea e no existir em outra, ou existir em
determinada rea para a estrutura de pesos do INPC e no para a do IPCA.
Entretanto, no nvel de item, o processo de agregao e hierarquizao das des-
pesas realizado de modo que garanta a existncia da categoria em todas as es-
truturas de pesos. Assim, os itens so agregados em carter nacional e, por serem
comuns s diversas reas, todos os resultados produzidos a partir deste nvel de
agregao das despesas so passveis de comparao. Esse procedimento possi-
bilita estimar, em mdia, que as estruturas dos gastos dos grupos distribuam-se,
aproximadamente, conforme o Quadro 9, para o INPC e para o IPCA.
INPC IPCA
TIPO DE GASTOS PESO DO GASTO (em %) TIPO DE GASTOS
PESO DO GASTO (em
%)
Alimentao e bebidas 33,10 Alimentao e bebidas 25,21
Despesas Pessoais 13,36 Transporte e comunicao 18,77
Vesturio 13,16 Despesas Pessoais 15,68
Habitao 12,53 Vesturio 12,49
Transporte e comunicao 11,44 Habitao 10,91
Artigos de residncia 8,85 Sade e cuidados pessoais 8,85
Sade e cuidados pessoais 7,56 Artigos de residncia 8,09
TOTAL 100,00 TOTAL 100,00
Quadro 9 Ponderaes dos gastos dos subitens agregados, para a determinao do INPC e do IPCA
O ponto de partida para o clculo mensal dos ndices INPC e IPCA a srie
histrica de dois meses que contm, para cada produto, o preo obtido no ms
corrente (ms em que se est calculando o ndice) e no ms anterior. Ressalta-se
que para os produtos cujos mtodos de coleta possibilitam a obteno de mais
de um preo por local, o preo registrado na srie histrica corresponde mdia
aritmtica dos preos obtidos no respectivo estabelecimento. Tal procedimento
Unidade 1
60
constitui-se, a rigor, na primeira etapa de agregao para o clculo dos indica-
dores dos produtos, subitens, itens, subgrupos e grupos com esta caracterstica.
Assim, a partir das informaes da srie histrica de dois meses, a estimativa das
variaes mensais dos preos dos produtos, referenciadas por j, ou de seus rela-
tivos de preos, permite levantar os ndices de preos regionais e nacionais, cujo
procedimento est apresentado no Quadro 10 abaixo. Deve ser lembrado que os
procedimentos para determinar o INPC ou o IPCA so os mesmos, o que difere
entre eles a populao foco e os pesos dos itens que integram a cesta de produtos.
NVEL DE AGREGAAO PROCEDIMENTO
Coleta que obtenha mais de
um preo por local de compra,
ao longo do ms atual.
Procede-se a mdia aritmtica dos preos obtidos no respectivo estabelecimento.
Variao de preos do produto j
(ou ndice do produto j), entre o
ms t-1, ms anterior e t, o ms
corrente (). Frmula adotada, a
partir de Junho de 1980.

onde o preo do produto j, no local L, no ms t e o preo do produto j, no local L, no ms
t-1, nt o nmero de locais de compra no ms t e nt-1 o nmero de locais de compra, no ms
t-1.
Variao de preo do subitem
k, tambm chamado de ndice
do subitem k (estimado por
meio de uma mdia geom-
trica), .
onde variao de preos entre os meses t-1 e t, dos produtos que compem o subitem k,
a variao do produto j, entre os meses t-1 e t e m o nmero de produtos que compes o
subitem k.
ndice do Item m (expresso, a
partir da frmula de Laspeyres
de preo de base mvel), .

onde , ou seja, o peso do subitem k, obtido pela pesquisa POF.
Contudo, a estimativa, serve para corrigir a base de ponderao para o perodo anterior ao
ms atual, conforme o seguinte procedimento:
, tal que:

ndice de Preo ao Consumidor
Regional () da rea denominada
A, para a populao especifca
F, distinta para o INPC e IPCA.
,
onde ,
e
ndice Nacional, ou obtido a
partir dos ndices regionais.*
ou , o que muda a populao foco.
onde o peso da rea A, defnido como:
**
Quadro 10 Procedimento metodolgico para a determinao dos ndices INPC e IPCA
Nmeros ndices
Como podemos observar,
todos os produtos partici-
pam do subitem k com a
mesma ponderao.
61
Como podemos observar, todos os produtos participam do subitem k com a
mesma ponderao.
Saiba Mais
* De junho de 1989 a dezembro de 1993, com a redefnio da estrutura de pondera-
es, o ndice restrito de cada rea passou a ser ponderado pela Populao Urbana
de seu estado e parte das populaes urbanas no cobertas pelo SNIPC, pertencen-
tes mesma Grande Regio, atravs da utilizao dos dados da projeo de popu-
lao residente urbana de 1985, realizada pelo ento Departamento de Populao
e Indicadores Sociais. A partir de janeiro de 1994, a fonte passou a ser o Censo
Demogrfco, realizado em 1991 (substituindo a projeo populacional para 1985).
Em 1999, os pesos implantados foram gerados a partir dos dados da Contagem da
Populao de 1996. Na presente atualizao, os novos pesos das regies baseiam-
se nas mais recentes estimativas da Populao Residente Urbana, obtida por meio
da POF 2002-2003. Para o IPCA, de junho de 1989 a dezembro de 1993, utilizou-se a
varivel Rendimento Total Urbano como ponderadora regional, com base nos dados
da Pesquisa Nacional por Amostra de Domiclios (PNAD) de 1987 e, a partir de janeiro
de 1994, da PNAD de 1990. As ponderaes regionais para o IPCA foram novamente
atualizadas, agora com base nas estimativas de Rendimento Familiar Monetrio, dis-
ponveis mensalmente, obtidas da POF 2002-2003. Ressalta-se que as fontes das vari-
veis ponderadoras foram substitudas por pesquisas mais recentes, visando a maior
preciso no clculo dos estimadores nacionais. Acrescenta-se, ainda, que a frmula
de agregao dos ndices regionais para obteno dos ndices nacionais continuar
sendo a mdia aritmtica ponderada.
** Na mais recente atualizao, tendo como fonte a POF 2002-2003, os pesos das re-
gies foram obtidos com base nas estimativas da populao urbana para os estados,
para as Grandes Regies e para o Brasil. Primeiramente, calculam-se os coefcientes
de proporcionalidade referentes s Unidades da Federao da Grande Regio com
cobertura do SNIPC, que retratam individualmente a participao da populao ur-
bana dos estados no total da populao da Grande Regio, excluindo deste clculo
as Unidades da Federao no pesquisadas pelo SNIPC.
!
1.13.2 NDICE DE PREOS AO CONSUMIDOR DA FIPE, IPC/FIPE
O ndice de Preos ao Consumidor do Municpio de So Paulo, que deu ori-
gem ao IPC-FIPE, o mais tradicional indicador da evoluo do custo de vida
das famlias paulistanas e o mais antigo do Brasil. Foi criado pela Prefeitura de
So Paulo em 1939, com o objetivo de calcular reajustes de salrios dos servi-
dores municipais. No incio, sua apurao era de responsabilidade da Diviso
de Estatstica e Documentao da Prefeitura. Em 1968, passou a ser calculado
pelo Instituto de Pesquisas Econmicas da USP e, em 1973, pela FIPE (ano em
que esta foi fundada).
Unidade 1
62
O ndice IPC-FIPE tem uma histria de credibilidade, conquistada ao longo
do perodo de infao elevada, que chegou aos 80% em junho de 1994, pois
era a nica instituio a fazer apuraes e divulgaes semanais de preos
para balizar as expectativas de infao diariamente projetadas pelo mercado.
Fez isso antes das demais instituies que se dedicavam a acompanhar a taxa
de infao.
Em pocas de infao alta, ndices como o IPC-FIPE recebem grande im-
portncia ao serem utilizados, livremente ou ofcialmente, como indexadores
dos mais variados tipos de contratos, com a fnalidade de corrigir as perdas
de poder de compra dos rendimentos de salrios, penses, aposentadorias,
aluguis, juros ou contratos de prestao de servios, de entregas futuras, da
cesta bsica, etc.
Podemos defnir o IPC-FIPE como o ndice que mede a variao do custo de vida das
famlias com renda de 1 a 20 salrios mnimos, do municpio de So Paulo. Quanto
metodologia, o clculo do IPC-Fipe manteve-se sem grandes alteraes desde o
incio dos anos 1970. Ele feito da seguinte forma: o perodo de coleta dirio, e
semanalmente ocorrem divulgaes prvias, chamadas variaes quadrissemanais,
que comparam os preos mdios das ltimas quatro semanas apurados com os das
quatro semanas imediatamente anteriores.
Para o clculo das variaes quadrissemanais, esse ndice leva em considera-
o a amostra total do IPC mensal de aproximadamente 110.000 tomadas de
preos, subdividida em quatro subamostras, cada uma delas pesquisadas em
um perodo de no mnimo 7 e no mximo 8 dias, que constituem a semana de
coleta. O sistema de clculo sempre abrange um perodo total de 8 semanas e
as variaes so obtidas fazendo-se a diviso dos preos mdios das 4 semanas
de referncia pelos preos mdios das 4 semanas anteriores (base).
Dessa forma, para se obter uma srie sequencial de ndices quadrissemanais,
consideram-se sempre 8 semanas, incluindo-se no clculo as informaes sobre
os preos coletados na ltima semana, eliminando automaticamente da ope-
rao os dados referentes semana mais antiga. So apresentadas, portanto, 3
prvias durante o ms, sendo a 4 quadrissemana o resultado defnitivo do ms.
1.13.3 NDICE DE CUSTO DE VIDA DO DIEESE (ICV-DIEESE)
O ICV-DIEESE um nmero ndice que tem como objetivo medir o movi-
mento dos preos de um conjunto de bens e servios que formam uma cesta
de consumo fxa, com itens e quantidades apurados atravs de uma pesquisa
Nmeros ndices
63
de oramento familiar (POF), nos seus segmentos fnais de comercializao,
entre um ms civil e o seu anterior.
Sua principal utilidade medir e apurar o poder de compra desses bens e
servios pelos trabalhadores (levando-se em considerao as diferentes faixas
salariais) e servir de base para negociaes de melhores salrios, ou ainda
para o clculo da infao. A populao objetivo composta por famlias com
renda entre 1 e 30 salrios mnimos. O ICV-DIEESE atualmente construdo
sobre a base da Pesquisa de Oramento Familiar 1994/95 para a cidade de
So Paulo, elaborada pelo Departamento Intersindical de Estatstica e Estudos
Socioeconmicos (DIEESE).
Desde 1983, sucederam-se planos de estabilizao econmica, viveu-se sob
a hiperinfao, sob recesso e, a partir de 1994, vive-se um plano de esta-
bilizao que vem tendo xito na reduo da infao e que tem servido de
instrumento para o aprofundamento da integrao da economia brasileira no
processo de globalizao fnanceira, ao mesmo tempo em que mantm a eco-
nomia interna condicionada a nveis insufcientes de crescimento econmico.
Nesse quadro, evidente que a populao, particularmente a que trabalha,
foi levada a alterar seu padro de vida, procurando se adaptar, do ponto de
vista social e econmico, s novas condies da sociedade, da economia e do
mercado de trabalho.
A Pesquisa de Oramentos Familiares 1994/95 a quarta das pesquisas voltadas
para esse mesmo tema, realizadas pelo DIEESE desde 1958, com o objetivo mais
imediato de defnir a estrutura do ICV, mas, ao mesmo tempo, de levantar dados
que permitam analisar as condies de sobrevivncia da populao em geral e,
em particular, dos trabalhadores. A evoluo da estrutura de consumo das fam-
lias de assalariados da cidade de So Paulo demonstrada no Quadro 11 a seguir.
Unidade 1
64
1958 1969/70 1982/83 1994/95
ALIMENTAO 45,00 39,00 28,13 27,44
NO DOMICLIO - 37,13 23,22 21,40
HORTIFRUTAS - 4,37 3,03 3,23
CARNES, PEIXES E OVOS - 9,28 6,57 5,55
LEITE E DERIVADOS - 4,21 3,40 3,25
CEREAIS, MASSAS, PES ETC. - 11,15 4,62 3,76
OUTROS NO DOMICLIO - 8,12 5,60 5,61
FORA DO DOMICLIO - 1,87 4,91 6,04
HABITAO 33,00 25,20 24,87 23,52
LOCAO, IMPOSTOS E TAXAS - 14,71 9,74 10,32
MANUTENO - 2,40 6,39 3,25
SERVIOS PBLICOS - 6,39 4,72 6,19
OUTROS - 1,70 4,02 3,76
TRANSPORTE 2,00 8,80 19,30 13,62
COLETIVO - 4,74 2,95 3,41
INDIVIDUAL - 4,06 16,35 10,21
SADE 4,00 3,60 4,95 8,18
ASSISTNCIA MDICA - 2,17 3,71 5,91
MEDICAMENTOS E PRODUTOS
FARMACUTICOS
- 1,43 1,24 2,20
APARELHOS - - - 0,07
VESTURIO 10,00 7,48 6,54 7,87
EDUCAO E LEITURA 1,00 3,50 4,80 6,91
EDUCAO - 3,10 4,45 6,33
LEITURA - 0,40 0,35 0,58
EQUIPAMENTOS DOMSTICOS 3,00 7,12 4,89 6,13
ELETRODOMSTICOS - 3,21 2,42 3,47
MVEIS - 2,55 1,32 1,42
OUTROS - 1,36 1,15 1,24
DESPESAS PESSOAIS 1,50 5,18 4,72 3,96
RECREAO 0,50 0,12 1,63 2,08
DESPESAS DIVERSAS - - 0,17 0,29
TOTAL 100,00 100,00 100,00 100,00
Quadro 11 Estrutura de oramento domstico Municpio de So Paulo,
1958, 1969/70, 1982/83 e 1994/95, em termos percentuais (%)
Nmeros ndices
O Quadro 11 tem como
fonte DIEESE-POFs 1958,
1969/70, 1982/83 e 1994/95.
As estruturas das pesquisas
de 1969/70 e 1982/83 foram
ajustadas de de1994/95.
65
No levantamento da POF 1994/95 ampliou-se o conceito para a famlia assa-
lariada, discriminando as famlias por estratos, em funo dos rendimentos
dos assalariados, de forma a captar o impacto do custo de vida para toda a
populao residente em So Paulo. Nesse contexto, trs estratos de estrutura
de gastos familiares foram defnidos, tal que:
a) o estrato 1 encontra-se associado a famlias com chefes assalariados com
salrios mdios de aproximadamente at trs salrios mnimos;
b) o estrato 2 refere-se a famlias com chefes assalariados com salrios m-
dios de aproximadamente dez salrios mnimos; e
c) o estrato 3 refere-se a famlias com chefes assalariados com salrios m-
dios de aproximadamente vinte salrios mnimos.
A estrutura de gastos para as famlias que integram estes estratos encontra-se
demonstrada no Quadro 12, abaixo.
ITENS DE CONSUMO TOTAL ESTRATO 1 ESTRATO 2 ESTRATO 3
TOTAL GERAL 100,00 100,00 100,00 100,00
ALIMENTAO 27,44 35,71 31,19 23,80
HABITAO 23,52 25,50 23,75 22,95
TRANSPORTE 13,62 7,74 12,29 15,62
SADE 8,18 6,55 6,73 9,22
VESTURIO 7,87 8,78 8,39 7,43
EDUCAO E LEITURA 6,91 3,25 4,14 9,02
EQUIPAMENTOS DOMSTICOS 6,13 5,56 7,18 5,80
DESPESAS PESSOAIS 3,96 5,38 4,37 3,44
RECREAO 2,08 1,23 1,74 2,44
DESPESAS DIVERSAS 0,28 0,30 0,23 0,29
Quadro 12 Gasto mensal mdio por domiclio Municpio de So Paulo
dezembro de 1994 a novembro de 1995 - ( em %)
O ICV-DIEESE integrado por cerca de 1.000 participantes, incluindo seis gran-
des centrais sindicais: Fora Sindical, Confederao Geral dos Trabalhadores
do Brasil (CGTB), Coordenao Nacional de Lutas (Conlutas), Nova Central
Sindical dos Trabalhadores (NCST), Central nica dos Trabalhadores (CUT)
e Unio Geral dos Trabalhadores (UGT). A Metodologia utiliza a frmula de
Laspeyres, supondo que no h substituio de bens. As quantidades apura-
Unidade 1
O Quadro 12 tem como
fonte DIEESE - POF 1994/95.
Observao: a preos de
junho/96; defator INPC/
SP IBGE.
66
das, quando da realizao da ltima POF, 1994/95, so mantidas constantes. A
cesta de consumo fxa obtida na POF mantm-se, portanto, inalterada, at que
uma nova pesquisa domiciliar seja realizada.
Supe-se rigidez nos hbitos de consumo. A atual composio dos grupos de
despesas para o clculo do ndice, de forma global, est dada na coluna Total
do Quadro 12 acima.
Links
Para obter maiores informaes a respeito desse ndice, consulte:
www.dieese.org.br (clique no link metodologias e, em seguida, em ICV).
1.13.4 NDICE GERAL DE PREOS DE MERCADO (IGP-M) DA
FUNDAO GETLIO VARGAS (FGV)
O IGP-M o ndice Geral de Preos do Mercado, calculado pela Fundao
Getlio Vargas. A coleta de preos feita entre os dias 21 do ms anterior e 20 do
ms corrente, com divulgao no dia 30. composto por trs ndices: ndice de
Preos no Atacado (IPA-M), ndice de Preos ao Consumidor (IPC-M) e ndice
Nacional do Custo da Construo (INCC), que representam 60%, 30% e 10%,
respectivamente, do IGP-M. Portanto, defniremos estes ndices, como segue:
O IPA calculado pela FGV com base na variao dos preos no merca-
do atacadista na economia interna do pas, envolvendo produtos produ-
zidos internamente e importados, com abrangncia nacional;
O ndice de Preos ao Consumidor, calculado pela FGV, mede, a partir
de 1989, a infao para famlias, com abrangncia nacional. Os preos
pesquisados pertencem a uma cesta de consumo de famlias com renda
de at trinta e trs salrios mnimos, sendo a cesta composta por 432
produtos, com denominaes de IPC-BR e IPC-M. O primeiro com-
pe o ndice Geral de Preo Disponibilidade Interna (IGP-DI), e o
segundo compe o IGP-M, com participao de 30%. Em 1994 houve
uma nova reestruturao na estrutura do ndice, sendo ento, a cesta
composta por 381 produtos.
O INCC, calculado pela FGV, mede a variao de preos de uma cesta
de produtos e servios atualizados pelo setor de construo civil. Este
Nmeros ndices
67
ndice calculado para trs tipos de construes diferentes, com abran-
gncia nacional.
Portanto, conforme acima descrito, podemos defnir o IGP-M como o ndice que
mede a variao de preos no mercado de atacado, de consumo e construo civil,
pois formado pela soma ponderada de outros trs ndices.
O ndice elaborado pela Fundao Getlio Vargas, com a mesma abran-
gncia geogrfca do IPA-M e INCC-M, que so pesquisados nas principais
capitais do pas, e do IPC-M, que abrange os municpios do Rio de Janeiro
e So Paulo. A apurao do ndice efetuada em trs etapas: 1 decndio, 2
decndio e 3 decndio. O 1 decndio compara os preos dos primeiros 10
dias do perodo e os preos dos 30 dias do perodo anterior. O 2 decndio
compara os preos dos primeiros 20 dias do perodo e os 30 dias do perodo
anterior. J o 3 decndio compara os preos dos 30 dias do perodo e os 30
dias do perodo anterior. Portanto, os dois primeiros decnios so considera-
dos resultados parciais, e o 3 o resultado defnitivo do ndice do ms.
O IGP-M considera todos os produtos disponveis no mercado, inclusive o
que importado, diferentemente do ndice Geral de Preo Disponibilidade
Interna (IGP-DI), que considera somente os produtos produzidos e comer-
cializados no mercado. Ele tambm difere do IGP-DI pelo perodo de coleta.
Esse ndice foi criado com o objetivo de ser um indicador confvel para as
operaes fnanceiras, especialmente para as de longo prazo, sendo utilizado
para correes de Notas do Tesouro Nacional (NTN) dos tipos B e C e para os
Certifcados de Depsito Bancrio (CDB) ps-fxados com prazos acima de
um ano. Posteriormente, passou a ser o ndice utilizado para a correo de con-
tratos de aluguel e como indexador de algumas tarifas como energia eltrica.
1.13.5 NDICE GERAL DE PREOS - DISPONIBILIDADE INTERNA (IGP-DI)
DA FUNDAO GETLIO VARGAS (FGV)
O IGP-DI, ndice Geral de Preos Disponibilidade Interna, realizado pela
Fundao Getlio Vargas, com abrangncia geogrfca do IPA-M e INCC-M e
IPC-BR que so pesquisados nas principais capitais do pas, todos com abran-
gncia nacional.
Esse ndice foi institudo em 1944, com a fnalidade de medir o comportamen-
to de preos, em geral, da economia brasileira. Trata-se da mdia ponderada
de seus trs ndices: IPA-DI, IPC-BR e INCC,
Unidade 1
O IPA-DI e o
IPC-BR no
consideram em
suas estimati-
vas produtos
importados e
comercializados
no pas.
68
com pesos de 60%, 30% e 10%, respectivamente. Difere do IGP-M especial-
mente pela periodicidade de coleta que, nesse caso, coincide com o ms ca-
lendrio. Alm disso, os ndices que o compem so estimados somente para
produtos produzidos e comercializados no pas.
A metodologia DI (ou Disponibilidade Interna) a considerao das varia-
es de preos que afetam diretamente as atividades econmicas localizadas
no territrio brasileiro. No se considera a variao de preos dos produtos
exportados, que considerada somente no caso de variao no aspecto de
Oferta Global.
O IGP-DI mede a variao dos preos conforme acima descrito no perodo do
primeiro ao ltimo dia de cada ms de referncia. Portanto, este ndice mede
a variao de preos de um determinado ms por completo. O IGP-DI/FGV
calculado mensalmente pela FGV.
Palavra do Professor
Agora que voc terminou a Unidade, no esquea de assistir Videoaula 1. Ah!
Lembre-se tambm de resolver as Atividades complementares que esto no AVEA;
afnal, elas faro parte da sua avaliao. No se esquea de que voc o principal
responsvel pela construo do seu conhecimento; ento, pesquise sempre que for
necessrio, busque informaes complementares nos livros e sites citados nas re-
ferncias que esto no fnal do livro, interaja com os seus colegas e procure o tutor
sempre que estiver com dvidas. Bom trabalho!
Atividade de Aprendizagem 1
1) Considere as estimativas dos ndices de quantidades fxo e mvel do Exemplo 3
do material complementar e verifque se a defnio de nmero ndice simples
de quantidade satisfaz as propriedades de Fisher de nmero ndice.
2) Os ndices abaixo foram determinados tomando-se como base o ano imediata-
mente anterior:
Anos 2005 2006 2007 2008
ndice 104 103 103,8 107,2
Com base em 2004, qual ser o ndice de 2008?
Nmeros ndices
69
3) Considere o quadro abaixo e complete os valores nas clulas vazias.
Quadro Mudana de base de 1998 a 2008
ANO NDICE PREO (1998=100)
NDICE NOVO
(2003=100)
1998 100,0
1999 104,0
2000 108,0
2001 113.2
2002 117,4
2003 119,4 100,0
2004 106,0
2005 109,6
2006 111,4
2007 116,2
2008 122,3
4) O ndice constante do quadro abaixo foi calculado com base mvel.
ANOS 2003 2004 2005 2006
ndice 105 103 106 104
A partir dos dados acima, calcule:
a) a) O ndice de 2006 com base em 2004.
b) b) O ndice de 2005 com base em 2006.
c) c) O ndice de 2006 com base em 2002.
d) d) O ndice de 2002 com base em 2004.
5) Selecione no site www.ipea.gov.br (clique, consecutivamente, nos links: ipeada-
ta, macroeconmico, temas, preos) trs sries de dados de ndices de preos
mensais (IGP-DI, INPC e IPC-FIPE), de Jan/2006 a Dez/2008. Utilize as planilhas do
EXCELL para realizar as seguintes operaes:
a) determine os correspondentes nmeros ndices de base fxa e justifque a esco-
lha do perodo da base;
Unidade 1
70
b) estabelea uma anlise comparativa de evoluo de preos descrita pelos nme-
ros ndices estimados e comente o porqu da diferena entre eles;
c) a partir dos nmeros ndices de base fxa, determine os nmeros ndices de base
mvel.
6) Os dados apresentados no quadro abaixo so referentes aos preos mdios dos
meses de abril e maio de 2006, de 10 produtos de alimentao. Portanto:
a) calcule os nmeros ndices simples agregado de preos de Badstreet-Dutot, m-
dia harmnica, mdia geomtrica e mdia aritmtica (Sauerbeck);
b) em seguida, comente os resultados especifcando as vantagens e desvantagens
de cada um desses ndices e especifque quais so os critrios que permitem
estabelecer a escolha de cada um.
PRODUTOS ABRIL /2006 (R$) MAIO /2006 (R$)
Coxo mole (kg) 8,80 8,70
Arroz (kg) 1,08 1,35
Feijo (kg) 2,78 3,10
leo de soja (900ml) 2,43 2,85
Leite em p (454 g) 5,38 5,95
Margarina (250g) 1,80 1,92
Bolacha gua e sal (200g) 1,57 1,62
Macarro com ovos (500g) 2,10 2,38
Farinha de trigo (kg) 1,60 1,63
Farinha de mandioca (500g) 1,97 2,00
7) Vamos supor que dispomos de informaes sobre os preos e as quantidades de
cinco produtos de alimentao, conforme apresentado no quadro abaixo.
T
ARROZ FEIJO PO LEITE OVOS
Q(KG) P (R$) Q(KG) P (R$) Q(KG)
P
(GRAMAS)
Q(L) P (R$) Q(DZ) P (R$)
2000 9 2,36 5 2,75 14,0 1,75 30 1,05 8 2,48
2001 8,5 2,45 5 3,05 13,5 1,90 30 1,05 8 2,58
2002 7,5 2,70 4,5 3,20 13,5 2,00 29 1,20 7,5 2,68
2003 7,5 2,80 4,5 3,45 12,5 2,30 29 1,25 7,5 2,75
2004 7,0 2,85 4,0 3,53 12,0 2,50 28 1,40 7 2,80
2005 7,0 3,00 3,5 3,60 12,0 2,80 27 1,55 7 3,10
Nmeros ndices
71
Obtenha a srie de ndices de preos utilizando as seguintes frmulas:
a) de Laspeyres;
b) de Paasche;
c) de Divisia;
d) de Fisher;
e) de Drobish;
f ) de Marshal-Edworth.
g) Verifque se estes nmeros satisfazem as propriedades de inverso e circular e
decomposio das causas;
h) Comente as vantagens e desvantagens de cada um desses nmeros ndices.
8) Considere os dados apresentados no quadro abaixo, que representam evolues
de preo e quantidade para uma cesta de quatro produtos, no perodo de 2004
a 2007, e determine os seguintes nmeros ndices de base mvel e base fxa:
a) o ndice de preo de Laspeyres de base mvel;
b) o ndice de preo Theil;
c) o ndice de preo de Bureau;
d) os ndices de preo e quantidade de Paasche de Base Mvel;
e) ondice de Preo e quantidade de Paasche (2004 = 100).
f ) A partir dos resultados de (d), obtenha o ndice com base fxa, comparando-o
com o resultado do item (e) e comente: por que no so iguais?
g) Compare os resultados dos itens (a) a (d) e comente: por que no so iguais?
Quando se deve utilizar uma ou outra entre essas formulaes? Os ndices satis-
fazem as propriedades circulares e de inverso? Eles satisfazem as propriedades
de decomposio dos fatores?
ANOS 2004 2005 2006 2007
Produtos P Q P Q P Q P Q
A 3 5 4 6 5 8 10 8
B 2 3 2 5 3 6 4 10
C 4 6 5 8 6 12 8 15
D 1 5 1 5 2 6 2 12
Unidade 1
72
9) O quadro abaixo fornece dados relativos evoluo do PIB de uma economia
hipottica e o defator implcito da renda, no perodo de 1997 a 2006. Portanto:
a) (a) calcule o PIB real no perodo de 1997 a 2006, a preos de 2006;
b) (b) calcule a taxa real de variao anual do PIB (%), no perodo de 1997 a 2006; e
c) (c) calcule a taxa mdia real anual de variao do PIB no perodo 1997 a 2006.
ANO
PIB R$ MILHES
CORRENTES
DEFLATOR IMPLCITO
(VARIAO ANUAL %)
1997 208.301,00 5,8
1998 276.807,00 7,3
1999 363.167,00 6,4
2000 498.307,00 ]5,5
2001 719.519,00 5,5
2002 1.009.380,00 4,7
2003 1.560.271,00 6,9
2004 2.321.925,00 4,2
2005 3.410.019,00 3,5
2006 5.511.654,00 4,2
10) Renata aplicou, ao fnal de dezembro de 2002, a quantia de R$ 200.000,00 em
trs modalidades de papis, recebendo, ao fnal de 2005, as importncias discri-
minadas no quadro abaixo.
TTULO
VALOR DE AQUISIO
(EM R$)
VALOR DE RESGATE
(EM R$)
1 40.000,00 45.120,00
2 50.000,00 57.800,00
3 110.000,00 122.570,00
Os ndices normalmente empregados para medir a perda de poder aquisitivo da
moeda encontram-se no quadro seguinte.
Nmeros ndices
73
ANO

