Slides

ECONOMETRIA II
Guio das Sesses Presenciais

Esmeralda Ramalho, Joaquim Ramalho
Universidade de vora
Ano Lectivo 2015/2016
Dep. Economia (U. vora)
Econometria II
1 / 136
1. MODELOS DE ESCOLHA BINRIA
Tpicos
1.1. Modelo probabilstico linear
1.2. Mtodo da mxima verosimilhana: estimao e inferncia
1.3. Modelo logit e probit
Econometria II
2 / 136
mbito de aplicao
A varivel dependente s assume os valores 0 ou 1:
y=
1
0
se um determinado acontecimento ocorreu

caso contrrio
Exemplos: modelos que procuram explicar a probabilidade de

I
I
I
um adulto obter (y = 1) ou no (y = 0) um grau universitrio

uma empresa falir (y = 1) ou no (y = 0)
uma famlia obter crdito bancrio (y = 1) ou no (y = 0)
Modelos e mtodos de estimao:

I
I
I
Modelo probabilstico linear ! mtodo dos mnimos quadrados

Modelo logit ! mtodo da mxima verosimilhana
Modelo probit ! mtodo da mxima verosimilhana
Econometria II
3 / 136
Especicao do modelo probabilstico linear

A equao de regresso a mesma do modelo linear tpico:
y = 0 + 1 X1 + ... + k Xk + u
E (y jX ) = 0 + 1 X1 + ... + k Xk
De notar que, neste caso especco,
E (y jX ) = P (y = 0jX ) 0 + P (y = 1jX ) 1
= P (y = 1jX ) ,
o que implica que

P (y = 1jX ) = 0 + 1 X1 + ... + k Xk
P (y = 0jX ) = 1 P (y = 1jX )
Econometria II
4 / 136
Interpretao e estimao do modelo

Interpretao dos parmetros da regresso
Interpretao habitual do modelo de regresso linear no faz sentido:
I
I
Xj = 1 ) y = j
y apenas pode ser igual a 0, 1 ou
valor
1 mas j pode assumir qualquer
Interpretao possvel:
Xj = 1 ) P (y = 1jX ) = j
Estimao
Estimao pelo mtodo dos mnimos quadrados
Varivel dependente estimada:
P (y\
= 1jX ) = 0 + 1 X1 + ... + k Xk
Econometria II
5 / 136
Inconvenientes do modelo
Problema #1
Por denio, 0 P (y = 1jX )
0 P (y\
= 1jX ) 1
1, mas nada garante que
Problema impossvel de resolver no mbito do modelo probabilstico

linear
Econometria II
6 / 136
Inconvenientes do modelo (cont.)

Problema #2
O modelo probabilstico linear sempre heteroscedstico pois
Var (u jX ) = X (1 X ), o que implica que:
I
I
Os estimadores dos mnimos quadrados, embora consistentes, no so

ecientes
A inferncia invlida se realizada com base em frmulas que assumem
homoscedasticidade para o clculo da varincia dos estimadores
Problema fcil de resolver usando os mtodos habituais:

I
Mtodo dos mnimos quadrados robustos: calcular a varincia com

base em frmulas robustas heteroscedasticidade ! inferncia vlida
mas estimadores no ecientes
Mtodo dos mnimos quadrados ponderados ! inferncia vlida e
estimadores ecientes:
y
1
X1
p
= 0 p
+ 1 p
+ ... + u
X (1 X )
X (1 X )
X (1 X )
Econometria II
7 / 136
Mtodo da mxima verosimilhana - denies

Amostra aleatria de y : fy1 , y2 , ...yn g
Funo de probabilidade ou de densidade de y : f (y ; )