N
D
I
C
E
NDICE GERAL DE PREOS DE
MERCADO (IGP-M)
2000 2,48
2001 2,97
2002 3,43
2003 3,97
2004 534
2005 6,90
Portanto:
a) calcule a taxa real de juros (r) de cada aplicao; e
b) calcule a taxa real mdia de juros para aplicao nos trs ttulos.
Unidade 1
Anotaes
importante
d m a
2
77
ECONOMETRIA E ANLISE DE REGRESSO
Nesta Unidade voc dever:
entender qual a concepo metodolgica que estabelece a estrutura de
um modelo economtrico;
saber especifcar um modelo e a necessidade de estabelecer testes de hi-
ptese, a fm de levantar a confabilidade do modelo e da teoria testada;
saber quais so os pr-requisitos matemticos e estatsticos para o apren-
dizado de modelos economtricos;
identifcar a importncia do computador e de sofwares aplicados a estes
fns para executar modelos economtricos aplicados a situaes reais;
entender que a principal ideia subjacente anlise de regresso a de-
pendncia estatstica de uma varivel, denominada de dependente, de
uma ou mais variveis explanatrias;
entender como estimar ou prever um valor mdio da varivel dependente
com base nos valores conhecidos ou fxados das variveis explanatrias;
entender que o sucesso da anlise de regresso depende da disponibili-
dade adequada de dados;
entender que o conceito-chave subjacente anlise de regresso o da fun-
o de valor esperado condicional ou funo de regresso populacional;
entender que um modelo de regresso estima parmetros mdios e, con-
sequentemente, estima a varivel independente, em seu valor mdio;
entender as diferenas entre funes de regresses populacionais e
amostrais;
entender o que so funes de regresso lineares. Ou seja, regresses
lineares nos parmetros e regresses no lineares nas variveis;
entender por que utilizamos, na prtica, funes de regresses amostrais
e no populacionais e quais so as difculdades surgidas neste contexto.



Unidade 2
78
Palavra do Professor
Ol caro aluno! Pronto para iniciar o estudo da Unidade 2? Antes de iniciarmos,
necessrio que voc imprima o material complementar que est no AVEA. Tenha-o
sempre em mos, pois seno ser muito difcil acompanhar o desenvolvimento dos
contedos do livro! Agora, mos obra!
2.1 INTRODUO: MTODO CIENTFICO
Dados numricos so, de fato, uma parte da Estatstica, mas so apenas a ma-
tria-prima, que precisa ser transformada pelos mtodos estatsticos para
posterior anlise. A Estatstica, como mtodo cientfco, refere-se ao projeto
de experimentos e descrio e interpretao de observaes que so feitas.
A pesquisa cientfca um processo de aprendizagem dirigida. O objetivo dos m-
todos estatsticos tornar este processo o mais efciente possvel. As caractersticas
mais importantes da estatstica so o uso de mtodos cientfcos e a construo de
modelos de deciso.
O mtodo cientfco consiste em observar, medir, registrar e refnar os dados.
Ou seja, trata-se de construir um modelo que descreva, explique e prediga o
comportamento do sistema sob estudo, o que permite testar e melhorar mo-
delos como meta de aumentar a efcincia multigerencial.
Dois importantes aspectos da cincia ilustram o mtodo cientfco:
Ele compe um corpo de conhecimentos sistemticos, formado de con-
ceitos, leis, princpios e teorias usados na explicao de um conjunto
de fenmenos. O corpo de conhecimento matemtico acumulado por
meio de pesquisas dedutivas e indutivas, com o objetivo de explicar
fenmenos.
Ele envolve um processo de pesquisa ou um procedimento para respon-
der a questes, resolver problemas e esquematizar melhor o procedi-
mento.
Assim, pode-se dizer que um problema de deciso pode ser formulado e resol-
vido de diferentes modos, mas sempre atravs da aplicao da lgica simples
para construir modelos matemticos elaborados. Normalmente, o ponto de
Economia e Anlise de Regresso
79
vista quantitativo discutido atravs de duas aproximaes:
a Pesquisa indutiva, que tem como base a observao, a defnio do
problema, a formulao de hipteses, o teste de hipteses, a implemen-
tao e o controle; e
a Pesquisa dedutiva, na qual um modelo geral, previamente defnido
por relaes empricas ou por frmulas matemticas, usado para re-
solver um problema especfco.
2.1.1 PESQUISA INDUTIVA
A Pesquisa Indutiva baseada, fundamentalmente, em evidncias empricas.
Ela envolve a coleta de dados em situaes especfcas, que devem ser testados
em situaes diferentes, mas com certo grau de similaridade, com o intuito de
generalizar as hipteses formuladas. A direo de inferncia (anlise) deve ser
do especfco para o geral, conforme ilustrado na Figura 1.
Analisar ou
rejeita a
hiptese?
Formular uma
hiptese alternativa
Implementar e
controlar
Observao e definio
do problema
Formular uma hiptese
Testar as hipteses
Analisar os resultados
dos testes
Figura 1 Aproximao indutiva
Como j foi enfatizado, a pesquisa indutiva requer que a anlise seja baseada,
de forma mais intensa possvel, na utilizao do esforo sistemtico de ob-
Unidade 2
80
servao, na defnio concisa do problema, na formulao de hipteses, nos
testes das hipteses e na implementao dos resultados obtidos.
2.1.2 PESQUISA DEDUTIVA
A pesquisa dedutiva, por outro lado, tem como meta obter concluses que
dependem de tcnicas matemticas, ao invs de evidncias empricas. Seus
dados so fatos ou fenmenos para os quais existe uma teoria previamente
comprovada e demonstrada.
Por exemplo, o clculo do ponto mximo ou do ponto mnimo de uma curva
(como o da funo y x = + 2 3
2
) obtido determinando-se a primeira deriva-
da da funo e igualando-a a zero. Assim, se aceita a verdade do procedimento
geral para determinar o mximo ou o mnimo de uma curva (mximo retorno
ou mnimo risco). Nenhuma medida de parmetro necessria; a validade
da concluso depende da validade do procedimento matemtico empregado.
Na pesquisa dedutiva, parte-se de uma teoria geral para resolver um problema
especifco. So utilizados axiomas, postulados ou leis determinadas cientifca-
mente e teoremas, a fm de defnir alguma proposio ou teorias gerais.
As aproximaes indutivas e dedutivas relacionam-se uma com a outra e
podem ser usadas separadamente, sequencialmente ou atravs de uma com-
binao bsica entre elas, conforme podemos ver na Figura 2 abaixo.
Aproximao
Dedutiva
Aproximao
Indutiva
NECESSIDADE DE
ANLISE DO PROBLEMA
CORPO DE
CONHECIMENTO
Proposies
sugeridas
Testar hipteses
ou modelos
Arquitetar hipteses
ou modelos
Axiomas,
Postulados e Leis
Teoria
Definir o problema
Teoremas
Figura 2 Processo de acumulao de conhecimento sistemtico
Economia e Anlise de Regresso
81
2.2 O QUE ECONOMETRIA?
Econometria signifca medida econmica. Embora a medida econmica, por
si s, seja tambm uma parte importante da econometria, a fnalidade desta
mais abrangente. Assim, ela trata:
da aplicao da estatstica matemtica aos dados, para dar suporte emp-
rico aos modelos econmicos;
da anlise quantitativa de fenmenos econmicos concretos, baseada no
desenvolvimento simultneo da teoria e da observao, e do uso de m-
todos de inferncia adequados;
da determinao emprica das leis econmicas; e
do levantamento de hipteses econmicas apropriadas ao problema, e
estabelecimento das suas comprovaes.
Observao: O mtodo de pesquisa economtrica visa, essencialmente, analisar a
teoria econmica com medidas concretas, por meio da metodologia cientfca.
2.3 METODOLOGIA DA ECONOMETRIA
Em linhas gerais, a metodologia economtrica tradicional se utiliza da meto-
dologia cientfca e estruturada por uma combinao de procedimentos de
anlise indutivos e dedutivos, por meio dos seguintes passos:
1. formulao de teoria ou hiptese;
2. observao do problema, que caracteriza o levantamento dos
dados, por meio de pesquisa de campo ou atravs de fontes
secundrias de informao;
3. especifcao do modelo matemtico da teoria, utilizando uma
relao funcional conhecida e, supostamente, considerada
apropriada para o estudo do problema;
4. especifcao do modelo economtrico da teoria, que se d
transformando um modelo funcional determinstico numa re-
lao, contendo uma componente de tendncia que satisfaa a
relao funcional, sobreposta por uma perturbao estocstica;
Unidade 2
82
5. estimativa dos parmetros do modelo economtrico;
6. teste de hiptese;
7. previso ou predio; e
8. utilizao do modelo para fns de controle ou poltica.
2.3.1 FORMULAO DA TEORIA OU DA HIPTESE
Com a fnalidade de evidenciar os passos metodolgicos de (1) a (8) que
acabamos de ver, para a estruturao de um problema economtrico clssico,
importaremos um exemplo do texto de Gujarati (2006), que parte da seguinte
declarao de Keynes:
A lei psicolgica fundamental [...] que os homens (mulheres) como regra e na m-
dia, se dispem a aumentar seu consumo quando sua renda aumenta, mas no tan-
to quanto o aumento em sua renda.
Logicamente, se a nossa inteno estudar um problema relacionando ren-
da e consumo, ento a formulao de teoria ou hiptese defnida luz da
concepo Keynesiana que, em suma, estabelece que a propenso marginal a
consumir (PMqC), ou a taxa de variao do consumo, maior que zero, mas
menor que 1.
2.3.2 OBSERVAO DO PROBLEMA LEVANTADO PARA A PESQUISA
Normalmente, levanta-se um conjunto de observaes dos valores que uma
varivel assume, atravs de pesquisas diretas, por um processo de amostragem
na populao foco, ou, de forma secundria, por meio de coleta em fontes
especifcas de informao. Esses dados podem caracterizar evolues de com-
portamento em diferentes momentos, em diferentes situaes ou em diferen-
tes locais. Tais dados podem ser coletados, por exemplo:
a) em intervalos de tempo regulares para sries temporais, como diaria-
mente (preos de aes), semanalmente (suprimento monetrio forne-
cido pelo Banco Central), mensalmente (taxa de infao, taxa de de-
semprego, etc.) ou anualmente (PIB);
b) considerando espcies diferentes (como segmentos femininos ou pes-
soas de cor negra) com o intuito de caracterizar um comportamento
atpico para estes grupos; ou
Economia e Anlise de Regresso
83
c) em diversos locais, com o objetivo de caracterizar aspectos econmicos
ou sociais diferentes.
De posse da base de dados a ser utilizada na anlise economtrica, pode-se
estruturar o modelo de regresso apropriado, que atenda aos requisitos
pretendidos.
Utilizaremos, como exemplo dos passos de elaborao de um modelo econo-
mtrico, os dados de consumo agregado das famlias brasileiras e o PIB como
proxy de renda agregada da economia brasileira.
Estes dados esto ilustrados no Quadro 13, para o perodo de 1990 a 2008. Estes
resultados tambm esto ilustrados grafcamente, por meio de espalhamento
de pontos, na Figura 3, o que permite estabelecer uma relao funcional para
a tendncia sistemtica dos dados.
ANO
CONSUMO
(EM MILHES DE R$)
PIB
(EM MILHES DE R$)
1990 9,08 11,55
1991 47,91 60,29
1992 503,68 640,96
1993 10960,00 14097,11
1994 270644,26 349204,68
1995 589145,34 705640,89
1996 715338,77 843965,63
1997 796147,11 939146,62
1998 832102,19 979275,75
1999 905549,87 1064999,71
2000 985026,00 1179482,00
2001 1084511,00 1302136,00
2002 1216102,00 1477822,00
2003 1382355,00 1699948,00
2004 1533895,00 1941498,00
2005 1721783,00 2147239,00
2006 1903679,00 2369797,00
2007 2096902,88 2597611,42
2008 2337822,61 2889718,58
Quadro 13 Consumo agregado e PIB, em milhes de reais,
para a economia brasileira, para o perodo de 1990-2008
Fonte: www.ipea.gov.br | ipeadata
s vezes, informaes sobre
nossa varivel explicativa
no esto disponveis por
falta de estatsticas. Para
solucionar problemas como
este, pode ser utilizada
uma varivel proxy, que
uma varivel que substitui
aproximadamente a que
estamos procurando. Por
exemplo, podemos medir
a renda per capita de uma
dada cidade (informao no
disponvel) pela arrecadao
de impostos (imposto de renda
ou imposto sobre produtos
industrializados) ou ainda pelo
consumo de energia eltrica.
Informao disponvel em:
http://www.capitao.pro.br/
apostilas/estatistica/E4%20
-%20AN%C1LISE%20DE%20
REGRESS%C3O%20SIMPLES.
pdf .
Unidade 2
84
2.70E+06
2.40E+06
2.10E+06
1.80E+06
1.50E+06
1.20E+06
9.00E+05
6.00E+05
3.00E+05
-3.00E+05
-500000 500000
0 1000000 2000000 3000000
1500000 2500000
0.00E-01
C
O
N
S
U
M
O
PIB
Figura 3 Evoluo da relao entre consumo agregado das famlias brasileiras e PIB,
em milhes de R$, para o perodo de 1990-2008
2.3.3 ESPECIFICAO DO MODELO MATEMTICO DO CONSUMO
Palavra do Professor
Embora Keynes tenha postulado uma relao positiva entre consumo e renda, ele no
especifcou a forma precisa da relao funcional entre os dois. Como fazemos, ento?
Neste caso, a especifcao de um modelo matemtico entre consumo e renda
deve ser estabelecida de acordo com o bom senso. Assim, no sentido lgico
dos princpios econmicos, a direo de causalidade tal que a renda causa
consumo e no o inverso, como sugere a relao funcional abaixo (ou seja, Y
est relacionado com X, por meio da funo f):
Economia e Anlise de Regresso
85
Y=f(X) (59)
onde: Y = despesa de consumo
X = renda
A forma da funo f (equao (59)) depender das caractersticas da relao entre
consumo e renda, o que constitui um caso particular para cada conjunto de
dados, dependendo dos hbitos de consumo da populao foco, infuenciada
pelos seus fatores socioeconmicos.
Portanto, observando a Figura 3, que estabelece a evoluo do consumo agrega-
do em funo do PIB, constata-se a presena de uma componente sistemtica,
praticamente linear, com pequenos desvios. Nesse caso, o modelo apropriado
uma funo linear, como a equao (60) abaixo.

Y X como = + < <
1 2 2
0 1 ,
(60)
onde 1 e 2 so conhecidos como parmetros do modelo e so, respectiva-
mente, o intercepto e a declividade.
A equao (59) estabelece uma relao linear entre renda e consumo, que
representa o modelo matemtico denominado de Funo Consumo. Como
o modelo apresenta uma nica equao, ele denominado de modelo de
Equao nica, ao passo que, se tivesse mais do que uma equao, seria um
modelo de Equaes Mltiplas.
Na equao (59), a varivel que aparece esquerda do sinal de igualdade
chama-se varivel dependente e a varivel (ou variveis) direita chama(m)
-se varivel (eis) independente(s) ou explicativa(s).
No modelo da equao (60), o coefciente de declividade 2 mede a PMgC
(propenso marginal a consumir) e o coefciente 1 mede o consumo autno-
mo. Econometricamente, a equao (60) mostrada na Figura 4.
Unidade 2
86

1
= PMgC
1
Y
X
C
o
n
s
u
m
o

A
g
r
e
g
a
d
o
(
e
m

m
i
l
h

e
s

d
e

R
$
)
Renda
(em milhes de R$)
Figura 4 Funo Consumo Keynesiana, tendo uma componente sistemtica linear
2.3.4 ESPECIFICAO DO MODELO ECONOMTRICO DE CONSUMO
Um modelo, como aquele dado pela equao (60), tem interesse restrito para
o econometricista, uma vez que supe uma relao exata ou determinstica
entre consumo e renda. Mas, em geral, as relaes entre as variveis econmi-
cas so insensatas ou aleatrias, apresentando desvios da componente siste-
mtica, caracterizados por erros de estimativas ou fatores desconhecidos que
interferem no consumo das famlias.
Assim, se considerarmos uma amostra de 500 famlias, e quisermos obter uma
relao entre despesa de consumo e renda, no poderemos esperar que as
500 observaes se situem exatamente sobre a reta de ajuste da equao (60).
Isto porque, alm da renda, outras variveis (tamanho da famlia, idade de
seus membros, religio, etc.) afetam o consumo. Assim, para admitir relaes
insensatas entre as variveis econmicas, a funo consumo determinstica,
dada pela equao (60), modifcada para a seguinte forma:

y X
t t t
= + +
1 2
(61)
onde t termo de perturbao ou erro, sendo uma varivel aleatria (es-
tocstica), que possui distribuio probabilstica bem defnida. O termo de
perturbao t pode representar bem todos os fatores que afetam o consumo,
Economia e Anlise de Regresso
87
mas que no so considerados explicitamente no modelo.
O modelo economtrico da funo consumo, dado pela equao (61), pode ser
representado pela Figura 5 que voc ver a seguir. Esta equao um exemplo
de modelo economtrico, mas, tecnicamente, um exemplo de modelo de
regresso linear. A funo consumo economtrica dada por esta equao as-
sume que a varivel dependente Y (consumo) relaciona-se linearmente com
a varivel explicativa X (renda), mas que a relao entre as duas no exata,
estando sujeita a variaes individuais, conforme podemos ver na Figura 5.



















Y
X
C
o
n
s
u
m
o

A
g
r
e
g
a
d
o
(
e
m

m
i
l
h

e
s

d
e

R
$
)
Renda
(em milhes de R$)

i
Figura 5 Modelo economtrico da funo consumo Keynesiana,
com tendncia sistemtica linear e com erros estocsticos
caracterizando os nveis de disperses assistemticos
2.3.5 ESTIMATIVA DOS PARMETROS DO MODELO ECONOMTRICO
Para a estimativa do modelo economtrico (modelo de regresso), para os
dados de consumo agregado e PIB (proxy da renda agregada das famlias bra-
sileiras) apresentados no Quadro 13, utilizaremos a funo de regresso dada
pela equao (61). Logicamente, esta relao se adapta perfeitamente para des-
crever a evoluo sistemtica dos dados do Quadro 13, conforme foi possvel
perceber na Figura 3. Devemos lembrar que, caso os dados (consumo e renda)
se relacionassem descrevendo o comportamento de uma funo exponencial
Unidade 2
88
ou logartmica, o modelo economtrico a ser proposto deveria seguir estas
relaes funcionais.
A estimativa realizada a partir da tcnica estatstica de anlise de regresso,
que a principal ferramenta para obter modelos de previso. Portanto, consi-
derando que na equao (61) Y o consumo agregado das famlias brasileiras
e X o PIB (uma medida da renda agregada), e utilizando o sofware Gretl 1.8,
obteremos os resultados apresentados no Quadro 14 abaixo.