Vector de parmetros:
Funo de verosimilhana - funo de densidade conjunta para a
amostra:
n
L = f (y1 ; ) f (y2 ; ) ...f (yn ; ) =
f (yi ; )
i =1
Econometria II
8 / 136
Estimao
Maximizar L equivalente a maximizar log L ! o estimador da
mxima verosimilhana de , MV , resulta da maximizao, em ordem
a , da funo de log-verosimilhana:
n
ln L = ln f (yi ; ) =
i =1
ln f (yi ; ) ,
i =1
sendo a condio de 1a ordem dada por

ln L
=0
= MV
Propriedades dos estimadores da MV:

I
I
assimptticas: consistncia, normalidade e ecincia

em pequenas amostras: desconhecidas, o comportamento depende de
cada caso especco
Econometria II
9 / 136
Exemplo - modelo de regresso linear assumindo a

normalidade do erro
N 0, 2 I
Modelo: y = X + u, u
Parmetros: = , 2
Funo de densidade:
f (yi jX ) =
(22 )
1
2
ui2
22
exp
Funo de verosimilhana:
L=
1
n
2
(22 )
Funo de log-verosimilhana:
n
ln L =
log 2
2
onde u 0 u = (Y X )0 (Y X )
exp
Econometria II
u0u
22
n
log 2
2
u0u
,
22
10 / 136
Exemplo - modelo de regresso linear assumindo a

normalidade do erro (cont.)
Condies de primeira ordem:
8
>
<
>
:
ln L
ln L
2
=
=
1
22
n
22
[ 2X 0 (Y
u0u
+ 2
4
X )] =
1
22
( 2X 0 Y + 2X 0 X )
ln L
= 0 () X 0 Y = X 0 X MV () (X 0 X ) 1 X 0 Y
=
MV
0
ln L
= 0 () 2 n2 = 2u 4u () n 2MV = u 0 u
2
2 = 2
MV
MV
MV
Estimadores:
0
I
MV = (X X )
I
X 0 Y (= ao
normal e eciente)
0
0
2MV = unu (6= 2MQ = nu up ,
consistente)
= MV
MQ , logo centrado, consistente,

logo no centrado; sendo apenas
Econometria II
11 / 136
Inferncia
No mbito da mxima verosimilhana existem trs tipos de testes
principais:
I
I
I
Razo de Verosimilhanas (LR)

Wald
Score / LM
Os trs testes apenas so vlidos assimptoticamente e so todos

equivalentes nessa situao
Econometria II
12 / 136
Teste para a signicncia individual de um parmetro

(teste de Wald)
H0 : j = 0
H1 : j 6 = 0
W =
21 ,
cuja raiz quadrada resulta no teste t assimpttico

W =
N (0, 1)
Econometria II
13 / 136
Teste para a signicncia de um conjunto de parmetros

(teste LR)
Exemplo: testar a signicncia de X3 e X4 no modelo
Y = 0 + 1 X1 + 2 X2 + 3 X3 + 4 X4 + u
H0 : 3 = 4 = 0
H1 : No H0
LR = 2 (ln L
ln L )
2q ,
onde:
L: funo de verosimilhana do modelo sem restries
L : funo de verosimilhana do modelo com restries, isto ,
Y = 0 + 1 X1 + 2 X2 + v
q: nmero de restries em teste (neste caso, duas)
Econometria II
14 / 136
Teste para a signicncia global de um modelo (teste LR)

H0 : 1 = ... = k = 0
H1 : No H0
LR = 2 (ln L
ln L0 )
2k ,
onde L0 refere-se a um modelo s com termo constante
Econometria II
15 / 136
1.3. Modelos logit e probit
Especicao dos modelos logit e probit

Os modelos logit e probit so ambos no lineares nos parmetros,
sendo estimados pelo mtodo da mxima verosimilhana
Modelo:
P (y = 1jX ) = G ( 0 + 1 X1 + ... + k Xk ) ,
onde 0
G()
Como
1
P (y\
= 1jX ) = G 0 + 1 X1 + ... ,
ento, 0 P (y\
= 1jX ) 1, o que resolve imediatamente o principal
problema identicado para o modelo probabilstico linear
Econometria II
16 / 136
Especicao dos modelos logit e probit (cont.)