COEFICIENTE
ERRO
PADRO
RAZO-T P-VALOR
CONST 16010 7485,68 2,1387 0,04727 **
X 0,8034 0,00441877 181,8151 <0,00001 ***
Mdia var. dependente 967501,3 D.P. var. dependente 731564,1
Soma resd. quadrados 8,42e+09 E.P. da regresso 22258,39
R-quadrado 0,999126 R-quadrado ajustado 0,999074
F(1, 17) 33056,71 P-valor(F) 2,11e-29
Log da verossimilhana -216,1022 Critrio de Akaike 436,2044
Critrio de Schwarz 438,0933 Critrio Hannan-Quinn 436,5241
Quadro 14 Estimativas pelos Mnimos Quadrados (MQO) usando as 19 observaes 1-19,
Varivel dependente: Y e Varivel independente X
(Heteroscedasticidade-robusta erros padro, variante HC1)
Logicamente, o modelo de regresso apresentado no Quadro 14 apresenta os
resultados das estimativas para os coefcientes: parmetros (coefciente const,
conforme especifcado neste quadro) e (coefciente de X). O modelo traz ain-
da um conjunto amplo de informaes que possibilitam analisar a confabili-
dade do modelo. Entretanto, essa anlise no ser feita no momento, servindo
os resultados apresentados no Quadro 14 somente para efeito ilustrativo, pois,
no detemos ainda os conhecimentos para tal anlise.
A funo consumo estimada no modelo :
, , Y X e
t t t
= + + 16010
^
00 0 8034
(62)
onde
^
Y
o valor do consumo agregado estimado.
O coefciente de declividade

2
= 0,8034 caracteriza a propenso marginal
a consumir, PMgC (isto ,
2
= PMgC 0,8034, sugere que um aumento de
R$ 1,00 na renda nacional Brasileira provocar, em mdia, um aumento de
R$ 0,80 na despesa real de consumo). O coefciente 1, por sua vez, mede o
Trata-se de um pacote de
softwares, com plataforma
para anlise economtrica,
escrita na linguagem de
programao de C. livre;
um software de fonte aberta.
Voc pode redistribuir este
pacote e/ou modifc-lo sob
a condio do GNU, General
Public Licence (GPL) como
publicado pela Fundao de
Software Grtis.
Mnimos Quadrados
Ordinrios (MQO), em ingls
Ordinary Least Squares (OLS).
Observao: Teste da
normalidade dos resduos
Hiptese nula: o erro tem dis-
tribuio Normal; Estatstica
de teste: Qui-quadrado(2)
= 0,665278, com p-valor =
0,717029
Economia e Anlise de Regresso
89
consumo autnomo. Consequentemente, observamos que o consumo aut-
nomo agregado da populao brasileira da ordem de R$ 16.010,00 milhes,
conforme o valor estimado de
1
= 16010,00, a preo de 1990.
A Figura 6 apresenta a evoluo da curva de regresso, dada pela equao (62),
comparativamente com os valores efetivos da relao consumo e renda, forne-
cidos no Quadro 13. Podemos ver, na fgura abaixo, que se tem um modelo de
regresso praticamente perfeito, com baixo nvel de disperso aleatria, dado
pela distncia entre a reta de regresso e os pontos efetivos. Esta distncia
representada pelo erro estocstico, t.




















Consumo Efetivo e Ajustado (em milhes de R$)
C
o
n
s
u
m
o

(
e
m

m
i
l
h

e
s

d
e

R
$
)
Renda (em milhes de R$)
2.5e+006
1.5e+006
2e+006
1e+006
500000
500000 1e+006 0
0
1.5e+006 2.5e+006 2e+006
Ajustado (Y=6010+0.8034*X)
Efetivo
Figura 6 Consumo agregado em relao ao PIB (1990-2008)
e curva de regresso linear entre os dados do Quadro 13
2.3.6 TESTE DE HIPTESE
No momento da estimativa de um modelo economtrico, necessrio de-
senvolver critrios adequados para descobrir se a estimativa obtida (diga-se,
aquela representada pela equao (62)) satisfaz as expectativas da teoria que
est sendo testada. Uma teoria ou hiptese que no seja verifcvel por meio
de evidncia emprica, no pode ser admitida como parte de uma investigao
Unidade 2
90
cientfca. Assim, primeiramente, (a) devemos testar se realmente existe uma
relao de causalidade, tal que a renda agregada cause o consumo agregado, e
que haja um consumo autnomo. Estes testes so feitos atravs da verifcao
de que os coefcientes e
2
= 0,8034 so estatisticamente signifcantes (quer
dizer, diferentes de zero). Em seguida, (b) devemos testar a teoria estabelecida
como hiptese, no caso a teoria de Keynes, que sups que 0< PMgC < 1. Nesse
exemplo, obteve-se: PMgC 0,8034.



Portanto, antes de aceitarmos este resultado como uma confrmao da teoria de
consumo Keynesiana, devemos averiguar se esta estimativa est sufcientemente
abaixo de 1 para nos convencermos de que no se trata de uma ocorrncia casual ou
uma peculiaridade dos dados especfcos que foram utilizados.
Palavra do Professor
Em outras palavras, 0,8034 estaticamente menor que 1? Se for, pode-se sustentar
a teoria de Keynes.
A confrmao ou rejeio de teorias econmicas com base na evidncia de
amostras baseada num ramo da teoria estatstica conhecido como infern-
cia estatstica (teste de hiptese), que ser abordado em detalhes na Unidade
3.
Considerando os resultados do modelo apresentado no Quadro 14, observa-se
que o sofware GRETL 1.8 j apresenta os testes de signifcncia para par-
metros e
2
= 0,8034, por meio das estatsticas t e os seus correspondentes
p_valor (probabilidades de aceitar as hiptese H0, especifcadas abaixo), o
que signifca verifcar o item (a) citado acima. Esses testes de hiptese testam,
respectivamente:
e (63) e (64)
Aceitar as hipteses H
1
para
1
e
2
signifca aceitar as signifcncias estatsticas
para estes coefcientes, com um nvel de erro da ordem dos respectivos p_va-
lor, estimados a partir das correspondentes estatsticas t, com (n - k) graus
de liberdades (onde n o tamanho da amostra (n=19) e k o nmero de
parmetros estimados pelo modelo (k=2)).
H
0
:
1
1
H
1
:
1
< 1
{
H
0
:
2
= 0
H
1
:
2
0
{
Economia e Anlise de Regresso
91
No caso dos resultados apresentados no Quadro 14, observamos que o p_valor
para
1
foi de 0,04227, o que corresponde a um nvel de erro de 4,727% ou
a uma confabilidade na estimativa de 95,273%, o que satisfatrio estatisti-
camente. Tambm observamos, no Quadro 14, que o p_valor para 2 foi de
0,000001, o que corresponde a um nvel de erro menor que 0,0001% ou a
uma confabilidade na estimativa de aproximadamente 100%, o que bastante
satisfatrio estatisticamente. Portanto, conclumos que o modelo, do ponto
de vista estatstico, aceitvel e realizvel. Logicamente, devemos analisar o
comportamento de outras estatsticas estimadas pelo sofware includas no
Quadro 14; contudo, no momento, estamos apresentando estes clculos so-
mente para efeito ilustrativo e, portanto, no entraremos em detalhes.
A verifcao do item (b) citado acima passa pelo fato de construir o seguinte
teste de hiptese:
(65)
Para verifcar a hiptese acima, deve-se estimar a estatstica t, pela seguinte
relao:
(66)
onde
= valor estimado para
2


2
= valor sustentado por H
0
para este parmetro
= erro padro para
2

Portanto, utilizando as estimativas para e para apresentadas no Quadro 14,
que so, respectivamente, da ordem de 0,8034 e de 0,00441877, podemos esti-
mar a relao (66) da seguinte maneira:
Tomando t=-44,49 e com GL=n-k=19-2=17 graus de liberdade, obtm-se um
p_valor da ordem de 0,0000, o que nos induz a aceitar a hiptese H
1
de (65),
com uma confabilidade maior que 99% (praticamente 100%). Neste caso, o
H
0
:
2
1
H
1
:
2
< 1
{

2
-
2
ep (
2
)
^
t =
^
ep (
2
)
^
^

2
0,8034 - 1
0,00441877
t = = -44,49
Unidade 2
92
modelo em estudo confrma a teoria de consumo keynesiana. Portanto, de
acordo com os testes de hiptese realizados, o modelo aceitvel para realizar
previses econmicas.
2.3.7 PREVISO OU PREDIO
Se o modelo escolhido confrmar a hiptese ou a teoria, pode-se us-lo para pre-
ver os valores futuros da varivel dependente (ou varivel de previso) Y, com
base nos valores futuros conhecidos ou esperados da varivel explicativa (ou
preditiva), conforme foi desenvolvido de forma detalhada no subitem anterior.
Palavra do Professor
Caro aluno, agora voc deve consultar o Exemplo 1 do material complementar da
Unidade 2, disponvel no AVEA! Imprima, leia e analise o exemplo. Depois, continue
a sua leitura da Seo 2.4.
2.4 TIPOS DE ECONOMETRIA
A Econometria pode ser subdividida em duas grandes categorias: a
Econometria Terica e a Econometria Aplicada. Em cada categoria, pode-se
abordar o assunto segundo a tradio clssica ou de acordo com a inferncia
bayesiana (GUJARATI, 2006).
A Econometria Terica se ocupa do desenvolvimento de mtodos apropria-
dos para medir relaes econmicas especfcas pelos modelos economtricos.
Nesse caso, a econometria deve explicitar as hipteses deste mtodo, suas pro-
priedades e o que ocorre com essas propriedades quando uma ou mais hipte-
ses do mtodo no so satisfeitas (exemplo, Mtodo dos Mnimos Quadrados).
Na Econometria Aplicada, as ferramentas da Economia Terica so utilizadas
para estudar algumas partes especfcas da economia e de negcios, tais como:
funo de produo, funo de investimento, funo de demanda e oferta e
teoria de carteiras. Voc ver diversos exemplos no decorrer da disciplina.
2.4.1 PR-REQUISITOS MATEMTICOS E ESTATSTICOS
Os pr-requisitos para a econometria so conceitos bsicos de estimativa
estatstica (procedimentos de amostragem, estimadores, intervalos de con-
A inferncia clssica assume,
a priori, que os dados se
distribuem normalmente,
conforme a Teoria de Gauss.
A inferncia bayesiana
(Teorema de Bayes (Thomas
Bayes (1702? - 1761)) um tipo
de inferncia estatstica que
descreve as incertezas sobre
quantidades invisveis de
forma probabilstica, tambm
conhecida como inferncia
no paramtrica.
Economia e Anlise de Regresso
93
fana e testes de hiptese, estatstica no paramtrica). Por outro lado, os
pr-requisitos matemticos so conceitos bsicos de matemtica, tais como:
diferenciao, integrao, conceitos de lgebra matricial, etc.
2.4.2 O PAPEL DO COMPUTADOR
A anlise de regresso uma ferramenta comum na econometria, o que torna
necessrio proceder a um amplo conjunto de testes, tais como: intervalos de
confana, testes de hiptese, teste de causalidade de Granger, testes de verif-
cao de autocorrelao, de homoscedasticidades, de multicolinearidade, etc,
conforme ser discorrido ao longo desta disciplina e da disciplina Econometria.
Estes testes so de extrema importncia na econometria. Portanto, este estudo
torna-se impensvel sem o uso de sofwares aplicativos.
Na atualidade, existem vrios pacotes computacionais como ferramentas de
anlise economtrica. Dentre eles, podemos citar os sofwares ESTATISTICA-8,
SPSS-14, E-VIEWS-6, STATA-10 e o sofware livre GRETL 1.8. Estudos econo-
mtricos complexos s se tornaram possveis na atualidade, em funo do
desenvolvimento desses vrios sofwares aplicados.
Links
Voc pode fazer o download do software livre GRETL 1.8.1 (verso em portugus) no
link: < http://gretl.sourceforge.net/gretl_portugues.html >. Leia atentamente e siga
os procedimentos do site. Qualquer dvida, consulte o seu tutor.
2.5 NATUREZA DA ANLISE DE REGRESSO
A regresso a principal ferramenta da econometria. O termo regresso foi introdu-
zido por Francis Galton (e depois confrmada por seu amigo Karl Pearson), ao verif-
car que, embora houvesse uma tendncia de pais altos terem flhos altos e de pais
baixos terem flhos baixos, a altura mdia de flhos de pais de uma dada altura tendia
a se deslocar ou regredir at certa altura mdia da populao (GUJARATI, 2006).
Unidade 2
Francis Galton - (1822 1911)
foi um antroplogo, meteo-
rologista, matemtico e esta-
tstico ingls. Curiosidade: Era
primo de Charles Darwin!
94
A anlise de regresso, portanto, se ocupa do estudo de dependncia de uma
varivel a varivel dependente em relao a uma ou mais variveis as vari-
veis explicativas com o objetivo de estimar e/ou prever a mdia populacional
ou o valor mdio esperado da varivel dependente, condicionado aos valores
conhecidos ou fxos (em amostragem repetida) das variveis explicativas.
2.5.1 EXEMPLOS DE DEPENDNCIA DE UMA VARIVEL
EM RELAO OUTRA
Modelos de regresso so intensamente aplicados em economia e tm servido
de base para o desenvolvimento da teoria econmica. Neste sentido, alguns
exemplos de aplicaes econmicas podem ser citados:
Um economista pode estar interessado em estudar a dependncia da
despesa de consumo pessoal em relao renda pessoal real disponvel,
aps descontar os impostos. Tal anlise pode ser til para estimar a pro-
penso marginal a consumir. Ou seja, a variao mdia no consumo em
relao variao de R$ 1,00 na renda real.
Um monopolista consegue fxar o preo ou o nvel de produo, mas
no ambos. Ele pode estar interessado em descobrir o efeito que as al-
teraes no preo de um produto teriam na demanda. Tal experimento
pode permitir a estimativa da elasticidade-preo da demanda do produ-
to e pode ajudar a determinar o preo mais lucrativo.
Um economista especializado em economia do trabalho pode querer es-
tudar a relao entre a taxa de variao dos salrios nominais e a taxa
de desemprego. A curva a ser obtida com esses dados um exemplo da
clebre curva de Philips. Os resultados do diagrama de regresso ob-
tidos podem permitir ao economista prever a variao mdia dos sal-
rios nominais, para uma dada taxa de desemprego. Esse conhecimento
pode ser til para afrmar alguma coisa sobre o processo infacionrio
em uma economia, uma vez que os aumentos dos salrios nominais
provavelmente vo refetir em aumento dos preos. Tal modelo segue a
tendncia dada no grfco da Figura 7 a seguir.
Economia e Anlise de Regresso
95
+
T
a
x
a

d
e

v
a
r
i
a

o

d
o
s

s
a
l

r
i
o
s

n
o
m
i
n
a
i
s
Taxa de desemprego (%) 0
Figura 7 Curva de Phillips hipottica
Da economia monetria, sabe-se que, tudo o mais constante, quanto
maior for a taxa de infao , menor ser a proporo k da renda que as
pessoas desejaro reter sob a forma de dinheiro, como mostra a Figura 8
abaixo. Uma anlise quantitativa dessa relao permitir ao economista
prever o montante de moeda, como a frao da renda, que as pessoas
estaro dispostas a reter em diferentes taxas de infao.
1,2
1,0
0,8
0,6
0,4
0,2
0,0
0,00 0,02 0,04 0,06 0,08 0,10 0,12 0,14 0,16 0,18 0,20 0,22
Scatterplot (gujarati_fg_1.4)
k
=
M
o
e
d
a
/
R
e
n
d
a
Taxa de infrao
Figura 8 Retorno de moeda em relao taxa de infao
Unidade 2
96
2.5.2 RELAES ESTATSTICAS VERSUS DETERMINISTAS
A anlise de regresso se interessa pela dependncia estatstica entre as vari-
veis, mas no pelas dependncias funcional ou determinista.
Nas relaes estatsticas entre as variveis, lida-se, basicamente, com variveis
aleatrias ou estocsticas. Ou seja, aquelas que tm distribuies de probabi-
lidade. Por outro lado, na dependncia funcional ou determinista, tambm se
lida com variveis, mas que no so aleatrias e nem estocsticas.
Palavra do Professor
Fenmenos de natureza estatstica encontram-se ilustrados de forma clara em
Gujarati (2004), que evidencia esses fenmenos atravs do Exemplo 2 do seu material
complementar. Confra!
2.5.3 REGRESSO VERSUS CAUSAO
Embora a anlise de regresso lide com a dependncia de uma varivel em
relao a outras variveis, ela no implica, necessariamente, em causao.
Segundo Kendal e Stuart (1977), uma relao estatstica, por mais forte e
sugestiva que seja, jamais pode estabelecer uma relao causal: a ideia sobre
causao deve vir de fora da estatstica, emfm, de outra teoria.
No Exemplo 2 do material complementar da Unidade 2, sobre o rendimento
da colheita, no existe nenhuma razo estatstica para supor que a precipita-
o de chuva no dependa do rendimento da colheita. O fato de tratarmos o
rendimento como dependente da precipitao de chuva (entre outras coisas)
se deve a consideraes no estatsticas: o bom senso sugere que a relao
no pode ser invertida, j que no podemos controlar a chuva, variando o
rendimento da colheita.
O ponto a ser destacado que uma relao estatstica, por si s, no pode implicar
causao. Para atribuir causalidade, deve-se recorrer a consideraes apriorsticas
ou tericas. Por exemplo, invocando a teoria econmica, pode-se dizer que o consu-
mo depende da renda real e no o contrrio.
Economia e Anlise de Regresso
97
2.5.4 REGRESSO VERSUS CORRELAO
Muito diferente da anlise de regresso a anlise de correlao, cujo objetivo bsi-
co medir a intensidade ou o grau de associao linear entre duas variveis.
Na anlise de regresso no se est interessado, a principio, numa medio. Em
vez disso, tenta-se estimar ou prever o valor mdio de uma varivel com base nos
valores fxados de outras variveis. Assim, pode-se estar interessado, por exemplo,
em achar a correlao (coefciente) entre o hbito de fumar e o cncer no pulmo,
ou entre as pontuaes entre os exames de estatstica e de macroeconomia.
Palavra do Professor
Dessa forma, voc pode questionar se possvel prever a nota mdia em uma pro-
va de estatstica, sabendo-se a nota de um estudante em uma prova de macroe-
conomia. A resposta sim, isto possvel, mas deve fcar claro que, para que haja
causao (previso), necessrio que haja, primeiro, associao entre as variveis,
ou seja, que essas sejam dependentes (correlacionadas). E, em seguida, de acordo
com o seu pensamento apriorstico, baseado na sua concepo terica ou emprica,
deve-se estabelecer a direo de causalidade (no exemplo acima, conhecimento em
macroeconomia causa conhecimento em estatstica).
2.5.5 DIFERENAS FUNDAMENTAIS ENTRE REGRESSO E CORRELAO
Na anlise de regresso h uma assimetria na forma como as variveis de-
pendentes e explicativas so tratadas. Supe-se que a varivel dependente
seja estatstica, aleatria ou estocstica, isto , que tenha uma distribuio
de probabilidade. Entretanto, supe-se que as variveis explicativas tenham
valores fxados (em amostragens repetidas).
Por outro lado, na anlise de correlao tratam-se quaisquer das duas vari-
veis simetricamente. No existe nenhuma distino entre as variveis depen-
dentes e explicativas. Afnal de contas, a correlao entre as notas nas provas
de macroeconomia e estatstica a mesma que a correlao entre as notas nas
provas de estatstica e de macroeconomia. Alm disso, supe-se que ambas as
variaes sejam aleatrias.
Unidade 2
98
2.5.6 TERMINOLOGIA E NOTAO
As variveis dependentes so as variveis a serem estimadas por meio de
um modelo de regresso; portanto, so variveis endgenas. Entretanto, as
variveis explicativas so variveis independentes, utilizadas para predizer as
variveis dependentes. So, portanto, variveis de controle ou instrumentais
(se endgenas) ou variveis exgenas (se no controlveis).
2.5.7 ESTRUTURA DOS DADOS ECONMICOS
Os dados econmicos apresentam-se em uma variedade de tipos. Embora
alguns mtodos economtricos possam ser aplicados com pouca modifcao
para muitos tipos diferentes de informao, as caractersticas especiais de al-
guns dados devem ser consideradas ou deveriam ser exploradas. Veremos a
seguir as estruturas mais importantes de dados encontradas.
DADOS DE SRIE TEMPORAL
Uma srie temporal um conjunto de observaes dos valores que uma ou vrias
variveis assumem em diferentes momentos.
Tais dados podem ser coletados em intervalos de tempo regulares, como dia-
riamente (preos de aes), semanalmente (suprimento monetrio fornecido
pelo Banco Central), mensalmente (taxa de infao, taxa desemprego, etc.)
ou anualmente (PIB).
Uma caracterstica essencial dos dados de sries de tempo, que torna mais di-
fcil a sua anlise, o fato de que raramente possvel assumir que as observa-
es econmicas so independentes ao longo do tempo. Outra caracterstica
que pode requerer ateno especial a frequncia dos dados. Como j vimos,
preos de aes tm frequncia diria ou at em minutos, taxas de infao
tm frequncia mensal, e assim por diante.
A Econometria de Sries Temporais constitui uma teoria bastante especfca
devido questo de estacionariedade, o que exige a aplicao de testes de ve-
rifcao do comportamento das sries, no que se refere estacionariedade e
presena de tendncias.
O conceito de estacionarie-
dade signifca que a srie
se desenvolve no tempo
aleatoriamente em torno
de uma mdia constante,
refetindo alguma forma de
equilbrio estvel (KASSOUF
apud ALMEIDA, disponvel
em: < http://www.scielo.br/
pdf/rarv/v32n6/a15v32n6.
pdf >).
Economia e Anlise de Regresso
99
2.5.7.2 DADOS DE CORTE TRANSVERSAL (CROSS-SECTION DATA)





Um conjunto de dados de corte transversal consiste em uma amostra de indivduos,
consumidores, empresas, cidades, estados, pases ou uma variedade de outras uni-
dades, tomadas em um determinado ponto do tempo. s vezes, os dados de todas
as unidades no correspondem precisamente ao mesmo perodo.
Muitas famlias podem ser pesquisadas, por exemplo, durante diferentes sema-
nas de um ano. Em uma anlise pura de dados de corte transversal, ignorara-
mos, na coleta de dados, quaisquer diferenas de tempo no importantes. Se o
conjunto de famlias fosse pesquisado durante diferentes semanas do mesmo
ano, ainda veramos isso como um conjunto de dados de corte transversal.
Uma caracterstica importante dos dados de corte transversal que no se
pode, frequentemente, assumir que eles foram obtidos por amostragem
aleatria da populao subjacente. Por exemplo, se extrairmos informaes
sobre salrios, educao e experincia, teremos uma amostra da populao
que trabalha em qualquer atividade e no de uma populao especifca de
trabalhadores da construo civil. Devido a esta caracterstica, os dados de
corte apresentam problemas, especifcamente de heterogeneidade.
2.5.7.3 CORTES TRANSVERSAIS AGRUPADOS
Alguns conjuntos de dados tm tanto caractersticas de corte transversal quanto de
sries no tempo.
Por exemplo, suponha que dois estudos sobre famlias sejam realizados no
Brasil com dados de corte transversal, um em 2000 e outro em 2005. Em 2000,
uma amostra aleatria de famlias pesquisada para variveis tais como renda,
poupana, tamanho da famlia, e assim por diante. Em 2005, uma nova amos-
tra aleatria de famlias extrada, usando as mesmas questes da pesquisa do
ano 2000. A fm de aumentar o tamanho da amostra, pode-se formar um corte
transversal agrupado, combinando as informaes referentes aos dois anos.
Agrupar cortes transversais de diferentes anos , frequentemente, um modo
efcaz de analisar os efeitos de uma nova poltica de governo. A ideia coletar
dados de anos anteriores e posteriores a uma importante mudana de poltica
governamental.
Unidade 2
100
2.5.7.4 DADOS DE PAINEL OU LONGITUDINAIS

Dados de painel (ou dados longitudinais) consistem em uma srie de tempo para
cada unidade do corte transversal do conjunto de dados.
Como exemplo, suponha que tenhamos o histrico de salrios, educao e
emprego para um conjunto de indivduos ao longo de um perodo de dez
anos, ou que se possa coletar informaes, tais como dados de investimentos
e fnanceiros, sobre o mesmo conjunto de empresas ao longo de um perodo
de cinco anos. Dados de painel tambm podem ser coletados para unidades
geogrfcas. Por exemplo, podemos coletar dados para o mesmo conjunto de
municpios dos estados brasileiros sobre impostos, taxas de salrios, gasto
governamentais, etc. para os anos 2000 e 2005.
A caracterstica essencial dos dados de painel, que os distingue dos dados de
corte transversal agrupados, o fato de que as mesmas unidades do corte
transversal (indivduos, empresas ou municpios, etc.) so acompanhadas ao
longo de um determinado perodo.
2.6 ANLISE DE REGRESSO DE DUAS
VARIVEIS: ALGUNS CONCEITOS BSICOS
Essa teoria fundamenta a mais simples das anlises de regresso, a anlise de
duas variveis. Esse caso apresenta as ideias fundamentais da anlise de regres-
so, de modo to simples quanto possvel. A anlise de regresso mltipla, mais
genrica, , sob vrios aspectos, uma extenso lgica do caso de duas variveis.