Escolhas comuns para G :
I
Funo logstica ! modelo logit

G (z ) = (z ) =
ez
1 + ez
Funo normal estandardizada ! modelo probit

G (z ) = (z ) =
Z z
(2 )
1
2
z2
2
dz,
onde z = X = 0 + 1 X1 + ... + k Xk
Econometria II
17 / 136
Efeitos marginais
O efeito marginal que a varivel Xj exerce sobre P (y = 1jX ) dado
por:
G (X )
Xj = 1 ) P (y = 1jX ) =
(X ) j
pois
P (y = 1jX )
G (X )
G (X ) (X )
G (X )
=
=
=
Xj
Xj
(X ) Xj
(X ) j
Como
I
I
G (X )
(X )
uma funo positiva e decrescente de X :
os efeitos marginais so decrescentes (no modelo probabilstico linear

eles so constantes)
analisar a signicncia estatstica do efeito equivale a testar a
signicncia de j
o sinal de j que indica o tipo de efeito (positivo / negativo)
Econometria II
18 / 136
Efeitos marginais (cont.)

Para calcular a magnitude dos efeitos marginais, necessrio atribuir
valores s variveis explicativas. H duas alternativas principais:
I
I
Substituir as variveis explicativas pelos seus valores mdios;

Calcular os efeitos para cada indivduo da amostra e de seguida calcular
a mdia desses efeitos
Quando Xj uma varivel discreta, o efeito marginal pode ainda ser

calculado como:
Xj = 1 ) P (y = 1jX ) = G (z1 )
G (z0 ) ,
onde z1 considera Xj = a + 1 e z0 considera Xj = a
Econometria II
19 / 136
Estimao
Funo de probabilidade:
f (yi ; ) =
1 G (zi )
G (zi )
yi = 0
yi = 1
se
se
G (zi )]1
= [G (zi )]yi [1
yi
Funo de verosimilhana
n
L ( y i j Xi ) =
[G (zi )]y
[1
G (zi )]1
i =1
Funo de log-verosimilhana
n
n
LL = ln [G (zi )]yi [1
G (zi )]1
yi
i =1
n
yi
fyi ln [G (zi )] + (1
yi ) ln [1
o
G (zi )]g
i =1
Econometria II
20 / 136
Inferncia e critrios de seleco

Testes de hipteses
Aplicam-se os testes Wald e LR considerados nas pginas 13, 14 e 15
Critrio do Pseudo-R2
Pseudo
R2 = 1
ln L
ln L0
prefervel usar modelos que apresentem valores superiores para o

Pseudo R 2
Econometria II
21 / 136
Inferncia e critrios de seleco (cont.)

Critrio da percentagem de previses correctas
Para cada modelo que se pretende comparar:
1
Calcula-se P (y\
i = 1jXi ) e yi =
Constroi-se a tabela:
yi = 1
yi = 0
yi
yi = 1
n11
1 se P (y\
i = 1jXi ) > 0.5
\
0 se P (yi = 1jXi ) 0.5
yi = 0
yi
n1
n0
n
n00
Fazem-se os seguintes clculos:

% de valores correctamente previstos:
% de 1s correctamente previstos: nn111
% de 0s correctamente previstos: nn000
n 00 +n 11
n
100
100
100
Melhor modelo: aquele que apresentar %s mais elevadas de valores

correctamente previstos
Econometria II
22 / 136
2. FUNDAMENTOS DO MRL COM SRIES TEMPORAIS
Tpicos
2. FUNDAMENTOS DO MODELO DE REGRESSO LINEAR COM
SRIES TEMPORAIS
2.1. Tipos de modelos
2.2. Premissas do modelo e propriedades dos estimadores dos mnimos
quadrados
2.3. Inferncia e anlise de especicao
2.4. Tendncia e sazonalidade
2.5. Sries estacionrias e no estacionrias
2.6. Propriedades assintticas dos estimadores dos mnimos quadrados
Econometria II
23 / 136
Dados temporais versus dados seccionais