A Anlise de Regresso preocupa-se em estimar ou prever a mdia da populao
ou os valores mdios das variveis dependentes, a partir dos valores conhecidos ou
fxados de uma ou mais variveis explicativas.
Para apresentar os conceitos bsicos de modelo de regresso de duas variveis,
consideraremos como prottipo de anlise um exemplo bsico apresentado
em Gujarati (2006), que trata de um conjunto hipottico de dados, refe-
renciados como consumo e renda familiar de uma pequena populao, que
denominaremos como o conjunto de famlias que habitam um bairro que
chamaremos de A.
Economia e Anlise de Regresso
101
Nessa anlise, considere Y como a despesa de consumo familiar e X
como a renda familiar semanal disponvel (descontados os impostos).
Especifcamente, pretende-se prever o nvel mdio de consumo semanal de
uma populao, sabendo-se a renda semanal da famlia. Para tanto, imagine
que a populao do bairro A contenha somente 60 famlias. As suas rendas
mensais foram subdivididas em 10 grupos, e examinaremos o consumo das
famlias em cada um desses nveis de renda. Esses dados encontram-se no
Quadro 15 abaixo.
X
(EM R$)
Y
(EM R$)
400,00 500,00 600,00 700,00 800,00 900,00 1000,00 1100,00 1200,00 1300,00
Y
1
275,00 325,00 395,00 400,00 510,00 550,00 600,00 675,00 685,00 750,00
Y
2
300,00 350,00 420,00 465,00 535,00 575,00 680,00 685,00 725,00 760,00
Y
3
325,00 370,00 450,00 475,00 550,00 600,00 700,00 700,00 775,00 875,00
Y
4
350,00 400,00 470,00 515,00 580,00 650,0 720,00 760,00 825,00 890,00
Y
5
375,00 425,00 490,00 540,00 590,00 675,00 725,00 785,00 875,00 900,00
Y
6
440,00 565,00 625,00 700,00 800,00 945,00 925,00
Y
7
575,00 810,00 955,00
MDIAS
CONDICIONAIS
DE Y 325,00 385,00 445,00 505,00 565,00 625,00 685,00 745,00 805,00 865,00
Quadro 15 Renda (X) e Consumo (Y) familiar mensal, em R$
Neste quadro, cada coluna fornece a distribuio do consumo Y correspon-
dente a um nvel fxado de renda X. Ou seja, ela d a distribuio de Y, condi-
cionada aos valores dados de X. Os dados do quadro representam a populao,
podendo-se facilmente, a partir dela, calcular as probabilidades condicionais
de Y, denominadas p(Y/X), ou seja, a probabilidade de Y para cada X dado.
Assim, temos:
(67)

p Y X
p Y X
p X
( / )
( )
( )
=


onde:

p Y X ( )

= probabilidade da interseco de Y com X
(ou probabilidade adjunta)
p X ( ) = probabilidade marginal de X
Para eventos independentes, como nesse caso:
Unidade 2
102

(68)

Assim, no grupo de renda mensal de R$ 400,00, tem-se que:
e

O procedimento de aplicao da frmula (68) est representado na ilustrao
esquemtica da Figura 9 abaixo. J os resultados das probabilidades estimadas
por esta mesma frmula encontram-se no Quadro 16.















P(Y=1300,00)
P(Y=955,00)
P(Y=275,00)
P(X=400,00)
P(Y=375,00)
P(Y=750,00)
.
.
.
.
.
.
.
.
.
p[(Y = 275) | (X = 400)] =
p(X = 400)
p(X = 400)
p(Y = 275)
= p(Y = 275) =
1
5
p[(Y = 375) | (X = 400)] =
p(X = 400)
p(X = 400)
p(Y = 375)
= p(Y = 375) =
1
5
p[(Y = 750) | (X = 1300)] =
p(X = 1300)
p(X = 1300)
p(Y = 750)
= p(Y = 750) =
1
7
p[(Y = 955) | (X = 1300)] =
p(X = 1300)
p(X = 1300)
p(Y = 955)
= p(Y = 955) =
1
7
Figura 9 Esquema ilustrativo de clculo de probabilidade para os dados do Quadro 16
P Y X P Y P X P Y X
P Y P X
P X
P Y ( ) ( ) ( ) ( / )
( ) ( )
( )
( ) = = =

P Y ( )
2
1
5
= P Y ( )
1
1
5
=
Economia e Anlise de Regresso
103
X
(EM R$)
Y
(EM R$)
400,00 500,00 600,00 700,00 800,00 900,00 1000,00 1100,00 1200,00 1300,00
P
R
O
B
A
B
I
L
I
D
A
D
E
S

C
O
N
D
I
C
I
O
N
A
I
S

P
(
Y
|
X
)
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/5 1/6 1/5 1/7 1/6 1/6 1/5 1/7 1/6 1/7
1/6 1/7 1/6 1/6 1/7 1/6 1/7
1/7 1/7 1/7
MDIAS
CONDICIONAIS
DE Y
325,00 385,00 445,00 505,00 565,00 625,00 685,00 745,00 805,00 865,00
Quadro 16 Probabilidades condicionais p Y X | ( )
para os dados do Quadro 15
Agora, para cada uma das distribuies das probabilidades condicionais de Y
dadas no Quadro 16, pode-se calcular o valor mdio, conhecido como mdia
condicional ou expectativa condicional, representado por E(Y/X=Xi) e lido
como o valor esperado de Y, dado que X assuma o valor especfco X
i
, que,
por simplicidade notacional, ser escrito como E(Y/Xi).
Portanto, utilizando-se os dados de consumo do Quadro 15 e os dados de
probabilidades do Quadro 16, estimam-se os valores mdios esperados, por
exemplo, para E (Y =Y
1
/ X = X
i
)

, aplicando-se a seguinte relao:
Esse procedimento pode ser aplicado para estimar todos os valores mdios de
consumo dado a renda, mostrados nos Quadros 15 e 16.
De forma similar, a curva de regresso , simplesmente, o lugar geomtrico
E Y X X
p Y Y Y p Y Y Y p Y Y Y p Y Y Y p Y
i
( / )
( ) ( ) ( ) ( ) (
= =
=
+ =
+
= + =
1 1 2 2 3 3 4 4
3 ==

Y Y
5 5
) +

E Y Y X ( / , ) , , , , = = = + + + +
1
400 00
1
5
275 00
1
5
300 00
1
5
325 00
1
5
350 00
1
55
375 00
325 00 =
,
$ , R

Unidade 2
104
das mdias ou expectativas condicionais das variveis dependentes, para os
valores fxados da varivel ou variveis explicativas. Ou seja, estimam-se os
valores mdios condicionais para o consumo, dado a renda, conforme pode
ser evidenciado na Figura 10 abaixo.






















1000
900
800
700
600
500
400
400 600 800 1000 1000 1400
300
200
200
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
+
Y
X
+
Y
Figura 10 Distribuio condicional do consumo para vrios nveis de renda (dados do Quadro 15)
A Figura 10 acima apresenta a distribuio dos consumos em funo da renda
e da curva de ajuste do modelo de regresso, que a seguinte:

(69)
Observa-se claramente, no diagrama de disperso representado na Figura 10,
que a distribuio de Y correspondente aos diversos valores de X (embora
haja variaes nas despesas de consumo das diferentes famlias), aumenta em
mdia quando aumenta a renda. Ou seja, o diagrama de disperso revela que
os valores mdios (condicionais) de Y aumentam quando X aumenta (curva
de regresso da populao; isto , regresso de Y em funo de X).
Y
i
= 85,2088 + 0,599 X
i
+u
i
Economia e Anlise de Regresso
105
Conforme vimos na Figura 10, para cada valor de X existe uma populao
de valores de Y, que se supe estarem distribudos normalmente, e uma cor-
respondente mdia (condicional). A reta de regresso passa atravs dessas
mdias condicionais.
2.6.1 O CONCEITO DE FUNO DE REGRESSO DA POPULAO (FRP)
A mdia condicional E(Y/Xi) uma funo de Xi. Portanto:
E(Y/X
i
) = f(X
i
) (70)
onde f(X
i
) funo de regresso populacional de duas variveis (FRP) que
indica uma funo da varivel explicativa X
i
. E (Y/X
i
) = f(X
i
) expressa que a
mdia populacional da distribuio Y, dado Xi, se relaciona funcionalmente
com Xi. Essa relao funcional diz simplesmente que a mdia de Y varia com X.



A questo : que forma assume a funo f(X
i
)?
Esta uma questo importante, porque em situaes reais no temos a populao
inteira disponvel para exame. A forma funcional da FRP , portanto, uma questo
emprica, embora, em casos especfcos, a teoria tenha algo a dizer.
Um economista pode postular que o consumo se relaciona linearmente com a
renda. Ento, como primeira hiptese de trabalho, podemos supor que E(Y|X
i)
seja uma funo linear de Xi, do tipo:

(71)
Funo de regresso linear da populao (FRP)
onde 1 e 2 so parmetros desconhecidos porm fxos, e so chamados de
coefcientes de regresso. 1 e 2 so tambm conhecidos, respectivamente,
como intercepto e coefciente de inclinao.
Na anlise de regresso, o objetivo estimar as FRPs, ou os valores desconhe-
cidos de |1 e |2, com base nas observaes de Y e X. Portanto, o termo re-
gresso, nesse estudo, signifca uma regresso linear nos parmetros, embora
possa no ser linear nas variveis explicativas.
E Y X X
i i
| ( ) = +
1 2
Unidade 2
106
2.6.2 O SIGNIFICADO DO TERMO LINEAR NAS VARIVEIS
E NOS PARMETROS
O termo linear se caracteriza, classicamente, em funes, com o intuito de re-
presentar uma evoluo de proporcionalidade entre uma varivel dependente
e a(s) independente(s). No caso deste estudo, o signifcado de linearidade nas
variveis se restringe ao fato de que a expectativa condicional de Y, E(Y|X),
uma funo linear de X
i
, como o exemplo:

Para a equao (73), geometricamente, a curva de regresso, neste caso, uma
reta (ou seja, linear nas variveis). Neste tipo de interpretao, uma regresso
como a que est abaixo no uma funo no linear nas variveis, pois a
varivel X
i
aparece com potncia 2.


A seguinte funo tambm no linear nas variveis, pois Y
i
depende de Xi de
forma exponencial ( a constante neperiana).

A segunda interpretao de linearidade que a expectativa condicional de Y,
E(Y|X), uma funo linear dos parmetros, sendo que s pode ser linear ou no
linear na varivel preditiva X. Nessa interpretao, E Y X X
i i
| ( ) = + ( )
1 2
2
e E Y X e
i
X
i
| ( ) =

1
2
so modelos de regresso nolineares nas variveis,
mas lineares nos parmetros. No entanto, a relao abaixo no linear nos
parmetros.

Evidenciamos que nesta disciplina sero tratados somente modelos lineares
nos parmetros, s, contudo, podendo ser no lineares nas variveis preditivas.
(72)
E Y X X
i i
| ( ) = + ( )
1 2
2
(73)
Constante neperiana (e)
um nmero irracional
aproximadamente igual a
2,718281828459045... , chama-
do Nmero de Euler.
E Y X e
i
X
i
| ( ) =

1
2
(74)
(75)
E Y X X
i i
| ( ) = +
1 2
E Y X X
i i
| ( ) = +
1 2
Economia e Anlise de Regresso
107
Portanto, a partir de agora, nesta disciplina, o termo regresso linear signifcar sem-
pre uma regresso linear nos parmetros,
s
(ou seja, os parmetros so elevados so-
mente primeira potncia), podendo ser ou no ser linear nas variveis preditivas, X
s
.
2.6.3 ESPECIFICAO ESTOCSTICA DA FRP
Foi possvel observar, no Quadro 15 que vimos anteriormente, que, quando a renda
familiar aumenta, o consumo familiar, em mdia, tambm aumenta. Mas, o que ocor-
re com o consumo de uma famlia especfca, em relao a seu nvel (fsico) de renda?
O que se pode dizer que o consumo de uma famlia especfca situa-se ao re-
dor do consumo mdio de todas as famlias com renda X, ou seja, em torno de
expectativa condicional. Assim, pode-se expressar o desvio de uma Y
i
individual
em torno de seu valor esperado como sendo:

(76)

onde u
i
uma varivel aleatria no observvel, que pode assumir valores
positivos ou negativos. Tecnicamente, u
i
termo de erro estocstico ou de
perturbao estocstica.
De acordo com Y E Y X u
i i i
= + ( / ) , podemos dizer que a despesa de uma fa-
mlia individual, dado o seu nvel de renda, pode ser expressa como a soma de
dois componentes:
E(Y|X), que simplesmente o consumo mdio de todas as famlias com
o mesmo nvel de renda, conhecido como componente sistemtico ou
determinista; e
u
i
, que o componente aleatrio, ou assistemtico.
O termo perturbao estocstica u
i
considerado como sendo um substituto
ou representante (proxy) de todas as variveis omitidas ou abandonadas que
podem afetar Y, mas que no esto (ou no podem ser) includas no modelo
de regresso. Assim, se o economista pode postular que o consumo se relaciona
linearmente com a renda, temos que:
Yi = E(Y/Xi)+ ui Yi = 1 + 2Xi + ui (77)
u Y E Y X ou Y E Y X u
i i i i i i
= - = + ( / ) ( / )
Unidade 2
108
A equao (77) postula que o consumo de uma famlia se relaciona linear-
mente com a sua renda, mais o termo de perturbao. Se tomarmos o valor
esperado dessa equao, em ambos os lados, teremos que:
(78)
O valor esperado de uma constante a prpria constante. Assim:
Uma vez que E Y X E Y X
i i
( / ) ( / ) = , ento, E u X
i i
( / ) = 0, o que implica que
o valor mdio de ui (erro estocstico) zero. Assim, a hiptese de que a reta
de regresso passa pela mdia condicional de Y implica que os valores mdios
condicionais de ui, condicionados aos dados Xs, so zero.
A especifcao estocstica tem a vantagem de mostrar claramente que, alm
da renda, existem outras variveis que afetam o consumo, e que o consumo
no pode ser plenamente explicado somente pela varivel ou variveis inclu-
das no modelo de regresso.
2.6.4 O SIGNIFICADO DO TERMO PERTURBAO ESTOCSTICA
O termo perturbao um substituto de todas as variveis omitidas do modelo, mas
que, coletivamente, afetam Y.
Palavra do Professor
Ento surge uma questo bvia: por que no introduzir explicitamente essas vari-
veis no modelo?
Por que no desenvolver um modelo de regresso mltipla com o maior nmero
possvel de variveis? So muitas as razes, que vamos ver a seguir.
E Y X E E Y X E u X E Y X
i i i
E Y X
i i i i
i
( / ) ( / ) ( / ) ( / )
( / )
=
[ ]
== +
=
E Y X E u X
E u X
i i i
i i
( / ) ( / )
( / ) 0

E E Y X E Y X
i i
( / ) ( / )
[ ]
=
Economia e Anlise de Regresso
109
a) Impreciso da teoria:
a teoria, se houver alguma que determine o componente de Y,
pode ser, e frequentemente , incompleta;
podemos no ter qualquer dvida de que a renda mensal X
afeta o consumo Y, mas podemos ignorar ou no estar seguros
sobre outras variveis que afetam Y;
portanto, ui pode ser usado como substituto de todas as vari-
veis excludas ou omitidas do modelo.
b) Indisponibilidade de dados:
Mesmo sabendo quais so algumas das variveis excludas, por
no ter informaes quantitativas sobre elas, no se elabora
um modelo de regresso mltipla. Obrigatoriamente, dever
ser elaborado um modelo de regresso simples.
c) Variveis essenciais versus variveis perifricas:
Supe-se que, alm da renda X
i
, tambm afetam o consumo o
nmero de crianas da famlia (X
2
), o sexo (X
3
), a religio (X
4
),
o nvel de educao (X
5
) e a regio geogrfca (X
6
). Mas bem
possvel que a infuncia de todas ou algumas dessas variveis
seja to pequena (ou aleatria) que, por questes polticas e de
custos, no vale a pena introduzi-las no modelo. Espera-se que
o efeito combinado das variveis omitidas possa ser tratado
como uma varivel aleatria, u
i
.
d) Causalidade intrnseca no comportamento humano:
Existe, inevitavelmente, certa natureza aleatria intrnseca em
cada Y, que, por mais que se tente, no poder ser explicada, de
modo que u
i
pode muito bem represent-la.
e) Variveis Proxy fracas:
Um modelo supe que Y e X so medidas precisas; contudo, na
prtica, os dados podem estar imbudos de erros. Nesse caso,
o termo perturbao pode representar o erro medido. Como
exemplo, considera-se a teoria de funo consumo de Milton
Friedman. Ele considera o consumo permanente (Y
p
) como
uma funo da renda permanente (X
p
). Mas, como os dados
dessas variveis no so diretamente observveis na prtica,
Para refrescar a memria
sobre Milton Friedman,
consulte o seu livro de Teoria
Macroeconmica I (Unidade
3, Seo 3.4 - O consumo e as
expectativas, p.90).
Unidade 2
110
utilizam-se variveis Proxy, como o consumo atual Y, e renda
atual X, que so observveis. Uma vez que Y Y
p
e X X
p
, h
problema de erro de medida. O termo perturbao u
i
pode re-
presentar esses erros.
f) Princpio de parcimnia:
Consiste em deixar a regresso to simples quanto possvel, o
que implica em manter o modelo o mais simples possvel, in-
troduzindo somente as variveis explicativas mais importantes
e deixando que ui represente os efeitos de variveis explicativas
menos importantes.
g) Frmula funcional errada:
Muitas vezes, apesar de se ter dados corretos, no se conhece
a relao funcional entre os regredidos e os regressores. Por
exemplo, o consumo uma relao linear ou no linear da ren-
da? Essa questo pode ser resolvida atravs do grfco de dis-
perso no modelo de duas variveis, o que permite observar
a relao funcional adequada. No entanto, isto no possvel
num modelo de regresso mltipla, devido difculdade de vi-
sualizar a forma da dispersiva em domnios mltiplos.
2.6.5 FUNO DE REGRESSO AMOSTRAL (FRA)
Nos limitamos, at o momento, discusso sobre a populao de valores Y,
correspondentes ao Xs fxados, evitando, deliberadamente, consideraes
sobre a amostragem.
Os dados do Quadro 15 que vimos anteriormente representam a populao e
no uma amostra. Contudo, na maioria das situaes prticas, tem-se somente
uma amostra de valores Y correspondente a alguns Xs fxos. Por isso, a tarefa
estimar a FRP com base nas informaes da amostra. Para ilustrar essa situ-
ao, considere que no conhecemos a populao do Quadro 15 e que a nica
informao que temos uma amostra de valores Y, escolhida aleatoriamente,
para Xs fxos, de acordo com o que vemos no Quadro 17 a seguir.
Economia e Anlise de Regresso
111
Y (CONSUMO) X (RENDA)
350 400
325 500
450 600
475 700
550 800
575 900
600 1000
700 1100
775 1200
750 1300
Quadro 17 Amostra aleatria da populao do Quadro 15
Temos agora apenas um valor de Y correspondente a cada X, dados que foram
escolhidos aleatoriamente a partir da populao dada no Quadro 15.
Palavra do Professor
A questo : a partir da amostra dada pelo Quadro 17 podemos prever o consumo
mdio semanal Y, da populao como um todo, correspondente aos Xs escolhidos?
A resposta no. No conseguiremos estimar a FRP acuradamente, devido s
futuaes da amostragem. Para observar esse fato, vamos retirar outra amostra
aleatria da populao do Quadro 15, que ser apresentada no Quadro 18 abaixo:
Y (CONSUMO) X (RENDA)
275 400
440 500
450 600
400 700
590 800
600 900
725 1000
675 1100
725 1200
875 1300
Quadro 18 Amostra aleatria da populao do Quadro 15
Unidade 2
112
Representando-se grafcamente os dados dos Quadros 17 e 18, e traando os dia-
gramas das duas linhas de regresso das amostras (FRA), respectivamente, de
modo a ajust-las da melhor forma possvel, observa-se uma diferena nessas
duas curvas de regresso. Portanto, pergunta-se: qual das duas curvas de re-
gresso amostral representa a verdadeira curva de regresso da populao? A
priori, no h como responder seguramente a essa questo.
As retas de regresso mostradas na Figura 11 so conhecidas como retas de
regresso amostral. Supe-se que elas representam a reta de regresso da
populao, mas, em virtude das futuaes da amostragem, elas so, quando
muito, uma aproximao da verdadeira FRP. Em geral, obtm-se N diferentes
FRAs para N diferentes amostras, e estas FRAs, provavelmente, tambm se-
riam diferentes.




900
800
700
600
500
600 800 1000 1200 1400
400
400
300
200
200
X:Y1:
X:Y2:
y = 122,2727 + 0,5091*x
y = 85,8485 + 0,5761*x
Y1
Y2
x
Figura 11 Retas de regresso, baseadas em duas amostras diferentes
Podemos, agora, desenvolver o conceito da funo de regresso amostral
(FRA) para representar a reta de regresso amostral. Assim, temos que:

Y X
i i i
= +
2
^ ^ ^
(79)
Economia e Anlise de Regresso
113
onde
Y
^
= estimador de E(Y/Xi)

1
^
= estimador de 1

2
^
= estimador de 2
Um estimador, tambm conhecido como uma estatstica da amostra, sim-
plesmente uma regra, uma frmula ou mtodo que nos diz como estimar os
parmetros da populao a partir das informaes de cada amostra dispon-
vel. Um valor numrico particular, obtido pelo estimador em uma aplicao,
conhecido como uma estimativa. Considere que:
(80)
Ou, em funo da regresso amostral (FRA):
(81)
onde
i
representa o termo resduo (ou estocstico) da amostra e pode ser
considerado como uma estimativa para u
i
. Ele introduzido na FRA pela
mesma razo que u
i
introduzido na FRP.
A anlise, geralmente, se baseia numa nica amostra de alguma populao.
Por isso, em virtude das futuaes da amostragem, a estimativa da FRP, base-
ada na FRA, na melhor das hipteses, constitui uma estimativa aproximada.
Ento, conforme a Figura 12, Y Y u
i i i
= +
^
^
a funo de regresso amostral
(FRA) e Y E Y X u
i i i
= + ( / ) a funo de regresso populacional (FRP).
Obviamente, Y
i
^
superestima E(Y|X) para algum X direita do ponto A, na
Figura 12 mostrada abaixo. Da mesma forma, Y
i
^
subestima E(Y|X) para al-
gum X esquerda do ponto A. Estas subestimaes e superestimaes so
inevitveis, devido s futuaes da amostragem.
Y Y u
i i i
= +
^
^
Y X u
i i i
= + +
1 2
^
^ ^
Unidade 2
114

Y

(
C
o
n
s
u
m
o

M
e
n
s
a
l
,

e
m

R
$
)
X
i
{Y | X }
(Y | X )
i
u
i
A
i i
=
1
+
2
X
i
=
1
+
2
X
FRP:
FRA:
^
^ ^
Y
i
Y
i
6
7
8
6
7
8
(Consumo Mensal, em R$) x
Y
i
u
i
^
Figura 12 Retas de regresso da amostra e da populao
Palavra do Professor
A partir disso, surgem as seguintes questes crticas:
Admitindo-se que a FRA seja apenas uma aproximao da FRP, pode-se criar uma
regra ou um mtodo que as torne to prximas quanto possvel?
Ou, em outras palavras, como a FRA deve ser construda para que
1
^
seja to prxi-
mo quanto possvel do verdadeiro 1 e
2
^
seja to prximo quanto possvel do ver-
dadeiro 2, mesmo que nunca venhamos a saber quais so os verdadeiros 1 e 2?
As respostas para essas perguntas constituiro o campo de conhecimento da
prxima Unidade, mas j se pode dizer que possvel desenvolver procedimen-
tos que permitam construir uma FRA que refita uma FRP de forma bastante
fel. Isto pode ser feito mesmo que saibamos que nunca se conhecer a FRP.
Economia e Anlise de Regresso
115
Agora que voc terminou a Unidade 2, no esquea de assistir Videoaula 2 no
AVEA. Lembre-se tambm de resolver as atividades complementares que esto no
ambiente! Bom trabalho!
Atividade de Aprendizagem 2
1) Imagine que voc quisesse formular um modelo econmico para as atividades crimi-
nosas, ou seja, os investimentos gastos pelo sistema de segurana brasileiro no com-
bate a essas atividades e qual seria a melhor poltica para combat-las (por exemplo,
investir na represso ou investir na informao, por meio de publicidade macia,
a fm de conscientizar os jovens sobre o problema). Verifque como o seu modelo
impactaria sobre as curvas de oferta e de demanda por drogas, e quais seriam os
resultados esperados, de acordo com as duas possibilidades acima especifcadas.
Que variveis voc consideraria nessas atividades? Como seria estruturado um mo-
delo economtrico para levantar o impacto da poltica de combate s drogas e quais
informaes deveriam ser levantadas para a anlise do problema?
2) Imagine que o governo brasileiro resolveu incentivar o consumo das famlias brasi-
leiras, diminuindo o imposto de renda para aqueles categorizados na faixa de 27,5%
de contribuio, para 20%. Supondo que esta mudana causaria, de forma geral,
uma reduo mdia de impostos da ordem de 6%, que impacto esta diminuio de
imposto provocaria sobre a renda para cada R$ investido? Analise o problema luz
dos passos de esquematizao de um modelo economtrico.
3) Responda s questes abaixo:
a) O que funo de esperana condicional ou funo de regresso da populao?
b) Qual a diferena entre as funes de regresso populacional e amostral? Essa
distino causa alguma diferena nos resultados de um modelo de regresso
economtrica quando se usa dados populacionais e amostrais? Quais so as im-
plicaes adicionais?
c) Qual o papel do termo de erro estocstico ui na anlise de regresso? Qual a
diferena entre o termo de erro estocstico e o resduo ?
d) O que se entende por modelo de regresso linear?
4) Considere que voc deseja estabelecer um modelo de regresso para o consumo,
em funo de diversas variveis, como, por exemplo, x1 = renda, x2 = riqueza, x3 =
nvel de escolaridade, x4 = religio. Para tanto, considere os seguintes modelos:
Unidade 2
116

(1)
e
(2)
De acordo com o seu entendimento de Econometria, responda s seguintes ques-
tes e justifque as suas respostas:
a) Quando seria possvel optar pelo modelo (2), ao invs do modelo (1)?
b) Quando seria possvel optar pelo modelo (1), ao invs do modelo (2)?
c) O que incorpora em seus valores o resduo no modelo (1)?
d) O que incorpora em seus valores o resduo no modelo (2)?
e) Descreva, sucintamente, qual o signifcado do termo de perturbao estocstica
ui numa funo de regresso e por que no introduzir explicitamente todas as va-
riveis explicativas num modelo. Por que no desenvolver um modelo de regres-
so mltipla com o maior nmero possvel de variveis explicativas? Ou seja, por
que optar pelo modelo (2), em detrimento do modelo (1), em certas situaes?
5) Determine se os seguintes modelos so lineares nos parmetros, nas variveis, ou
em ambos. Quais destes modelos so modelos de regresso linear?
a) Y
i
=
1
+
2
(1/X
i
) + u
i
;
b) Y
i
=
1
+
2
ln(X
i
) + u
i
;
c) ln(Y
i
) =
1
+
2
X
i
+ u
i
;
d) ln(Y
i
) =
1
+
2
ln(X
i
) + u
i
;
e) ln(Y
i
) =
1
+
2
(1/X
i
) + u
i
.
Observao: ln = logaritmo natural (isto , logaritmo na base, e base neperiana).
6) Tendo em mos os dados do quadro abaixo, relativos a uma economia hipottica,
no perodo de 1990-2006:
a) Represente grafcamente a relao entre a taxa de participao dos homens na
fora de trabalho (TPF_H) e a taxa de desemprego civil dos homens (TD_H), uti-
lizando o Excell. Trace, a olho, uma linha de regresso que passe pelos pontos.
Qual seria a relao esperada, a priori, entre as duas variveis e qual a teoria
econmica subjacente? O grfco de disperso d apoio a essa teoria?
b) Faa a mesma coisa no caso das mulheres. Ou seja, Represente grafcamente a
relao entre a taxa de participao das mulheres na fora de trabalho (TPF_M)
e a taxa de desemprego civil das mulheres (TD_M), utilizando o Excell. Trace,
a olho, uma linha de regresso que passe pelos pontos. Comente qual seria a
relao esperada, a priori, entre as duas variveis e qual a teoria econmica
subjacente. O grfco de disperso d apoio a essa teoria?
Y X
i i i
= + +
1 2
1
^
^ ^ ^
Y X X X X u
i i i i i i
= + + + + +
1 2 3 4 5
1 2 3 4
^ ^ ^ ^ ^ ^
^
Economia e Anlise de Regresso
117
c) Agora, represente grafcamente a taxa de participao de homens e mulheres na
fora de trabalho em relao aos ganhos mdios horrios, GHMH_92 (homens)
e GHMM_92 (mulheres), em R$, em 1992. Voc pode usar grfcos separados. O
que se verifca? Como voc justifcaria o comportamento observado?
ANO TPF_H TPF_M TD_H TD_M GHMH_92 GHMM_92
1990 77,4 51,5 6,9 7,4 7,78 6,66
1991 77,0 52,1 7,4 7,9 7,69 7,25
1992 76,6 52,6 9,9 9,4 7,68 7,68
1993 76,4 53,9 9,9 9,2 7,79 8,02
1994 76,4 53,6 7,4 7,6 7,80 8,32
1995 76,3 54,5 7,0 7,4 7,77 8,57
1996 76,3 55,3 6,9 7,1 7,81 8,76
1997 76,2 56,0 6,2 6,2 7,73 8,98
1998 76,2 56,6 5,5 5,6 7,69 9,28
1999 76,4 57,3 5,2 5,4 7,64 9,66
2000 76,4 57,5 5,7 5,5 7,52 10,01
2001 75,8 57,4 7,2 6,4 7,45 10,32
2002 75,8 57,8 7,9 7,0 7,41 10,57
2003 75,4 57,9 7,2 6,6 7,39 10,83
2004 75,1 58,8 6,2 6,0 7,40 11,12
2005 75,0 58,9 5,6 5,6 7,40 11,44
2006 74,9 59,3 5,4 5,4 7,43 11,82
Quadro Participao da fora de trabalho de homens e mulheres
numa economia hipottica
Unidade 2
Anotaes
importante
d m a
3
121
MODELO DE REGRESSO DE DUAS VARIVEIS: O
PROBLEMA DE ESTIMATIVA
Nesta Unidade voc dever:
entender o que um modelo de correlao e o que um modelo de re-
gresso;
saber o que so dados experimentais e dados observacionais;
saber quais so as hipteses do estimador clssico de mnimos quadra-
dos ordinrios (MQO) e entender como esse mtodo estimado;
aprender a especifcar um modelo corretamente e saber como devem se
comportar os resduos de um modelo de regresso;
entender como so estimados os parmetros e estatsticas de inferncia
num modelo de regresso;
entender quais so as hipteses estabelecidas sobre parmetros e vari-
veis de um modelo de regresso;
entender com estimar intervalos de confana para os parmetros de um
modelo de regresso; e
compreender os testes de hipteses de intervalo de confana de nvel de
signifcncia.
Unidade 3
122
Palavra do Professor
Ol, caro aluno! Chegamos ltima Unidade do nosso livro! Antes de iniciarmos,
necessrio que voc imprima o material complementar que est no AVEA. Tenha-o
sempre em mos; afnal, ser muito difcil acompanhar o desenvolvimento dos con-
tedos do livro sem ele! Bons estudos!
3.1 CONSTRUO DE UM MODELO
DE REGRESSO
A primeira tarefa num modelo de regresso estimar a funo de regresso
populacional (FRP), com base na funo de regresso amostral (FRA). Existem
vrios mtodos de construo da FRA; contudo, o mtodo mais comum o
dos Mnimos Quadrados Ordinrios (MQO). Discutiremos este mtodo no
mbito do modelo de regresso de duas variveis de uma equao nica. A
generalizao do MQO para modelos de regresso mltipla de uma equao
nica ser feito, simplesmente, pela extenso conceitual.
Na anlise de regresso, o objetivo obter uma equao matemtica que expresse
o relacionamento entre a varivel dependente (resposta) e as variveis independen-
tes, denominadas de explicativas ou preditivas.
Ao obter uma relao funcional entre a varivel dependente e as variveis
explicativas, possvel realizar previses assumindo valores nas variveis in-
dependentes e obtendo o valor possvel da varivel dependente, o que permite
estabelecer a tomada de decises.
Os modelos de regresso de uma nica equao so classifcados conforme o
diagrama esquemtico da Figura 13, abaixo.
Estatstica e Econometria
123
Regresso
Linear Simples
Regresso
Linear Mltipla
Regresso
No Linear
Exemplo: modelo
da Funo de Produo
de Cobb-Douglas
Exemplo: modelo
da Curva de Phillips
Anlise de
Correlao
Anlise de
Regresso
Figura 13 Diagrama esquemtico de modelos de regresso
Um modelo de regresso linear simples ou no linear simples se constitui
numa anlise de regresso envolvendo apenas duas variveis: uma dependen-
te e outra explanatria (isto em modelos de uma equao, que ser o foco
desta Unidade). Contudo, a relao funcional entre estas duas variveis pode
ser linear ou no linear, dependendo das caractersticas dos dados amostrais
representativos do problema a ser estudado.
J um modelo de regresso linear mltipla ou no linear mltipla se consti-
tui numa anlise de regresso envolvendo uma varivel dependente (somente
em modelos de uma equao) e trs ou mais variveis explicativas. Da mesma
forma que em modelos de regresso simples, a relao funcional entre as vari-
veis pode ser linear ou no linear, dependendo das caractersticas dos dados
amostrais representativos do problema a ser estudado.
Como exemplos de modelos de regresso no linear, pode-se citar o modelo
exponencial para a funo de Cobb-Douglas e o modelo da Curva de Philips,
conforme vimos no diagrama da Figura 13. O modelo exponencial para a fun-
o de Cobb-Douglas defnido da seguinte forma:
Unidade 3
Podemos ver, no primeiro
bloco da Figura 13, a
Anlise de Correlao que
avalia a associao (ou
dependncia) existente
entre duas ou mais
variveis. Discutiremos
mais detalhadamente esta
anlise posteriormente.
124
(82)
onde
= produto agregado de uma economia ou de um setor de uma
economia
= estoque de trabalho agregado de uma economia ou de um
setor de uma economia
= estoque de capital agregado de uma economia ou de um setor
de uma economia
= nvel de tecnologia utilizado pela economia ou setor da eco-
nomia em estudo
= participao marginal do trabalho no produto (ou elasticida-
de do produto com relao ao trabalho)
= participao marginal do capital no produto (ou elasticidade
do produto com relao ao capital)
= resduo estocstico para o modelo a ser estimado
As estimativas dos parmetros , e permitem defnir polticas para
o setor produtivo em anlise.
O modelo da Curva de Philips, por sua vez, defnido como:

(83)
onde
= taxa de variao salarial
= taxa de desemprego
e = parmetros a serem estimados
= resduo estocstico para o modelo a ser estimado
Como voc pode notar, no modelo da curva de Philips estimam-se os par-
metros e e o resduo , o que tambm permite defnir polticas
econmicas para o mercado de trabalho, determinando, em especial, a taxa
natural de emprego ou a taxa de pleno emprego para a economia.
Estatstica e Econometria
125
3.2 DADOS EXPERIMENTAIS E OBSERVACIONAIS
A primeira etapa para elaborar um modelo de regresso levantar os dados,
que podem ser obtidos a partir de duas situaes, como veremos a seguir.
Em dados experimentais, as observaes X e Y so planejadas, como o resul-
tado de um experimento. Por exemplo: considere um experimento atravs do
qual se pretende determinar a relao entre tempo de maturao do salame tipo
italiano, em funo de doses de bactrias lcticas (micro-organismos). Nesse
contexto, pode-se construir uma cmera na qual se mantm a temperatura e a
umidade constantes, variando somente a varivel de interesse, que, nesse caso,
a dose de starter (bactrias lcticas), e medindo o tempo de maturao.
Para tanto, considere X como doses de starter e Y como o tempo de maturao
do salame tipo italiano. Neste exemplo, os valores de X esto sob controle do
pesquisador; ou seja, ele escolheu as doses de starter e observou o resultado Y,
conforme podemos ver atravs dos dados do Quadro 19:
X (EM MG) Y (EM DIAS)
100 4,00
120 3,60
140 3,20
160 3,10
180 2,90
200 2,70
220 2,60
240 2,50
260 2,40
280 2,35
Quadro 19 Evoluo do tempo de maturao do salame tipo italiano,
em funo de doses de starter
A partir dos dados do Quadro 19, pode-se construir um modelo de regresso
que permite levantar as caractersticas do tempo de maturao do salame italia-
no em funo da dose de starter, conforme vemos no grfco da Figura 14 abaixo.
Unidade 3
126
+
+
+
+
+
+
+
+
+
+
+
ajustado
efetivo
4.2
3.8
3.6
3.4
3.2
2.8
2.6
2.4
2.2
1 2 3 4 5 6 7 8 9 10
3
4
Y

(
e
m

d
i
a
s
)
X (em mg)
Figura 14 Evoluo da relao entre Y (tempo de maturao do salame Italiano),
em funo da dose de starter
Nos dados observacionais, os valores de X e Y no esto sob nenhum con-
trole, pois no possvel estabelecer um experimento de tal forma que seja
possvel controlar alguns parmetros e liberar outros, como em experimentos
ligados engenharia. Por exemplo: a evoluo do consumo, em funo da
renda das famlias de consumidores, pode ser levantada em uma determinada
populao, mas seria impossvel controlar outros impactos sobre o consumo,
como o grau de escolaridade, o nmero de flhos, etc. Alm disso, as variveis
consumo (Y) e renda (X) so de carter estocstico, o que impede ao pesqui-
sador estabelecer qualquer controle sobre elas.
Enfm, dados estatsticos ligados s cincias sociais aplicadas so de carter
observacional, pois o laboratrio de onde so extrados os dados a prpria
sociedade, no havendo um controle sobre as informaes obtidas, sendo,
portanto, de carter exgeno ou no controlvel.
Estatstica e Econometria
127
3.3 ANLISE DE CORRELAO LINEAR
A anlise de correlao linear uma medida de associao (ou dependncia)
entre variveis. Quando se tem apenas duas variveis, trata-se de uma correla-
o linear simples (coefciente de correlao linear de Pearson, r); e quando
se tem mais de duas variveis, trata-se de uma correlao mltipla (anlise
da matriz de correlao entre as variveis). Neste ltimo caso, obtm-se o
coefciente de correlao mltiplo (R mltiplo).
A interpretao que se d a esses coefcientes a seguinte:
se forem zero, as variveis no so associao; e se 1, a associao
perfeita;
a correlao simtrica (correlao de XY = correlao de YX);
apresentam insensibilidade inclinao;
apresentam sensibilidade aos outliers (pontos afastados);
apresentam sensibilidade ao tamanho n da amostra; e
assumem relaes lineares.
A Figura 15 demonstra como os pontos se alinham quando existe correlao
linear positiva ou negativa, ou sem correlao linear. Na Figura:
(a) ilustra um padro de dependncia linear positiva entre Y e X;
(b) ilustra um padro de dependncia linear negativa entre Y e X; e
(c) e (d) ilustram padres de nenhuma dependncia linear entre Y e X.
Unidade 3
128
Y
Y
X
X
X
X
(c) (d)
(a)
(b)
Figura 15 Ilustraes de coefcientes de correlao linear entre variveis
A importncia de entendermos a anlise de correlao linear est no fato de
que, para haver modelos de regresso, necessrio que haja dependncia en-
tre a varivel dependente e alguma varivel explicativa, indistintamente. Num
modelo de regresso, torna-se necessrio assumir a direo de causalidade, o
que no estabelecido em um modelo de correlao linear.
Um exemplo tpico quando um pesquisador/mdico se interessa em medir
a relao entre o cncer no pulmo e o ato de fumar em pacientes hospitalares.
Para tanto, bastaria determinar o coefciente de correlao. No entanto, na
Estatstica e Econometria
129
determinao deste coefciente, no fca estabelecida a direo da causa (isto ,
se cncer no pulmo causa fumar ou se fumar causa cncer no pulmo). Com o
coefciente de correlao podemos medir a intensidade de dependncia entre
estas variveis, mas no podemos defnir a direo da causa (ou seja, o que
causa o que), pois se trata de um modelo simtrico.
Como j verifcamos na Unidade 2 (Subsees 2.5.3 e 2.5.4), estabelecer a direo
da causa importante em um modelo de regresso, por se tratar de modelos as-
simtricos. Mas a defnio desta direo encontra-se fora da relao matem-
tica para o modelo e est intrinsecamente ligada percepo do pesquisador.
Os estudos de anlise de correlao linear ou no linear tm importncia
prtica em vrias reas da economia. Como exemplo, podemos citar o campo
de mercado de capitais, no qual as estimativas dos coefcientes de correlao
constituem um passo inicial para determinar uma curva de efcincia de mer-
cado. Para ilustrarmos a determinao do coefciente de correlao de Person
r (defnido pela equao (84)), utilizaremos os dados de ao da Petrobras
(varivel Y1), da variao do dlar (Y2) e o ndice IBOVESPA (varivel X),
conforme podemos ver no Quadro 20 a seguir.

(84)
onde
= covarincia entre X e Y
X
s
e

Y
s = desvios padro das amostra X e Y
i
X e
i
Y = amostras
X e Y = mdias das amostras X e Y
n = tamanho das amostras
Unidade 3
130
Portanto, observando a equao (84), verifcamos que o coefciente de corre-
lao no nada mais do que a covarincia normalizada, tal que o coefciente
de Pearson apresenta amplitude no intervalo .
DIA Y1 (%) Y2 (%) X (%) DIA Y1 (%) Y2 (%) X (%)
15/04/2009 -1,70 2,10 -0,32 26/03/2009 -0,19 -1,12 1,89
14/04/2009 -0,94 0,37 -1,25 25/03/2009 0,26 2,55 0,78
13/04/2009 -0,16 -0,91 1,00 24/03/2009 -1,65 1,56 -2,27
09/04/2009 4,43 0,96 3,07 23/03/2009 6,04 -0,13 5,89
08/04/2009 -0,30 0,51 0,82 20/03/2009 -0,51 -0,93 -0,93
07/04/2009 -1,05 -0,41 -0,78 19/03/2009 3,35 0,35 0,78
06/04/2009 -0,36 -1,00 -0,50 18/03/2009 1,14 0,04 1,60
03/04/2009 -0,32 -1,39 1,50 17/03/2009 2,90 0,63 2,34
02/04/2009 3,74 0,45 4,19 16/03/2009 -1,84 -2,61 -1,05
01/04/2009 2,97 0,68 2,57 13/03/2009 0,54 0,70 -0,35
31/03/2009 -0,79 -1,74 0,67 12/03/2009 1,24 0,79 0,89
30/03/2009 -2,77 -2,01 -2,99 11/03/2009 0,51 -1,69 0,03
27/03/2009 -2,53 -0,52 -1,60 10/03/2009 5,33 -0,95 5,59
Quadro 20 Retornos da ao da Petrobras PN (Y1), variao do dlar (Y2) e ndice IBOVESPA (X),
entre os dias 10/03/2009 e 15/04/2009
7
6
6 8
5
4
4
3
2
2
1
0
0
-1
-2
-2
-3
-4
-4
R
E
T
O
R
N
O

D
A

A

O

D
A

P
E
T
R
O
B
R

S

P
N

(
%
)
-4
-2
-1
0
1
2
3
-3
-2 0 2 4 6 8
V
A
R
I
A

O

D
O

D

L
A
R
IBOVESPA (%)
Figura 16 (a) Relao de dependncia entre a ao da Petrobras PN e o ndice IBOVESPA, e (b)
entre a variao do dlar e o ndice IBOVESPA, no perodo 10/03/2009-15/04/2009
A Figura 16 (a) apresenta a relao de alinhamento entre os dados da ao
da Petrobras e o ndice IBOVESPA, demonstrando a existncia de correlao
linear positiva quase perfeita. Por outro lado, a Figura 16 (b) ilustra um padro
de dependncia linear negativa entre a taxa de variao do dlar e o ndice
Estatstica e Econometria
131
IBOVESPA, demonstrando uma dependncia linear negativa, mas no perfei-
ta, pois os pontos se espalham de forma acentuada.
Aplicando-se a frmula (84) aos dados do Quadro 20, obtm-se um coefciente
de correlao Pearson r, primeiro entre os dados da ao da Petrobras e do n-
dice IBOVESPA e, posteriormente, entre os dados da taxa de variao do dlar
e do ndice IBOVESPA, que so, respectivamente, da ordem de 0,90 e -0,51.
Estes resultados, estimados atravs da utilizao do sofware STATISTICA 7.0,
so apresentados na Quadro 21, abaixo.
Variable
Correlations
Marked correlations are signifcant at p < ,05000
N=29 (Casewise deletion of missing data)
1,00
1,00
1,00 0,90
0,90
-0,48
-0,48
-0,51
-0,51
Y1
Y1
X
Y21
Y2
X
Quadro 21 Coefcientes de correlao entre Y1, X, Y1 e Y2 e entre Y2 e X,
estimados pelo software STATISTICA 7.0
3.4 REVISO DA CONCEPO
DE MODELOS DE REGRESSO
Como foi intensivamente explicado na Subseo 2.6.5, pretende-se, ao elabo-
rar um modelo de regresso amostral, no somente estimar os parmetros
do modelo, mas tambm estabelecer inferncias que permitam especifcar o
nvel de erro entre os parmetros da FRA e os verdadeiros parmetros da FRP.
Portanto, vamos rever, a seguir, as diferenas conceituais entre uma FRA e
uma FRP, com a fnalidade de obter frmulas matemticas para estimativas
dos parmetros amostrais e das estatsticas de inferncias necessrias para
atingir tal objetivo.
3.4.1 UMA FRP DE DUAS VARIVEIS
Consideraremos, para introduzir os conceitos de modelo de regresso, um
modelo linear de duas variveis para a funo de regresso de uma populao,
denominada de FRP, descrito na Figura 17, a seguir:
Unidade 3
132
Y =
1
u
i