Denio
Dados seccionais: vrios indivduos observados num determinado
momento
Dados temporais: um indivduo observado em vrios perodos de
tempo
Maior complexidade dos dados temporais
Os dados temporais tm uma ordenao natural
Em geral, os valores passados de uma varivel inuenciam os seus
valores futuros, pelo que as observaes no so independentes
Para um dado perodo e frequncia de tempo, s h uma amostra
possvel de recolher, pois s h um indivduo a ser analisado
Econometria II
24 / 136
Dados temporais versus dados seccionais (cont.)

Especicidades das variveis temporais
Novo tipo de varivel dummy :
Dt =
1 se um determinado acontecimento ocorreu no perodo t

0 se um determinado acontecimento no ocorreu no perodo t
Variveis monetrias consideradas em termos reais e no nominais
Econometria II
25 / 136
Principais modelos para dados temporais

Modelos estticos
Existe uma relao contempornea entre y e X : o valor de y num
dado perodo inuenciado apenas pelos valores de X relativos a esse
mesmo perodo:
Yt = 0 + 1 Xt + u t
Efeitos marginais:
Xt = 1 ) Yt = 1
Econometria II
26 / 136
Principais modelos para dados temporais (cont.)

Modelos com desfasamentos distribudos nitos [FDL(q)]
Os valores passados de X tambm inuenciam os valores presentes de
y:
Yt = 0 + 1 Xt + 2 Xt 1 + ... + q +1 Xt q + ut
Dois tipos de efeitos marginais:
I
Propenso ou multiplicador de impacto - efeito imediato de X sobre y ,

resultante de uma variao de Xt no perodo corrente:
Xt = 1 ) Yt = 1
Propenso ou multiplicador de longo prazo - efeito de longo prazo de X

sobre y , resultante de uma variao permanente de X em uma unidade:
Xt = Xt 1 = ... = Xt q = 1 ) Yt = 1 + 2 + ... + q +1
Inclui o modelo esttico como caso particular para

2 = 3 = ... = q +1 = 0
Econometria II
27 / 136
2.2. Premissas do modelo e propriedades dos estimadores dos MQ
Pressupostos e propriedades (alternativa 1)

1. Linearidade nos parmetros: Yt = 0 + 1 Xt1 + ... + k Xtk + ut
(pode incluir regressores desfasados, logaritmizados, quadrticos, etc.)
2. Mdia condicional nula do termo erro: E (ut jX ) = 0 (X inclui
todas as variveis explicativas relativas a todos os perodos de tempo)
- regressores estritamente exgenos
3. Ausncia de colinearidade perfeita
=) Vericando-se estes 3 pressupostos, os estimadores dos MQ so

centrados: E =
4. Homocedasticidade: Var (ut jX ) = 2
5. Ausncia de autocorrelao: cor (ut , us jX ) = 0, t 6= s
=) Vericando-se estes 5 pressupostos (pressupostos de Gauss-Markov

para sries temporais) os estimadores dos MQ, alm de centrados, so
BLUE e ecientes
Econometria II
28 / 136
2.3. Inferncia e anlise de especicao
Pressupostos e propriedades (cont.)