2
X
t
+ +
Varivel
Dependente
Varivel
Independente
Termo de Erro
Estocstico
Inclinao
Intercepto
Figura 17 Equao de regresso para a FRP, com as respectivas variveis e parmetros
O que se pode dizer sobre o modelo de regresso para a FRP, na Figura 17,
que o valor especfco da varivel dependente (Y
t
) situa-se ao redor do valor
mdio, fxando o valor da varivel independente (explicativa); ou seja, situa-se
em torno de expectativa condicional. Assim, pode-se expressar o desvio de
um Yi individual em torno de seu valor esperado, como sendo:
(85)
onde
(86)
Ou seja, de acordo com a especifcao da Figura 17, igual
tendncia descrita pela relao funcional que, no caso em anlise,
linear, como mostra a equao (86).
Na especifcao dos parmetros a serem estimados, conforme a mesma
Figura 17 e as equaes (85) e (86), u
t
uma varivel aleatria, no observvel,
que pode assumir valores positivos ou negativos. Tecnicamente, u
i
termo
de erro estocstico ou perturbao estocstica, e os parmetros
1
e
2
so
parmetros a serem estimados.
A funo de regresso explica, em mdia, a variao da varivel depen-
dente Y em funo da variao das variveis independentes (X
1
, X
2
,..., X
n
).
Considerando, a partir do modelo dado pelas equaes (85) e (86), que Y
t

Estatstica e Econometria
133
seja o consumo familiar e X
t
a renda familiar, ento, dado o nvel de renda, o
consumo pode ser expresso como a soma de dois componentes:
1. E(Y|X
t
), que simplesmente o termo mdio, ou o valor esperado de y
t
,
fxada a varivel independente. Este valor esperado conhecido como
componente sistemtico ou determinstico; e
2. u
i
, que o componente aleatrio, ou no sistemtico.
Como observamos na Unidade 2 (Subseo 2.6.4), o termo perturbao esto-
cstica (u
i
) considerado um substituto ou representante (proxy) de todas as
variveis omitidas ou abandonadas que podem afetar Y
t
, mas que no esto
(ou no podem ser) includas no modelo de regresso.
3.4.2 UMA FRA DE DUAS VARIVEIS
Como foi enfatizado anteriormente (Subseo 2.6.5), na maioria das situaes
prticas, tem-se somente uma amostra de valores Y correspondente a alguns
Xs fxos. Por isso, a tarefa estimar a FRP com base nas informaes da amos-
tra. Ento, desenvolve-se o conceito da funo de regresso amostral (FRA)
para representar a regresso. Assim:
(87)
onde
= estimador de E(Y/Xi)
= estimador de |
1
= estimador de |
2
= estimador para ui
Um estimador tambm conhecido como uma estatstica da amostra.
Palavra do Professor
Ento, ao longo desta seo, apresentaremos os mecanismos matemticos e estatsti-
cos que permitem estabelecer o quo prximas a FRA e a FRP se encontram; ou seja,
estabeleceremos mtodos e regras que detectam as proximidades entre essas funes.
Unidade 3
134
Como se sabe, quando se utilizam dados amostrais, tem-se um subconjunto
da populao, e consequentemente, uma reduo na preciso das informa-
es inerentes populao, que so aportadas por esses mesmos dados. Esse
fato nos induz a concluir que as estimativas do comportamento da FRP, a
partir da FRA, so feitas com certo grau de vis. Portanto, necessrio espe-
cifcar a ordem de grandeza desse vis atravs da especifcao do nvel dos
erros inerentes aos dados amostrais. Alm desse fato, a preciso do modelo
de regresso amostral depende tambm do vis introduzido pelo estimador
(modelo matemtico utilizado para a soluo do problema).
Nessa Unidade (Subseo 3.4.4) utilizaremos como estimador o Mtodo dos
Mnimos Quadrados (MQO). Para que este mtodo seja preciso (com estima-
tivas sem vis e de varincia mnima (efciente)), os dados utilizados devem
satisfazer a algumas propriedades, e as especifcaes do modelo devem ser as
mais corretas possveis, caracterizadas por pressupostos (hipteses), que voc
ver na Subseo 3.4.3 a seguir.
3.4.3 HIPTESES ADJACENTES
No modelo de regresso, as variveis independentes (X
1
, X
2
, ..., X
n
) so supos-
tas sem erro. Cada uma deve assumir pelo menos dois valores diferentes e no
pode ser funo linear exata de outras. A varivel dependente Y
i
e o erro u
i
so
variveis aleatrias. Os valores do erro aleatrio distribuem-se normalmente
em torno de sua mdia. Mas o erro aleatrio absorve qualquer erro de apro-
ximao existente, capta a infuncia de qualquer outra varivel independente
no includa no modelo e quaisquer elementos de comportamento aleatrio
presentes em cada elemento pesquisado.
Para que o modelo de regresso apresente resduos normais e com mdia zero,
e para que os demais parmetros sejam estimados com o menor vis possvel,
de forma que se possam estabelecer inferncias sobre estes parmetros, devem-
se estabelecer hipteses subjacentes ao modelo clssico de regresso linear.
Se a inteno, numa anlise de regresso, fosse somente estimar |
1
e |
2
, o m-
todo dos MQO seria sufciente. Contudo, em anlise de regresso, o objetivo
no somente obter e , mas tambm fazer inferncias a partir das
estimativas, sobre os verdadeiros valores de |
1
e |
2
. Por exemplo, gostaramos
de saber quo prximo e esto de suas contrapartidas na popula-
o (|
1
e |
2
), e quo prximo encontra-se do verdadeiro Y
t
.
Para tanto, devemos no apenas especifcar a forma funcional do modelo de
regresso (ou seja, estabelecer ), mas tambm formular
Estatstica e Econometria
135
certas hipteses sobre o modo pelo qual gerado.
Num modelo de regresso, a funo de regresso populacional FRP (equaes
(85) e (86)), mostra que Y
i
depende tanto de X
i
como de u
i
. Por isso, a menos
que sejamos especfcos sobre o modo pelo qual X
i
e u
i
foram criados ou gera-
dos, no h como fazer qualquer inferncia sobre Y
i
e, tampouco, sobre |
1
e |
2
.
Em resumo, as hipteses que veremos a seguir, elaboradas sobre as variveis X
i

e o termo de erro, so extremamente necessrias para a validade da interpre-
tao do modelo. Observe:
HIPTESE 1: o modelo de regresso deve ser linear nos parmetros. Ou
seja, ao estabelecer a relao funcional ,
esta pode ser no linear nas variveis, mas deve ser linear nos parmetros.
HIPTESE 2: os valores da varivel explicativa X so fxados em amos-
tragem repetida (a anlise de regresso uma anlise condicional aos
dados do regressor X). Tecnicamente, supe que X seja no estocstico.
Assim, a regresso linear mostra relaes entre os valores fxos da vari-
vel explicativa X e os valores mdios de Y. Contudo, a regresso assume
relaes contendo elementos X estocsticos. Por exemplo: numa regres-
so consumo-renda, a renda, como varivel explicativa, segue uma dis-
tribuio probabilstica, pois suas informaes so coletadas por amos-
tragem, por meio de coleta de dados.
HIPTESE 3: o valor mdio da perturbao (erro aleatrio) u
i
zero, pois:
Consequentemente, como , ento,
E(u
i
|X
i
) = 0.
Assim, dado o valor de X, o valor mdio ou esperado do termo de per-
turbao aleatria u
i
zero.
HIPTESE 4: homoscedasticidade ou varincia de u
i
igual para todas as
observaes. As varincias condicionais de ui so idnticas. Simbolica-
mente, tem-se:
Unidade 3
136
Pois, de acordo com a Hiptese 3, . O smbolo o
2
a
varincia homoscedstica. Ou seja, a varincia da perturbao aleatria
considerada como constante para todos os valores Y
i
.
Conforme mostrado no grfco da Figura 18, abaixo, os dados da
varivel dependente no devem apresentar volatilidade na varincia,
estabelecendo a relao entre o consumo f(Y
i
) e a renda X
i
, atravs da
qual se observa que, ao aumentar a renda das famlias, aumenta tambm
o consumo mdio. No entanto, a disperso do consumo (medida pela
varincia o
2
) em torno de seu valor mdio permanece constante. Isto
evidencia que os fatores aleatrios que causam a disperso do consumo
das famlias, dado a renda, so os mesmos para qualquer faixa de renda.
f(Y )
i
X
i
X =R$ 400,00 X
1 2
=R$ 500,00 Renda

Figura 18 funo de densidade de probabilidade para y
i
, para dois nveis de renda mensais x
i
HIPTESE 5: no h autocorrelao entre as perturbaes estocsticas.
Dados dois valores X quaisquer, X
i
e X
j
, tal que ij, a correlao entre
quaisquer dois u
i
e u
j
(sendo ij) zero. Simbolicamente, tem-se que:
( ) ( ) [ ] ( ) [ ]
( ) ( ) 0 | u E | u E
, | , cov
j i
= =
=
j i
j j j i i i j i j i
X X
X u E u E X u E u E X X u u
Afnal, E(u
i
)=0 e E(u
j
)=0 (Hiptese 3).
Estatstica e Econometria
137
Por que isso acontece? Porque i e j so duas observaes diferentes;
ento, a covarincia (cov) deve ser zero para que no haja dependncia.
O postulado de autocorrelao nula trata da hiptese de ausncia de
correlao serial. Isto signifca que dado X
i
, o desvio de quaisquer dois
valores de Y de seus valores mdios no exibe relao de causalidade.
Intuitivamente, pode-se explicar a necessidade da no presena de cor-
relao serial, considerando, por exemplo, a FRP linear abaixo:
Y
i
=|
1
+
2
X
i
+u
i
,
tal que, se u
i
e u
(i-1)
tiverem correlao positiva, ento, Y
i
depende no s
de X
i
, mas tambm de , j que, de certa forma, u
(i-1)
determina u
i

(assim, no se restringe somente o efeito de X
i
sobre Y
i
).
HIPTESE 6: u
i
e X
i
apresentam covarincia zero, ou seja, E(u
i
X
i
)=0.
Formalmente, j que X
i
no estocstico, tem-se:
( ) ( ) [ ] ( ) [ ]
( ) [ ]
( ) ( ) ( )
i i i i
i i
i i i i i i
u E X E X u E
X E X
X E X E u E u E X u
=
= =
=

( u E
, cov
i
Portanto:
( ) ( ) ( ) ( ) ( ) hiptese por , 0 u E que j , 0 u E , cov
i i
= = = =
i i i i i
X E u E X X u
Nesta hiptese, assume-se que a perturbao estocstica u
i
e a varivel
explicativa X
i
no apresentam correlao. Numa FRP, admite-se que X
i

e u
i
(representando a infuencia de todas as variveis omitidas) exercem
infuncias separadas (e cumulativas) sobre Y
i
. Dessa forma, se X
i
e u
i
tm
correlao, passa a existir uma relao de causalidade entre eles; ento,
suas infuencias sobre Y
i
, nesse caso, no so separadas ou cumulativas.
Ou seja, difcil isolar as infuncias de X
i
e u
i
sobre Y
i
.
HIPTESE 7: O nmero de observaes n deve ser maior que o nmero
de parmetros a serem estimados. Alternativamente, o nmero de ob-
servaes n deve ser maior que o nmero de variveis explicativas.
HIPOTSE 8: Os valores de X, em uma dada amostra, no podem ser
todos iguais. Tecnicamente, var(X) deve ser um nmero positivo fnito.
Portanto, se todos os valores de X forem idnticos, ento,
. Assim, ser impossvel determinar |
2
.
Unidade 3
138
HIPTESE 9: o modelo de regresso linear est corretamente especi-
fcado? Alternativamente, no dever existir nenhum vis ou erro de
especifcao no modelo usado na anlise emprica. Algumas questes
relacionadas especifcao do modelo so:
Quais so as variveis que devem ser includas no modelo?
Qual a forma funcional do modelo? Conforme a Figura 19, a seguir,
os modelos 4, 5 e 6 so relaes funcionais corretamente especifca-
das, que introduzem pouco vis nas estimativas.
O modelo linear nos parmetros, nas variveis ou em ambos? Todos
os modelos apresentados na Figura 19 so lineares nos parmetros.
Quais so as hipteses probabilsticas feitas sobre Yi, Xi e ui que
entram no modelo?
Retorno do CDB
MODELO 1
MODELO 2
MODELO 3
MODELO 4
MODELO 5
MODELO 6
6
5
4
3
2
1
0
0,0 0,2 0,4 0,6 0,8 1,0 1,2 1,4 1,6 1,8
Figura 19 Diagrama de disperso para um conjunto de dados hipotticos de CDB e IPC e especif-
caes de relao funcional de modelos de regresso:
Estatstica e Econometria
139
;
;
;
;

e
.
HIPTESE 10: no existe multicolinearidade perfeita. Ou seja, no h
relaes lineares perfeitas entre as variveis explicativas.
Suponha que Y, X
2
e X
3
representem, respectivamente, consumo, renda e
riqueza do consumidor. Ao postular que a despesa de consumo se rela-
ciona linearmente com a renda e a riqueza, a teoria econmica presume
que elas possam ter alguma infuncia independente sobre o consumo.
Do contrrio, no haveria sentido em inclu-las no modelo. Por exemplo,
considere a seguinte regresso:
i i i i
u X X Y + + + = ) 2 (
2 3 2 2 1
| | |
No extremo, se houver uma relao linear exata entre renda e riqueza, te-
remos apenas uma varivel independente, no duas, e no haver como
avaliar a infuncia separada da renda e da riqueza sobre o consumo.
Para ver isto claramente, seja X
3i
= 2X
2i
na regresso consumo-renda-
riqueza. A regresso, ento, assume a seguinte equao:
i i
i i
i i i i
u X
u X
u X X Y
+ + =
+ + + =
+ + + =
2 1
2 3 2 1
2 3 2 2 1
) 2 (
) 2 (
o |
| | |
| | |
em que ) 2 (
3 2
| | o + = . Isto , temos, na verdade, uma regresso de
duas variveis e no de trs variveis.
Alm disso, se estimarmos a regresso com duas variveis, conforme a
relao acima, e obtivermos o, no haver como estimar a infuncia
separada de ) ( X e ) ( X
3 3 2 2
| | = = sobre Y, pois o fornece a infuncia
Unidade 3
140
combinada de X
2
e X
3
sobre Y. Resumindo, a hiptese de no multico-
linearidade exige que incluamos na FRP somente as variveis que no
sejam funes lineares de algumas variveis no modelo. Como isto pode
ser feito na prtica uma questo que ser explicada posteriormente.
3.4.4 FUNES AMOSTRAIS E MECANISMO DOS
MNIMOS QUADRADOS ORDINRIOS (MQO)
Considere a equao de regresso amostral (87), transcrita abaixo:
(87)
Esta equao a verso estocstica da FRA, que descreve a caracterstica da
populao por meio de medida amostral. O chapu, na equao (87), carac-
teriza estimativas. Por exemplo, caracteriza a estimativa para valor espe-
cfco da varivel dependente Y
t
, que se situa ao redor do valor mdio, fxado
o valor da varivel independente (explicativa). Ou seja,

se situa em torno
da expectativa condicional de Y
t
, que, neste exemplo, dado por uma relao
funcional linear ( ). Considere, tambm, que
constitui o termo residual que se caracteriza como uma estimativa para
o termo de erro estocstico u
t
, representativo da componente assistemtica de
Y
t
. Portanto, assumindo-se que uma proxy de u
t
, temos:
(88)
MNIMOS QUADRADOS ORDINRIOS (MQO)
O MQO inicia com a defnio do termo residual, dado pela equao (88),
que pode ser escrita da seguinte maneira:
(89)
Portanto, elevando-se ambos os lados da equao (89) ao quadrado e, em
seguida, aplicando-se a somatria, tambm em ambos os lados da equao,
obtm-se:
(90)
Matematicamente, o MQO minimiza a distancia vertical ao quadrado, sem-
pre entre os pontos observados e a curva de regresso. Esse procedimento
obtido, aplicando-se a primeira derivada na equao (90), com relao aos
Estatstica e Econometria
141
parmetros a serem estimados, e igualando-se o resultado a zero. As equaes
obtidas nesse procedimento sero pontos de mnimo se a segunda derivada da
equao (90) for maior que zero. Caso contrrio, ser um ponto de mximo.
Aplicando-se este procedimento, obtm-se:
(91)
(92)
(93)
e
(94)
Portanto, a funo (90) ter um mnimo quando suas derivadas parciais, em
relao a e a , forem nulas, e a segunda derivada parcial, com rela-
o a estas estimativas, for positiva. Ento, constata-se por meio das equaes
(93) e (94) que as segundas derivadas, respectivamente, com relao a
e a , so positivas, o que indica que os pontos a serem estimados pelas
equaes (91) e (92) so pontos de mnimo. Ou seja, as estimativas so tais
que a soma dos resduos ao quadrado seja mnima.
A equao (91) pode ser modifcada, como vemos a seguir:
(95)
Unidade 3
142
A equao (92) tambm pode ser modifcada, como a seguir:

(96)
As equaes (95) e (96), portanto, representam um sistema de equaes linea-
res com relao a e a , que pode ser escrito da seguinte forma:
(97)
Ento, multiplicando-se a primeira equao do sistema (97) por

n
i
i
X
1
e a
segunda por n, obtm-se:
(98)
Estatstica e Econometria
143
Substituindo-se a equao (98) na primeira equao do sistema (97), teremos:
(99)
fcil verifcar que as frmulas para o clculo de e podem ser
escritas de diversos modos. Por exemplo, com relao a , tem-se:
(100)
Unidade 3
144
Com relao a , considere a equao (98) transcrita abaixo:
(101)
Considere tambm que:



(102)
e


Estatstica e Econometria
145
(103)
Substituindo as equaes (102) e (103) na equao (101), obtm-se:
(104)
onde
n = tamanho da amostr
Portanto, para estimar , pode-se utilizar tanto a equao (99) como a equa-
o (100) e, para estimar , pode-se utilizar tanto a equao (98) como a
(104).
PRECISO OU ERROS PADRO DAS ESTIMATIVAS DO MQO
Est claro que as estimativas pelo MQO so funo dos dados da amostra.
Mas como os dados amostrais, provavelmente, iro variar de amostra para
amostra, as estimativas tambm variaro. Dessa forma, necessrio alguma
medida de confabilidade ou preciso das estimativas de e .
Unidade 3
146
Na estatstica, a preciso de uma estimativa medida por seu erro padro.
Dada a hiptese gaussiana (distribuio normal), os erros padro das estima-
tivas por MQO podem ser obtidos como segue (considere que o desenvolvi-
mento matemtico no foi apresentado):
ou (105)
e
ou (106)
onde
var = varincia
ep = erro padro
o
2
= varincia constante ou homoscedstica de u
i
(Hiptese 4) ou varincia da esti-
mativa de Y
i
ser estimadas a partir dos dados. O o
2
, propriamente dito, estimado por
meio da seguinte frmula:
(107)
onde n o tamanho da amostra, k o nmero de parmetros do modelo (no
caso em anlise, modelo linear com dois parmetros, e ) e
o resduo, sendo igual a . Portanto, o estimador de
Estatstica e Econometria
147
MQO do verdadeiro (porm desconhecido) o
2
. J (n-2) conhecida como
Nmero de Graus de Liberdade (gl ou, em ingls, df), enquanto que
a Soma dos Quadrados dos Resduos (SQR).
Considerando que:
(108)
Elevando a equao (108) ao quadrado, em ambos os lados, e somando-a ao
longo da amostra, obtm-se:
(109)
Unidade 3
148
Saiba Mais
A distribuio normal uma das mais importantes distribuies da estatstica, co-
nhecida tambm como Distribuio de Gauss ou Gaussiana. Foi desenvolvida pelo
matemtico francs Abraham de Moivre.
Alm de descrever uma srie de fenmenos fsicos e fnanceiros, possui grande uso
na estatstica inferencial. inteiramente descrita por seus parmetros de mdia e
desvio padro, ou seja, conhecendo-os, consegue-se determinar qualquer probabi-
lidade em uma Normal.
Um interessante uso da Distribuio Normal que ela serve de aproximao para o
clculo de outras distribuies quando o nmero de observaes fca grande. Essa
importante propriedade provm do Teorema Central do Limite, que diz que toda
soma de variveis aleatrias independentes de mdia fnita e varincia limitada
aproximadamente Normal, desde que o nmero de termos da soma seja sufcien-
temente grande (ver o teorema para um enunciado mais preciso) (disponvel em:
http://pt.wikipedia.org/wiki/Distribui%C3%A7%C3%A3o_normal.
A funo de densidade de probabilidade normal, bem como sua forma analtica est
mostrada na fgura abaixo. Os dois parmetros que defnem a distribuio so a m-
dia () e o desvio padro (o). A integral da funo, ou seja, a rea da curva unitria.
A rea entre +o e -o aproximadamente 0,68. A rea entre +2o e -2o de
0,95. Uma interpretao do signifcado destes valores que a probabilidade de uma
varivel aleatria, com distribuio normal, que tenha seu valor maior que +2o ou
menor que -2o, de aproximadamente 0.05 (disponvel em: http://www.cbpf.br/
cat/pdsi/gauss.html
0.3989

0.2420

0.0540

f(x)
f(x) =

2 2
1

1
x
1
2
e

2
(x - )
-
!
Estatstica e Econometria
149
Todas as quantidades que entram nas equaes anteriores, exceto o
2
, podem
Mas, considerando que:
(110)
Substituindo-se a relao (110) na equao (109), obtm-se:
(111)
Portanto, estimando-se a soma do quadrado mdio, dada pela equao (111), e
substituindo na equao (107), obtm-se a estimativa para a varincia homos-
cedstica (ou varincia da estimativa).
Em seguida, estimam-se os erros padro para a inclinao e para o intercepto,
dados pelas equaes (105) e (106), respectivamente. Por meio destas equa-
es, observa-se que a preciso das estimativas dos parmetros de regresso
e diretamente proporcional a o
2
, mas inversamente proporcional
a .
Ento, quanto maior for a variabilidade em X
i
, maior ser a preciso das estimativas,
tanto do intercepto quanto do coefciente de regresso. Contudo, a variabilidade do
intercepto diretamente proporcional a e inversamente propor-
cional ao tamanho n da amostra.
As estimativas do intercepto e o coefciente de inclinao no somente variam de
amostra para amostra, como so inversamente correlacionados: uma superesti-
mao da inclinao conduzir a uma subestimao do intercepto, e vice-versa.
Portanto, e so estimadores que no apenas variaro de uma amos-
tra para outra, mas tambm em uma dada amostra, provavelmente, vo de-
pender um do outro, sendo esta dependncia medida pela covarincia entre
eles. Ou seja:
Unidade 3
150
(112)
Podemos observar, na equao (112), que todas as grandezas so positivas,
exceto . Assim, a depende do sinal de . Se
for positivo, a covarincia ser negativa, e vice-versa. Se o coefciente de
declividade for superestimado, o intercepto ser subestimado, e vice-versa.
Mais frente, veremos a importncia de estudar a covarincia entre esses dois
coefcientes (Multicolinearidade).
As propriedades dos estimadores de mnimos quadrados (MQO) so dadas
pelo teorema de Gauss-Markov que estabelece que, satisfeitas as hipteses do
modelo clssico de regresso linear, os estimadores por mnimos quadrados
(MQO), na classe dos estimadores lineares no enviesados, tm mnima
varincia. Isto , so MELNV (Melhor Estimador Linear No Viesado ou
estimador blue de |
2
). Isso quer dizer que:
um estimador linear, isto , uma funo linear de uma varivel aleat-
ria, tal como a varivel dependente Y do modelo de regresso;
no viesado (no tendencioso), ou seja, o seu valor mdio ou esperado
E(
2
) igual ao valor verdadeiro de |
2
; e
tem mnima varincia na classe de todos esses estimadores lineares no
viesados, e conhecido como estimador efciente.
Portanto, o TEOREMA DE GAUSS-MARKOV estabelece que, dadas as hipteses do mode-
lo clssico de regresso linear, os estimadores por mnimos quadrados (MQO), na classe
dos estimadores lineares no enviesados, tm mnima varincia; isto , so MELNV.
Estatstica e Econometria
151
PRECISO DE ESTIMATIVAS E AJUSTES
Palavra do Professor
At agora nos preocupamos com o problema de estimar coefcientes de regresso,
seus erros padro e algumas de suas propriedades. Agora, examinaremos o grau de
ajuste a um conjunto de dados da reta de regresso. Ou seja, verifcaremos o quo
bem a reta de regresso da amostra ajusta-se aos dados.
Se todas as observaes (informaes pertinentes aos dados) estivessem situ-
adas sobre a linha de regresso, por exemplo, o ajuste seria perfeito. Mas este
no o caso, pois haver alguns positivos e alguns outros negativos.
O que se espera que esses resduos distanciados da linha de regresso apre-
sentem afastamentos to pequenos quanto possveis.
O coefciente de determinao r
2
(no caso de regresso de duas variveis) e
R
2
(no caso de regresso de multivariveis) uma medida sinttica que diz
o quo bem a reta de regresso da amostra se ajusta aos dados. Podemos en-
tender melhor o grau de ajuste por meio do Diagrama de Venn ou Ballentine,
apresentado na Figura 20.
x Y
r simplesmente uma medida
numrica dessa sobreposio
r = 0
r = 0.5
r = 0.9
r = 1,0
O crculo Y representa
a variao na Varivel
dependente e o crculo
X representa a vario
na varivel explicativa
A sobreposio dos dois crculos (rea sombreada)
indica at que ponto a vario em Y explicada por X
Figura 20 Diagrama de Venn ou Ballentine, para evidenciar os nveis de explicao da varivel
explanatrio X sobre a varivel dependente Y, por meio do coefciente de determinao r
2
Unidade 3
152
A estimativa de r
2
obtida, inicialmente, a partir da relao (109) transcrita
abaixo:
(109)
Tal que:
, e (113, 114 e 115)
onde SQT a Soma do Quadrado Total, que mede a variao total dos valores
efetivos de Y
i
em relao sua mdia amostral; SQE a Soma do Quadrado da
Explicao devido regresso, que mede a variao dos valores estimados de
em relao sua mdia amostral. Ou seja, a parcela de Y explicada pela
varivel X e SQR a Soma do Quadrado dos Resduos, que mede a variao
residual ou no explicada dos valores de Y
i
em relao curva de regresso.
Em resumo, considerando as relaes (109), (113), (114) e (115), temos que:
(116)
A relao (116) mostra que a variao total dos valores de Y, em relao a seu
valor mdio, pode ser dividida em duas partes: uma atribuda reta de regres-
so, e outra s foras aleatrias, porque nem todas as observaes efetivas Y
i

fcam sobre a reta ajustada. A Figura 21 evidencia estas variaes.
FRA
Y - Y = SQE
i
i
Y
^
^
Y
Y
i
Y
i
X
i
Y
i
SQT = -
Y
Figura 21 Relaes entre SQT, SQE e SQR
Estatstica e Econometria
153
A partir da equao (116), tem-se:

(117)
A quantidade r
2
defnida pela equao (117) conhecida como coefciente de
determinao da amostra e a medida mais utilizada do grau de ajuste de
uma reta de regresso. Traduzindo, r
2
mede a proporo ou percentagem da
variao total em Y explicada pelo modelo de regresso.
Em resumo, necessrio verifcar o quo timo o ajuste de regresso (FRA)
dos dados. Para tanto:
deve-se comparar os desvios dos dados da FRA (desvios residuais) com os
desvios da mdia amostral de Y (Desvio Total = Desvio Explicado + Desvio
residual), e identifcar a ordem de grandeza de cada uma destas medidas;
deve-se saber que, quanto maior for o termo de Desvio Explicado relati-
vo ao Desvio Total, melhor ser o ajuste;
deve-se notar que o ajuste total proveniente da agregao dos desvios
de todas as observaes na amostra.
Portanto, de acordo com as relaes de (113) a (115) e (117), conclui-se que:
(118)
Ou, de acordo com as relaes (111) e (117), tem-se que:
(119)
Unidade 3
154
Contudo, considerando a equao (119), onde e so, respectiva-
mente, as varincias de Y
i
e X
i
, veremos que:
(120)
Ainda, considerando as relaes (104) e (119), obteremos:
(121)
O Coefciente de Determinao corrigido quando se usam poucos pontos na
amostra pela seguinte relao:
(122)
Duas propriedades de r
2
podem ser destacadas:
ele uma quantidade no negativa, sendo 0 r
2
1;
um r
2
= 1 signifca um perfeito ajuste, isto , para todo i, . Por
outro lado, um r
2
= 0 signifca que no existe nenhuma relao de causalidade
entre a varivel regredida e a varivel regressora ( ). Nesse caso,
, portanto, a melhor previso de qualquer valor de
Y simplesmente o seu valor mdio. Nesta situao, a reta de regresso ser
horizontal ao eixo X.
Finalmente, tem-se que o coefciente de Correlao r :
(123)
Onde denominado de
coefciente de determina-
o ajustado.
Estatstica e Econometria
155
O sinal de r deve ser obtido pela inclinao da reta de regresso. Ou seja, deve
ser igual ao sinal de .
Palavra do Professor
Caro aluno, consulte agora o Exemplo 1 do material complementar da Unidade 3,
pois se trata do exemplo prottipo cujo resultado ser utilizado nas anlises que se
seguem at o fnal desta Unidade. Portanto, leia e analise-o atentamente. Em segui-
da, continue a sua leitura da Seo 3.5.
3.5 CONSIDERAES SOBRE O MQO
Os estimadores de MQO para e satisfazem diversas propriedades es-
tatsticas desejveis, dentre elas a inexistncia de vis e a varincia mnima. Se o
objetivo for simplesmente a estimativa de ponto, o mtodo dos MQO ser suf-
ciente. Mas esta estimativa apenas um aspecto da inferncia estatstica. Outros
aspectos so os testes de hipteses e a defnio de intervalos de confana.
Como o nosso objetivo tanto a estimativa de ponto, como estabelecer Testes
de Hiptese ou Intervalos de Confana, ento, deve-se especifcar a distribui-
o de probabilidade das perturbaes u
i
. Por qu? Porque as distribuies de
probabilidades ou amostragem dos estimadores de MQO dependero das
hipteses feitas sobre a distribuio de probabilidades de u
i.

Portanto, trataremos do Modelo Clssico de Regresso Linear de duas variveis,
mas supondo que as perturbaes u
i
da populao estejam distribudas nor-
malmente, o que chamado de Modelo Clssico de Regresso Linear Normal
(MCRLN). Assim, as seguintes hipteses so feitas sobre os resduos u
i
:
mdia zero, ou seja, expectativa zero (E(u
i
)=0);
no esto correlacionados. Ou seja, para ij, onde u
i
e u
j
representam
valores dos resduos das observaes da varivel dependente Y, para
dois valores distintos da varivel explicativa X, ou seja, X
i
e X
j
, tal que
(E(u
i
,u
j
)=0);
u
i
com i=1, 2, ..., n, possui varincia constante ( );
adiciona-se s propriedades acima, a condio de normalidade para u
i
( ).
Unidade 3
156
Assim, com a hiptese de normalidade assumida para ui, teremos que ui e uj
no apenas tm correlao zero, como tambm se distribuem independente-
mente. Portanto:
(124)
Note que NID signifca normal e independentemente distribudo.
Palavra do Professor
Agora voc deve estar se perguntando: por que a hiptese de normalidade? Por
vrias razes! Veja a seguir.
u
i
representa a infuncia combinada (na varivel dependente) de um
grande nmero de variveis independentes que no so explicitamen-
te introduzidas no modelo de regresso. A infuncia dessas variveis
omitidas ou esquecidas deve ser pequena, quando muito aleatria, pois,
de acordo com o Teorema do Limite Central (CHOU, 1989), a soma de
variveis aleatrias produz uma distribuio aleatria normal.
O Teorema do Limite Central diz que, mesmo que o nmero das va-
riveis no seja muito grande, ou que essas variveis no sejam rigo-
rosamente independentes, sua soma pode ainda assim ser distribuda
normalmente.
Com a hiptese de normalidade, as distribuies de probabilidade dos
estimadores de MQO podem ser facilmente derivadas, pois uma pro-
priedade da distribuio normal que qualquer funo linear de vari-
veis distribudas normalmente , ela prpria, distribuda normalmente.
Ainda, se u
i
distribudo normalmente, ento, e so tambm
distribudos normalmente.
A distribuio normal uma distribuio relativamente simples que en-
volve somente dois parmetros (mdia e varincia).
A condio de garante as Hipteses 3, 4,
5 e 6 do modelo clssico de regresso MQO, anteriormente mencionadas
(Subseo 3.4.3).
Portanto, considerando que o termo de erro estocstico seja uma distribuio
Estatstica e Econometria
157
normal, com mdia e varincia , tal que:
(125)
Com a seguinte funo de distribuio de probabilidade, f(u):
(126)
Com a hiptese da normalidade dos resduos, os estimadores MQO de
possuem as seguintes propriedades estatsticas:
1. no so viesados;
2. tm varincia mnima (estimadores efcientes), que combinada com a
propriedade anterior, conduz ao fato de que os estimadores MQO sejam
estimadores MELVM (melhor estimador linear de varincia mnima),
para os parmetros acima especifcados;
3. consistncia, isto , quando o tamanho da amostra aumenta indefni-
damente, os estimadores convergem para seus verdadeiros valores da
populao; e
4.
distribui-se normalmente com . Ou seja, o
valor mdio da distribuio de o verdadeiro valor da distribuio
da populao, obtido por meio da distribuio dos estima-
dos por meio de regresso de dados amostrais para um conjunto grande
de diferentes amostras. Assim, o valor mdio, ou o valor esperado
de (ou seja, ). Portanto, possuindo as dis-
tribuies dos estimados para as diferentes amostras, pode-
ramos estimar , a varincia de . Contudo, nesse caso, usa-se
como Proxy de e
(127)
como proxy para a varincia de .
Unidade 3
158
Assim, garantida a propriedade de normalidade ,
esta pode ser transformada em uma distribuio normal padro, determi-
nando a varivel z, defnida como:
(128)
que constitui uma distribuio normal com mdia zero e varincia uni-
tria, ou seja: (onde o desvio padro
da distribuio ou a raiz quadrada da varincia estimada
em (127)).
5. tambm se distribui normalmente com .
Ou seja, o valor mdio da distribuio, , o verdadeiro valor da dis-
tribuio da populao, obtido por meio da distribuio dos
estimados por meio de regresso de dados amostrais para um grande
conjunto de diferentes amostras. Assim, o valor mdio, ou o valor
esperado de (ou seja, ). Portanto, possuin-
do as distribuies dos estimados para as diferentes amos-
tras, poderamos estimar , a varincia de . Contudo, nesse
caso, usa-se como Proxy de e
(129)
como proxy para a varincia de .
Assim, garantida a propriedade de normalidade ,
esta pode ser transformada em uma distribuio normal padro, determi-
nando a varivel z, defnida como:
(130)
que constitui uma distribuio normal com mdia zero e varincia unitria,
ou seja: (onde o desvio padro da dis-
tribuio ou a raiz quadrada da varincia estimada em (127)).
Estatstica e Econometria
159
6.
distribudo com _
2
(qui-quadrado) com
(n-k) graus de liberdade gl, n o tamanho da amostra, k nmero de
parmetros do modelo de regresso, a estimativa varincia ho-
moscedstica (ou varincia da estimativa) e a varincia homos-
cedstica da populao;
7.
e se distribuem independente de ;
8.
e tm varincia mnima em toda classe de estimadores no
viesados, sejam lineares ou no. Esse resultado, contrariamente ao te-
orema de Gauss-Markov, no restringe a classe de estimadores linea-
res. Portanto, pode-se dizer que os estimadores de Mnimos Quadra-
dos so os melhores estimadores no viesados (MENV) (GUJARATI,
200Como se sups que u
i
se distribui normalmente, e pelas caractersti-
cas exgenas de Y
i
, esse Y
i
aleatrio e se distribui normalmente, ento,
obedece regra de que toda funo linear de va-
riveis distribudas normalmente distribui-se tambm dessa forma. Ou
seja, para garantir essa propriedade, intuitivamente, e tam-
bm devem ser normalmente distribudos. importante notar que a hi-
ptese de normalidade permite derivar as distribuies de probabilidade
ou amostragem de e (normal) e (qui-quadrado).
A propsito, se admitirmos que u
i
se distribui normalmente, com mdia
zero e varincia , ento, Y
i
tambm se distribui normalmente, com
mdia e varincia dadas, respectivamente, por:
(131)
e (132)
Ou seja, mais precisamente, .
Deve ser lembrado que estamos tratando de regresses com somente
duas variveis, uma dependente e outra explicativa.
Estabelecidas as caractersticas probabilsticas das variveis e os parme-
tros que integram um modelo de regresso, ento, descrevem-se as pro-
priedades das distribuies probabilsticas de um modelo de regresso,
conforme Gujarati (2006). Assim, tem-se os seguintes teoremas:
Unidade 3
160
TEOREMA I: Se Z
1
, Z
2
,... , Z
n
so variveis aleatrias, distribudas nor-
malmente e independentes, de tal modo que , en-
to a soma , em que k
i
so constantes diferentes de
zero, tambm se distribui normalmente com mdia
e varincia , ou seja,
(onde indica o valor mdio).
Em suma, considere-se que e
, ento, a combinao
tambm se distribui normalmente, com m-
dia
e varincia
. Ou seja,
.
TEOREMA II: Se Z
1
, Z
2
, ... , Z
n
so variveis aleatrias, distribu-
das normalmente, mas dependentes, ento, a soma
, em que k
i
so constantes, nem todas iguais, tambm se
distribui normalmente com mdia e varincia
. (133)
Assim, se ,
e , ento, a combinao
tambm se distribui normalmente,
com mdia
e varincia
. Ou seja,
.
TEOREMA III: Se Z
1
, Z
2
, ... , Z
n
so variveis aleatrias, distribudas nor-
malmente e independentes, tal que (isto , uma
varivel normal padronizada), ento
(134)
segue uma distribuio _2, com n graus de liberdade. Simbolicamente,
, em que n indica os graus de liberdade.
Estatstica e Econometria
161
TEOREMA IV: Se Z1, Z2, ... , Zn so variveis aleatrias independentes,
onde cada qual segue uma distribuio _2 com ki graus de liberdade, ento
(135)
segue uma distribuio _2, com graus de
liberdade.
TEOREMA V: Se Z
1
uma varivel aleatria, distribuda normalmente
e independente, tal que (isto , uma varivel
normal padronizada), e Z
2
uma outra varivel que segue uma distri-
buio _
2
, com k graus de liberdade e sendo independente de Z
1
, ento a
varivel defnida como
(136)
segue uma distribuio t de Student, com k graus de liberdade. (CHOU, 1989)
TEOREMA VI: Se Z
1
e Z
2
so variveis _
2
, distribudas independente-
mente, com k
1
e k
2
graus de liberdade respectivamente, ento, a varivel
(137)
segue uma distribuio F, com k
1
e k
2
graus de liberdade, em que k
1

conhecido como graus de liberdade do numerador e k
2
como graus de
liberdade do denominador.
TEOREMA VII: O quadrado da varivel t (de Student), com k gl tem
uma distribuio F, com k
1
=1 gl no numerador e k
2
=n-k gl no denomi-
nador, ou seja,
(138)
Unidade 3
162
Palavra do Professor
Portanto, voc encontrar no AVEA o Anexo I da Unidade 3, que contm um quadro
de distribuio de probabilidade _
2
e outra de distribuio t (student) bicaudal, que
devero ser utilizadas nos exerccios.
3.6 REGRESSO DE DUAS VARIVEIS: ESTIMATIVA
DE INTERVALO E TESTE DE HIPTESE
Estimativa e teste de hiptese constituem os dois principais ramos da esta-
tstica clssica. A teoria da estimativa consiste em duas partes: estimativa de
ponto e estimativa de intervalo. Os mtodos de estimativa de ponto so, por
exemplo, o MQO e o MV (Mxima Verossimilhana).
Nesta Seo ser examinada, primeiramente, a estimativa de intervalo e, pos-
teriormente, os testes de hiptese.
3.6.1 ESTIMATIVA DE INTERVALO: ALGUNS CONCEITOS BSICOS
Considere o Exemplo 1 presente no material complementar da Unidade 3, cujo
modelo de regresso estimado, dado pela equao (4) do Exemplo, envolven-
do uma amostra de notas numa respectiva prova e o desempenho dos alunos
nos exerccios de sala de aula:
(4 Exemplo)
Palavra do Professor
A regresso dada por esta equao mostra unicamente a estimativa de ponto do
modelo, desconhecida da populao |. Quo confvel esta estimativa?
Em virtude das futuaes da amostragem, uma nica estimativa, a partir de
uma amostra, provavelmente vai diferir do valor verdadeiro do modelo da po-
pulao, apesar de se esperar que, em amostragem repetida, seu valor mdio
seja igual ao valor verdadeiro ( ).
Para ser mais especfco, suponha que se queira descobrir quo prxi-
Estatstica e Econometria
163
mo
2

| de |
2
. Para isso, tenta-se descobrir dois nmeros positivos, o e o,
este ltimo entre 0 e 1, de modo que a probabilidade do intervalo aleatrio
)

(
2 2
o | o | + conter o verdadeiro |
2
de (1-o). Simbolicamente:
o o | | o | = + 1 )

Pr(
2 2 2
(139)
Quando existe, tal intervalo conhecido como intervalo de confana; (1-o)
o coefciente de confana e o, tal que seja 0<o<1, o nvel de signifcncia.
Os pontos extremos do intervalo de confana so conhecidos como limites
de confana (ou valores crticos), sendo que ( ) o |
2

o limite de confana
inferior e ( ) o | +
2

o limite de confana superior.


Um intervalo construdo de tal maneira tem uma probabilidade (1-o) de incluir
em seus limites o valor verdadeiro do parmetro. Por exemplo, se o=0,05 ou
5%, seria interpretado como: a probabilidade do intervalo (aleatrio) determi-
nado incluir nele o verdadeiro |
2
de 0,95, ou 95%. O estimador de intervalo
fornece, assim, uma srie de valores dentre os quais pode estar o verdadeiro |
2
.
muito importante conhecer os seguintes aspectos da estimativa de intervalo:
Como so construdos os intervalos de confana? Se as distribuies de pro-
babilidade ou amostragem dos estimadores forem conhecidas, possvel fazer
declaraes de intervalo de confana do tipo representado pela equao (139);
Sob a hiptese da normalidade das perturbaes u
i
, os estimadores MQO de
1

|
e
2

| tm uma distribuio normal, e o estimador de MQO de o


2
tem relao
com a distribuio
2
(qui-quadrado). Nesse caso, a construo de intervalos de
confana fcil.
3.6.2 INTERVALOS DE CONFIANA PARA OS
COEFICIENTES DE REGRESSO |
1
E |
2
Com a hiptese da normalidade para u
i
, os estimadores de MQO,
1

| e
2

|
se distribuem eles prprios normalmente com mdias e varincias especfcas.
Por exemplo,
2

| segue uma distribuio normal padro, como segue:


( )
o
| |
|
| |

=
2
2 2
2
2 2

i
x
ep
Z (140)
Unidade 3
164
Portanto, pode-se usar a distribuio normal padro para fazer declaraes
probabilsticas sobre |
2
, desde que a verdadeira varincia da populao, o
2
,
seja conhecida. Contudo, se o
2
conhecida, uma importante propriedade de
uma varivel distribuda normalmente, com mdia e varincia o
2
, que a
rea sob a curva normal entre o de cerca de 68%, a rea entre os limites
o 2 de aproximadamente 95% e a rea entre o 3 de cerca de 99,7%,
como mostrado na Figura 22, abaixo.
0,025
0,95
0,025
0
-t
crtico
t
crtico
Figura 22 Percentuais de dados e nmeros de desvios padres, numa distribuio normal
Mas o
2
raramente conhecida, sendo determinada, na prtica, pelo estimador
no viesado
2
o . Se substituirmos o
2
por
2
o , podemos escrever (140) como:
(141)
A varivel t, assim defnida, segue a distribuio t com (n-2) gl. Portanto, ao
invs de usar a distribuio normal, pode-se usar a distribuio t, estabelecen-
do um intervalo de confana para |
2
, como segue:
o
o o
=

1 ) Pr(
2 / , 2 / , k n k n
t t t

Estatstica e Econometria
165
(142)
A equao (142) fornece um intervalo de confana de 100x(1-o)% para |
2
, ou seja:
(143)
De forma similar, pode-se, ento, escrever:
[ ] o | | | | |
o o
= +

1 )

Pr
1 2 / , 1 1 1 2 / , 1
ep t ep t
k n k n
(144)
Ou, mais concisamente:
)

1 2 / , 1
| |
o
ep t
k n
(145)
Onde:
gl=(n-k) = graus de liberdade da distribuio
n = tamanho da amostra
k = nmero de parmetros a serem estimados no modelo de
regresso
o = nvel de signifcncia ou nvel de erro admitido na inferncia
Como se observa nas equaes acima, a amplitude do intervalo de confana pro-
porcional ao erro padro do estimador. Ou seja, quanto maior o erro padro, maior
ser a amplitude do intervalo de confana. Ou tambm, quanto maior o erro padro
do estimador, maior a incerteza de se estimar o verdadeiro valor do parmetro des-
conhecido. Assim, o erro padro de um estimador , muitas vezes, descrito como
uma medida da preciso do estimador, isto , quo precisamente o estimador mede
o verdadeiro valor da populao.
Portanto, utilizando as estimativas do Exemplo 1 do material complementar
da Unidade 3, para
1

| e
2

| e os erros padro de
1

| e
2

| , podemos calcular
os intervalos de confana. Assim, temos
2

| =1, )

( ep
2
| =0,16666 e gl=n-
k=10-2=8. E, se admitirmos que o=5%, ou seja, um coefciente de confana
de 95%, ento o Quadro t bicaudal (veja o Anexo I da Unidade 3), nos mostra
que t
n-k,o/2
, denominado de t-crtico, t
8;0,025
= 2,306. A Figura 23 abaixo ilustra
o intervalo de confana e seus limites inferior e superior.
Unidade 3
166
0,025
0,95
0,025
0
-t
crtico
t
crtico
Figura 23 Ilustrao dos valores tcrticos que caracterizam os limites do intervalo de confana
No caso do Exemplo 1, em estudo nesta Unidade, obtm-se
crtico
t para
05 , 0 = o e 8 = gl , conforme voc pode consultar no quadro t bicaudal no
Anexo I, seguindo o procedimento esquematizado no Quadro 22, abaixo.
GRAUS DE LIBERDADE
(GL)
REA CAUDAL SUPERIOR + INFERIOR
0,30 0,20 0,10 0,05 0,04 0,02 0,01 0,002 0,001
... ... ... ...