6. Normalidade do erro: ut
N 0, 2
=) Vericando-se os 6 pressupostos, os estimadores dos MQ so

normalmente distribudos:
j
j , 2
=) Vericando-se os 6 pressupostos, os testes t e F so vlidos e exactos
Econometria II
29 / 136
Tendncia
Varivel tendncia - representa a ordem da observao na amostra:
t = 1, 2, 3, ...
Tipos de modelos:
I
Modelo de tendncia linear:

Yt = 0 + 1 t + ut
t = 1 ) Yt = (alterao em Yt entre dois perodos consecutivos

no atribuvel a outros factores includos no modelo)
Modelo de tendncia exponencial:
ln Yt = 0 + 1 t + ut
t = 1 ) %Yt = 1001 %
Modelos de tendncia quadrtica:
Yt = 0 + 1 t + 2 t 2 + ut
t = 1 ) Yt = 1 + 22 t
Econometria II
30 / 136
Sazonalidade
Determinados comportamentos podem ser explicados pela poca do
ano a que diz respeito a observao (dia, semana, ms, estao,...)
Exemplos:
I
I
A procura de hteis no Algarve maior no Vero

A procura de guarda-chuvas maior no Inverno
A sazonalidade incorporada nos modelos atravs de variveis

dummy que tomam o valor 1 numa poca do ano e o valor 0 noutras
Econometria II
31 / 136
Denies
Processo estocstico: sequncia de valores que uma varivel
temporal pode assumir ao longo do tempo; formalmente,
fXt : t = 1, 2, ...g;
Processo estocstico estacionrio: processo cuja distribuio
sempre a mesma qualquer que seja o perodo analisado;
Processo estocstico estacionrio em covarincia: denio
menos exigente que a anterior, pois requer apenas que
1 E (Xt ) = constante;
2 Var (Xt ) = constante;
3 Cov (Xt , Xt h ) depende apenas de h e no de t.
Sries fracamente dependentes: sries estacionrias ou no, onde
Xt e Xt h so "quase independentes"; se a srie for estacionria em
covarincia, ento basta que, adicionalmente:
Cor (Xt , Xt
h)
Econometria II
! 0
h !
32 / 136
Exemplos
Rudo branco
wt um rudo branco se vericar as seguintes condies:
E (wt ) = 0
Var (wt ) = 2w
Cov (wt , wt +h ) = 0
Econometria II
33 / 136
Exemplos (cont.)
Mdias mveis de 1a ordem [MA (1)]
Xt um processo MA (1) se puder ser representado por
Xt = wt + wt
1,
onde wt um rudo branco

A varivel Xt estacionria em covarincia, com
E ( Xt ) = 0
Var (Xt ) = 2w + 2 2w
Cov (Xt , Xt
h)
2w para h = 1
0 para h > 1
e fracamente dependente:
Cor (Xt , Xt h ) = p
Cov (Xt , Xt
h)
Var (Xt ) Var (Xt

Econometria II
h)
2w
2w +2 2w
,
1 + 2
0,
h=1
h>1
34 / 136
Exemplos (cont.)
Autorregressivo de 1a ordem [AR (1)]
Xt um processo AR (1) se puder ser representado por
Xt = Xt
+ wt ,
onde wt um rudo branco

A varivel Xt estacionria em covarincia, com
E ( Xt ) = 0
Var (Xt ) =
Cov (Xt , Xt
2w
1 2
h)
= h 2X
Se jj < 1, ento Xt fracamente dependente, pois:

Cor (Xt , Xt
h)
= h ! 0
Econometria II
h !
35 / 136
2.6. Propriedades assimptticas dos estimadores dos MQ
Pressupostos e propriedades (alternativa 2)

1. Linearidade nos parmetros;
2. Variveis fracamente dependentes;
3. Mdia condicional nula do termo erro: E (ut jX t ) = 0;
4. Ausncia de colinearidade perfeita.
) Vericando-se estes 4 pressupostos, os estimadores dos MQ so

consistentes: p lim = .
5. Homocedasticidade: Var (ut jXt ) = 2 ;
6. Ausncia de autocorrelao: cor (ut , us jXt , Xs ) = 0, 8t, s.
) Vericando-se estes 6 pressupostos, os estimadores dos MQ tm uma