... ... ... ... ...
8 1,108 1,397 1,860 2,306 2,449 2,896 3,355 4,501 5,041
... ... ... ... ... ... ... ... ... ...
Quadro 22 Distribuio t bi-caudal
Portanto, utilizando os valores do 306 , 2 =
crtico
t obtido, e o valor do erro
padro de (da ordem de 0,16666), dado pela equao (9) do Exemplo 1
do material complementar, e substituindo na equao (142), verifca-se que
o intervalo de confana de 95% para |
2
o seguinte:
+ 16666 , 0 306 , 2 1 1666 , 0 306 , 2 1
2
| 384 , 1 615 , 0
2
| (146)
A interpretao deste intervalo de confana : dado o coefciente de confana
de 95%, no longo prazo, em 95 de 100 casos, intervalos como 0,615 e 1,384 con-
tero o verdadeiro |
2
. A probabilidade de o intervalo especfco fxado incluir
o verdadeiro |
2
, portanto, de 95 em 100 amostras selecionadas.
Estatstica e Econometria
167
Tambm, no exemplo em estudo, verifcamos que
1

| =2, )

(
1
| ep =0,5916
(equao (10) do Exemplo 1 do material complementar) e gl=n-k=10-2=8. Se
admitirmos que o=5%, ou seja, um coefciente de confana de 95%, ento o
Quadro t bicaudal do Anexo 1 nos mostra que o t
n-k,o/2
, denominado de t-crti-
co, t
8;0,025
= 2,306, conforme j estimado anteriormente. Assim, o intervalo de
confana de 95% para
1

| do Exemplo 1, obtido aplicando a equao (144):


+ 5916 , 0 306 , 2 2 5916 , 0 306 , 2 2
1
| 365 , 3 635 , 0
1
|

(147)
No longo prazo, intervalos como (148), que voc ver a seguir, contero o
|
1
verdadeiro em 95 dentre 100 casos: a probabilidade de que este particular
intervalo fxado inclua o |
1
verdadeiro de 95 em 100 amostras selecionadas.
3.6.3 INTERVALOS DE CONFIANA PARA s
2
Sob a hiptese da normalidade, a varivel
2
2
2

) (
o
o
k n X = (148)
segue a distribuio X
2
com (nk) gl.
Portanto, pode-se usar a distribuio X
2
para estabelecer o intervalo de con-
fana para o
2
. Conforme a equao abaixo:
( ) o
o o
=

1 Pr
2
2 /
2 2
2 / 1
X X X (149)
O valor de X
2
no meio da dupla desigualdade em (149) dado pela equao
(148) e X
2
1-o/2
e X
2
o/2
so dois valores crticos de X
2
, obtidos do quadro de qui-
quadrado para (n-k) gl, de tal maneira que eles contenham 100x(o/2)% das
reas extremas das caudas da distribuio X
2
, como mostra a Figura 24, a seguir.
Portanto, substituindo _
2
de (148) em (149), e rearranjando os termos, obtemos
( ) ( ) o
o
o
o
o o
=
(
(

1

2
2 /
2
2
2
2 / 1
2
X
k n
X
k n PR (150)
que nos d o intervalo de confana de 100(1-o)% para o
2
.
Unidade 3
168
Nas estimativas do Exemplo 1 do material complementar, obteve-se 1
2
= o
, conforme a equao (8) (do exemplo) e gl = 8. Se o for escolhido como 5%,
o quadro de qui-quadrado, tomando a cauda direita para 8 gl, nos d os
seguintes valores crticos: 1797 , 2 5346 , 17
2
025 , 0
2
975 , 0
= = X e X . Estes valores
mostram que a probabilidade de um valor qui-quadrado exceder 17,5346 de
97,5% e de exceder 2,1797 de 2,5% para X
2
, como mostra a Figura 24 (note a
caracterstica assimtrica da distribuio de qui-quadrado):
D
e
n
s
i
d
a
d
e
95%
2,5% 2,5%
f(X)
X
Figura 24 O intervalo de confana de 95% para X
2
(8 gl)
Substituindo os resultados de 534 , 17
2

crtico
_ e 1797 , 2
2

crtico
_

e de
1
2
= o na equao (150), verifcamos que o intervalo de confana de 95%
para o
2
o seguinte:

1797 , 2
1 8
534 , 17
1 8
2
o 670 , 3 456 , 0
2
o (151)
A interpretao deste intervalo : se estabelecermos os limites de confana
de 95% para o
2
e se afrmarmos, a priori, que estes limites iro incluir o o
2

verdadeiro, em longo prazo estaremos certos em 95% das vezes.
Estatstica e Econometria
169
3.7 TESTE DE HIPTESE: COMENTRIOS GERAIS
Palavra do Professor
Ao problema do teste de hiptese, relaciona-se a seguinte pergunta: uma dada ob-
servao ou descoberta compatvel ou no com alguma hiptese formulada? A
palavra compatvel, aqui, signifca sufcientemente prxima do valor admitido por
hiptese, para que no rejeitemos a hiptese formulada.
Assim, se alguma teoria ou experincia anterior nos levasse a acreditar que
o verdadeiro coefciente de inclinao |
2
do Exemplo 1 do material comple-
mentar 1,2, ento:
o
2

| estimado (1) (obtido da amostra do Exemplo 1 em estudo), se-


ria consistente com a hiptese formulada? Se o for, no rejeitaremos a
hiptese. Caso contrrio, podemos rejeit-la;
a hiptese formulada conhecida como hiptese nula, indicada pelo
smbolo H
0
;
a hiptese nula usualmente testada contra uma hiptese alternativa
(tambm conhecida como hiptese sustentada), indicada, por H
1
, que
pode afrmar, por exemplo, que o verdadeiro |
2
diferente de 1;
a hiptese alternativa pode ser simples ou composta. Por exemplo,
5 , 1 : H
2 1
= | uma hiptese simples, mas 5 , 1 : H
2 1
| composta.
H duas abordagens, mutuamente complementares, que delineiam essas re-
gras: intervalo de confana e teste de signifcncia.
3.7.1 TESTE DE HIPTESE: A ABORDAGEM DO INTERVALO DE CONFIANA
No Exemplo 1 em anlise, como se sabe, a inclinao estimada
2

| 1. Suponha
que se postule que:

=
5 , 1 :
5 , 1 :
2 1
2 0
|
|
H
H
(152)
A hiptese nula hiptese simples, enquanto a hiptese alternativa compos-
ta, conhecida como hiptese bilateral.
Unidade 3
170
Portanto, o
2

| observado compatvel com H


0
? Observando o intervalo de con-
fana determinado anteriormente, conforme resultado na equao (146), temos:
384 , 1 615 , 0
2
| (153)
Portanto, sabe-se que intervalos como 0,615 e 1,384 no iro conter o verdadei-
ro |
2
, com 95% de probabilidade:
tais intervalos fornecem uma classe ou limites dentro dos quais o verda-
deiro |
2
pode estar com um coefciente de confana de, digamos, 95%;
ento, o intervalo de confana fornece um conjunto de hipteses nulas
plausveis.
Assim, se |
2
, segundo H
0
, estiver dentro do intervalo de confana de 100(1-
o)%, no se rejeita a hiptese nula; se ele estiver fora do intervalo, pode-se
rejeit-la.
Assim, este intervalo ilustrado esquematicamente na Figura 25:
t
^
n k, / 2
^
ep( )
2
+ t
^
n k, / 2
^
ep( )
2
2
Os valores de existentes
neste intervalo so plausveis
sob H com 100(1-)% de confana.
0
2
Logo, no rejeite H se
for encontrado nesta regio.
0 2
Figura 25 Intervalo de confana de 100(1-o)% para |
2
Portanto, tem-se a seguinte regra de deciso:
construa-se um intervalo de confana de 100(1-o)% para |
2
. Se |
2
, se-
gundo H
0
, se encontrar dentro deste intervalo de confana, no se rejei-
ta H
0
. Mas, se |
2
for encontrado fora deste intervalo, rejeite H
0
;
Estatstica e Econometria
171
no Exemplo 1 em anlise, 5 , 1 : 0
2
= | H est claramente fora do interva-
lo de confana de 95% dado na equao (153). Logo, pode-se rejeitar a
hiptese de que 1,53 a verdadeira participao nos exerccios na sala
de aula, com 95% de confana;
se a hiptese nula fosse verdadeira, a probabilidade de obtermos
por mero acaso, seria de, no mximo, cerca de 5%,
uma probabilidade pequena.
3.7.2 TESTE DE HIPTESE: A ABORDAGEM DO TESTE DE SIGNIFICNCIA
A abordagem do teste de signifcncia trata de testar a signifcncia dos coef-
cientes de regresso por meio do teste t. Ou seja:
em linhas gerais, teste de signifcncia um procedimento pelo qual os
resultados da amostra so usados para verifcar a validade ou a falsidade
de uma hiptese nula;
a deciso de aceitar ou rejeitar H
0
tomada com base no valor da estats-
tica de teste obtida com os dados disponveis.
Para ilustrar, lembre-se de que, pela hiptese de normalidade, a varivel
)

2
2 2
|
| |
ep
t

= (154)
segue a distribuio t com (n -k) gl (onde k o nmero de parmetros no
modelo e n o nmero de amostras).
Se o valor verdadeiro |
2
estiver especifcado sob a hiptese nula, o valor t
de (154) poder ser facilmente calculado a partir da amostra disponvel, e,
portanto, poder servir como uma estatstica de teste.
E, como esta estatstica de teste (ou seja, o valor t em (154)) segue a distri-
buio t, pode-se fazer declaraes de intervalos de confana com ela, como
vemos a seguir:
o
|
| |
o o
=
(
(



1
)

(

Pr
2 / ,
2
*
2 2
2 / , k n k n
t
ep
t (155)
Unidade 3
172
onde
*
2
| e o valor de |
2
sob H
0
, -t
n-k,o/2
e t
n-k,o/2
so os valores de t (os valores
crticos de t), obtidos do quadro de t do Anexo I da Unidade 3, para um nvel
de signifcncia de (o/2) e (n k) gl.
Rearranjando (155), obtemos:
[ ] o
o o
=

1 ) Pr
2 / , 2 / , k n k n
t t t (156)
Assim, o intervalo de confana de 100(1-o)%, estabelecido em (156), conhe-
cido como regio de aceitao da hiptese nula. A regio (ou regies) fora do
intervalo de confana chamada de regio de rejeio de H
0
ou regio crtica.
Estimada a estatstica t em (154), e estimado o t
critco
, se a estatstica t cair den-
tro do intervalo (156), ento se aceita a hiptese nula; caso contrrio, rejeita-se.
No Exemplo 1 em anlise, encontramos
2

| =1, )

( ep
2
| =0,1666 e gl=n-
k=10-2=8. Se admitirmos o=5%, t
n-k,o/2
=t
8,0,025
=2,306, conforme o quadro da
estatstica t no Anexo I, ento podemos estabelecer o seguinte teste de hipte-
se 5 , 1 : 5 , 1 :
2 1
*
2 2 0
= = | | | H e H . Para tanto, devemos estimar o valor
de t, partindo-se da relao (154) que se torna:
00 , 3
1666 , 0
5 , 1 1
)

2
2 2
=

=
|
| |
ep
t (157)
Consequentemente, como , conforme o
clculo em (157), ento o t cai na regio crtica, o que nos permite rejeitar a
hiptese nula e aceitar a hiptese alternativa, sob a qual o
apresenta somente 5% de chance de ser verdadeiro, com o nvel de signifcn-
cia assumido.
A Figura 26 evidencia claramente que a estatstica t situa-se na regio crtica. A
concluso permanece a mesma, a saber: rejeita-se H
0
.
Estatstica e Econometria
173
Regio
crtica
2,5%
95%
t = 3,00 se
encontra nesta
regio crtica 2,5%
Regio de
aceitao H
-2,306 0 +2,306
D
e
n
s
i
d
a
d
e
f(t)
t
Figura 26 Intervalo de confana de 95% para t (8 gl)
Logo, de acordo com a relao (154), um valor |t| alto ser um indcio contra
a hiptese nula.
O procedimento do teste t anterior conhecido como teste de signifcncia
bilateral ou bicaudal. Isto porque H
1
uma hiptese composta bilateral; ou
seja, H
1
: |
2
1,5 o que signifca que |
2
menor ou maior que 1,5.
Assim, na linguagem dos testes de signifcncia, diz-se que:
Uma estatstica estatisticamente signifcante se seu valor encontra-se na re-
gio crtica. Neste caso, a hiptese nula rejeitada. E, um teste estatisticamente
insignifcante se o valor da estatstica de teste se encontrar na regio de aceita-
o. Nesta situao, a hiptese nula aceita.
Abordamos, nesta Unidade, somente testes de signifcncia bilaterais. No en-
tanto, o princpio de abordagem de testes de signifcncia ou de intervalos de
confana unilaterais segue o mesmo principio, conforme ser apresentado no
material complementar disponibilizado no AVEA.
Unidade 3
174
Palavra do Professor
Como pode ser constatado ao longo desta Unidade, utilizamos como exemplo ilus-
trativo o desenvolvimento de um modelo de regresso linear, no qual fatores de
participao nas solues de exerccios na sala de aula explicam a nota obtida na
prova associada ao contedo dos exerccios. Observa-se que o modelo aplicado foi
um modelo linear envolvendo duas variveis; contudo, mesmo na soluo de um
problema de regresso elementar como esse, a quantidade de clculos envolvidos
na operao excessiva. Portanto, torna-se evidente que problemas reais envol-
vendo modelos de regresso de multivariveis no podem ser resolvidos atravs de
clculos manuais. Assim, a aplicao adequada dos conhecimentos economtricos
exige o uso de um software apropriado para tal fnalidade. E o aprendizado da uti-
lizao de alguns softwares especializados no assunto tambm faz parte do estudo
desta disciplina. Para tanto, utilizaremos o software livre GRETL 1.8.1 em aplicaes
que esto ilustradas no material complementar desta Unidade, no AVEA. Tambm,
algumas atividades para treinamento do uso desse software foram colocadas sua
disposio no ambiente virtual, as quais faro parte da composio de sua avaliao.
Agora que voc terminou esta Unidade, no esquea de assistir Videoaula 3.
Ah! Lembre-se tambm de resolver as Atividades complementares que esto
no AVEA; afnal, elas faro parte da sua avaliao. Bom trabalho!
Atividade de Aprendizagem 3
1) Em um modelo de regresso linear simples (
t t 2 1 t
u X Y + + = | | ), a inclinao
da regresso indica:
b) A percentagem que Y aumentado quando X sofre 1% de aumento.
c) Que ao multiplic-la pela varivel explicativa, o resultado dar a varivel de
previso, Y.
d) Quantas unidades Y aumenta quando X for aumentado de uma unidade.
e) A elasticidade de Y sobre X.
Justifque a sua resposta.







Estatstica e Econometria
175
2) Quando o coefciente de inclinao estimado num modelo de regresso simples
(
t t 2 1 t
u X Y + + = | | ) zero, ou seja, 0

2
| , ento:
a) R
2
= Y .
b) < R
2
< 1.
c) R
2
= 0.
d) R
2
> (SQR/SQT).
Justifque a sua resposta.







3) O estimador MQO (Mnimos Quadrados Ordinrios) obtido:
a) Conectando o maior Y
i
ao menor X
i.
b) Fazendo com que o erro padro da regresso seja igual ao erro padro da
inclinao estimada.
c) Minimizando a soma dos resduos absolutos.
d) Minimizando a soma dos resduos ao quadrado.
Justifque a sua resposta.







4) A mdia dos resduos do estimador MQO (Mnimos Quadrados Ordinrios) deve
ser:
a) Algum nmero positivo, pois o estimador MQO usa resduos ao quadrado.
b) Zero, se o modelo de regresso for corretamente especifcado, sem a omisso
de alguma varivel importante, determinstica da varivel dependente.
c) No observvel, pois a funo de regresso da populao desconhecida.
d) Tal que ele depende se a varivel explicativa positiva ou negativa.
Unidade 3
176
Justifque a sua resposta.







5) Num modelo de regresso linear simples (
t t 2 1 t
u X Y + + = | | ), quando o esti-
mador da inclinao
2

| tem um erro padro pequeno, ento:


a) A base de dados tal que existe grande variao na varivel explicativa, com
relao sua mdia.
b) Existe uma grande varincia do termo erro estocstico u
i
.
c) O tamanho da amostra pequeno.
d) O intercepto
1

| pequeno.
Justifque a sua resposta.







6) O coefciente de determinao r
2
uma medida:
a) Se ou no X causa Y.
b) Da preciso do ajuste do modelo de regresso.
c) Se ou no SQE > SQT.
d) Do grau de dependncia positiva associada ao coefciente de correlao r.
Justifque a sua resposta.







Estatstica e Econometria
177
7) A linha de regresso amostral estimada pelo MQO (Mnimos Quadrados
Ordinrios)
t t 2 1 t
u X Y + + = | | :
a) Ter sempre uma inclinao menor que o intercepto.
b) exatamente a mesma que a linha de regresso da populao.
c) No pode ter uma inclinao zero.
d) Ter que passar pelo ponto ( , X Y ).
Justifque a sua resposta







8) Interpretando o intercepto de uma funo de regresso amostral, podemos afr-
mar que:
a) O intercepto no possui estimativas consistentes do ponto de vista econ-
mico, pois os valores observados da varivel explicativa nunca envolvem a
origem.
b) O intercepto estimado sempre ser consistente do ponto de vista econmico,
porque, em tais estimativas, o intercepto sempre apresentar correlao com
a inclinao.
c) O intercepto somente possui estimativas consistentes do ponto de vista eco-
nmico quando os valores observados da varivel explicativa envolvem a
origem.
d) O intercepto no possui estimativas consistentes do ponto de vista econ-
mico; contudo, isto no um problema, pois os economistas somente esto
interessados no efeito da mudana de X sobre Y.
Justifque a sua resposta







9) A estatstica t de Student de um modelo de regresso linear,
t t 2 1 t
u X Y + + = | | ,
estimada dividindo:
Unidade 3
178
a) O parmetro estimado pelo MQO (Mnimos Quadrados Ordinrios), pelo seu
erro padro.
b) A inclinao pelo desvio padro da varivel explicativa.
c) O parmetro estimado menos o seu valor hipotetizado, pelo seu erro padro
estimado.
d) A inclinao pelo intercepto.
Justifque a sua resposta.







10) Com relao aos resduos de uma estimativa de um modelo de regresso amos-
tral pelo MQO (Mnimos Quadrados Ordinrios), podemos afrmar que:
a) Eles podem ser calculados usando os erros da funo de regresso estimada.
b) Eles podem ser calculados subtraindo o valor ajustado da varivel ajustada
pelo valor atual da amostra.
c) Eles so desconhecidos, pois ns no conhecemos a funo de regresso
populacional.
d) Na prtica, eles no so utilizados, pois num modelo de regresso no se uti-
lizam todos os valores observados da amostra.
Justifque a sua resposta.







11) Se o valor absoluto da estatstica t de Student de um parmetro de um modelo
de regresso amostral exceder um valor crtico, determinado com (n-k) graus de
liberdade (onde n o tamanho da amostra e k o nmero de parmetros estima-
dos no modelo), e com um nvel de signifcncia de 2 o , pode-se afrmar que:
a) A hiptese nula rejeitada.
b) Seguramente, assume-se que os resultados da regresso so signifcantes.
c) O pressuposto de que os erros estocsticos so homoscedsticos rejeitado.
Estatstica e Econometria
179
d) Os valores amostrais esto concentrados muito prximos da curva de
regresso.
Justifque a sua resposta.







12) Para concluir, se a inclinao do modelo
t t 2 1 t
u X Y + + = | |
grande ou peque-
na, deve-se:
a) Verifcar a importncia econmica de um determinado aumento em X.
b) Verifcar se a inclinao maior do que um.
c) Verifcar se a inclinao estatisticamente signifcante.
d) Mudar a escala da varivel X, se o coefciente de inclinao parecer ser muito
pequeno.
Justifque a sua resposta.







13) O quadro abaixo apresenta as notas (entre 0 e 10) de 10 alunos que fzeram o
Curso de Estatstica e, na atualidade, cursam Econometria. Pretende-se verifcar
as relaes de explicao entre os conhecimentos nas duas disciplinas, de tal
modo que se espera que uma boa nota em Estatstica signifque que o aluno tem
conhecimento bsico para obter uma boa nota em Econometria. Para tanto, voc
deve determinar um modelo de regresso, os parmetros e as estimativas, e os
erros associados, para realizar as anlises de inferncias solicitadas abaixo.
Unidade 3
180
NOTAS FALTAS
D
A
D
O
S

A
M
O
S
T
R
A
I
S
10 5
11 4
4 10
1 11
10 3
2 12
5 8
13 2
9 5
5 10
Suponha que o modelo de regresso linear estabelecido para o problema seja
i i 2 1 i
u X

Y

+ + = | | (onde a varivel Y representa a varivel dependente, e


X a varivel explicativa). Para tanto, seguem os seguintes passos:
a) Defna qual a varivel dependente e a varivel independente (explicativa)
para o modelo, e o porqu desta escolha (ou seja, defna a direo de causali-
dade no modelo). Ainda com relao a esta questo, defna como se compor-
tam as variveis dependentes e independentes num modelo de regresso,
em termos estocsticos e determinsticos.
b) Determine os fatores necessrios para calcular as estatsticas que se seguem
(itens abaixo), e represente-os num quadro (para maior facilidade, utilize as
planilhas do Excell e seus recursos).
c) Estime
2 i

e

| | .
d) Estime a varincia e o erro padro da estimativa e explique para que servem
estas estimativas.
e) Determine
2
o , ( )
1

Ep | , ( )
2

Ep | , ( )
2 1

,

cov | | ,
2
r e r .
f ) Explique para que servem as estatsticas
2
o , ( )
1

Ep | , ( )
1

Ep | ,
( )
2 1

,

cov | | ,
2
r e r .
g) Explique qual o grau de ajuste do modelo e o grau de associao entre a
varivel nota em Econometria e a varivel nota em Estatstica.
h) Estime as estatsticas t e verifque as signifcncias estatsticas de
2 i

e

| |
(monte os testes de hipteses de intervalos e de nvel de signifcncia. Para
tanto, considere o=1%).
i) Verifque se a hiptese do professor de Econometria verdadeira (com um
nvel de signifcncia de 1%), a qual afrma que um aluno que desconhece
totalmente os conceitos de Estatstica (nota igual a zero), obter, no mnimo,
uma nota em Econometria igual a 2 (dois).
Estatstica e Econometria
181
j) O professor de Econometria tambm tem assumido a hiptese de que os
alunos de sua disciplina obtero, no mnimo, uma nota igual obtida em
Estatstica. Verifque se esta hiptese pode ser assumida como verdadeira,
com um nvel de signifcncia de 1%.
REFERNCIAS
ALMEIDA, Andr Quinto de et all. Enhanced Vegetation Index (EVI) na anlise
da dinmica da vegetao da Reserva Biolgica de Sooretama, ES. Disponvel em:
< http://www.scielo.br/pdf/rarv/v32n6/a15v32n6.pdf >. Acesso em: 23 jun.2009.
CHOU, Yan-lun. Statistical Analysis for Business and Economics. Elsevier
Science Publishing Co., 1989.
ENDO, S. K. Mtodos quantitativos: nmeros ndices. Ribeiro Preto: Atual
Editora ltda, 1988.
FISHER, Irving.Te Making of Index Numbers. Boston, USA: Houghton
Mifin, 1922.
FONSECA, J.S.; MARTINS, G.A.; TOLEDO, G. L. Estatstica aplicada. So
Paulo: Atlas, 1988.
GUJARATI, D. Econometria bsica. So Paulo: Editora Campus, 2006.
GUJARATI, Damodar N. Econometria bsica. Rio de Janeiro: Elsevier - Editora
Campus, 2006.
.HILL, R. C.; GRIFFITHS, W.E.; JUDGE, G.G. Econometria. So Paulo:
Saraiva. 2003.
KENDALL, M.; STUART, A. Te advanced theory of statistics. Londres:
Charles Grifn, 1977. v.1.
MILONI, G.; ANGELINI, F. Estatstica aplicada: nmeros-ndices, regresso e
correlao e sries temporais. So Paulo: Atlas, 1995.
PINDYCK, R. S.; RUBINFELD, D.L. Econometria: modelos e previses. 4. ed.
Rio de Janeiro: Elsevier, 2004.
PINDYCK, R.S. e RUBINFELD, D.L. Econometric models and economic fore-
Unidade 3
182
casts, 4.ed. So Paulo: McGraw-Hill, 1997.
STOCK, James H. ; WATSON, Mark W. Econometria. So Paulo: Pearson -
Addison-Wesley, 2005.
WOOLDRIDGE, Jefrey M. Introduo Econometria: uma Abordagem
Moderna. So Paulo: Tomson Learning, 2006.
PORTAL BRASIL. ndices fnanceiros brasileiros. Disponvel em: < http://www.
portalbrasil.eti.br/indices.htm/ > Acesso em: 23 jun.2009.
FIPE Fundao Instituto de Pesquisas Econmicas: Disponvel em:< http://
www.fpe.com/ >. Acesso em 23 jun.2009.
FGV Fundao Getlio Vargas.Disponvel em: < http://www.fgv.br/ibre/
CEP/index.cfm >. Acesso em: 23 jun.2009.
IBGE Instituto Brasileiro de Geografa e Estatstica. Disponvel em: < http://
www.sidra.ibge.gov.br/ >.Acesso em: 23 jun.2009.
Estatstica e Econometria

Potrebbero piacerti anche