distribuio assimpttica normal e os testes t, F e LM so
assimptoticamente vlidos.
Econometria II
36 / 136
3. AUTOCORRELAO E HETEROSCEDASTICIDADE...
Tpicos
3. AUTOCORRELAO E HETEROSCEDASTICIDADE EM SRIES
TEMPORAIS
3.1. Propriedades dos estimadores dos mnimos quadrados com
autocorrelao
3.2. Testes para a autocorrelao
3.3. Mtodo dos mnimos quadrados generalizados
3.4. Modelos dinamicamente completos
3.5. Heteroscedasticidade em modelos de sries temporais
3.6. Heteroscedasticidade condicionada auto-regressiva
Econometria II
37 / 136
3.1. Propriedades dos estimadores dos MQ com autocorrelao
Denies e consequncias da autocorrelao

Tipicamente, assumida autocorrelao do tipo AR (1):
Yt
ut
et
= 0 + 1 Xt1 + ... + k Xtk + ut

= ut 1 + et
IID 0, 2e
Qualquer que seja o tipo de autocorrelao, os estimadores dos

mnimos quadrados:
I
I
Continuam a ser centrados (com regressores estritamente exgenos) ou

consistentes (com regressores apenas fracamente dependentes)
Deixam de ser ecientes e, como as varincias so incorrectamente
estimadas, os testes e os intervalos de conana calculados da maneira
habitual deixam de ser vlidos
Econometria II
38 / 136
Hipteses e testes
Hipteses em teste:
I
I
H0 : = 0 (no autocorrelao);
H1 : 6= 0 / H1 : > 0
Testes principais:
I
I
I
Teste de Durbin-Watson
Teste t
Teste de Breusch-Godfrey
Econometria II
39 / 136
Teste de Durbin-Watson
Estatstica de teste:
n (u t u t
DW = t =2 n
t =1 u t2
1)
DW (p, n )
A distribuio DW tem dois valores crticos, dL e dU . No caso em que

H1 : > 0, a regra de deciso a seguinte:
I
I
I
DW < dL : rejeita-se H0 ;
dL < DW < dU : inconcluso;
DW > dU : no se rejeita H0 .
Vantagem: vlido em pequenas amostras;

Desvantagem: requer todos os pressupostos do modelo clssico de
regresso para dados temporais (estrita exogeneidade dos regressores,
normalidade do erro, homoscedasticidade, etc.)
Econometria II
40 / 136
Teste t
Implementao:
Estimar o modelo de interesse: Yt = 0 + 1 Xt1 + ... + k Xtk + ut
Calcular os resduos u t
Estimar u t = u t 1 + et (pode ser includo um termo constante)
4 Realizar um teste t tradicional
1
2
3
t =
tn p .
Vantagens: simplicidade; verses robustas heteroscedasticidade

construdas da forma tradicional; facilmente generalizvel para testar
autocorrelao do tipo AR (p ) atravs de um teste F ou LM
Desvantagens: exige a estrita exogeneidade dos regressores; vlido
apenas assimptoticamente
Econometria II
41 / 136
Teste Breusch-Godfrey
Semelhante a t mas vlido tambm na ausncia de exogeneidade
estrita
Implementao: semelhante a t , mas no passo 3 estimar o modelo
u t = 0 + 1 Xt1 + ... + k Xtk + u t
+ et .
Generalizao para autocorrelao do tipo AR (q )

I
I
H0 : 1 = 2 = ... = q = 0
Regresso auxiliar do passo 3:
u t = 0 + 1 Xt1 + ... + k Xtk + 1 u t 1 + ... + q u t q + et .
Teste F ou LM para a signicncia conjunta de u t 1 , ..., u t q
Econometria II
42 / 136
Solues para a autocorrelao

Existindo autocorrelao, a estimao pelo mtodo dos mnimos
quadrados standard no aconselhvel
Para lidar com a autocorrelao existem trs mtodos principais:
I
I
I
Mtodo dos mnimos quadrados robustos

Mtodos dos mnimos quadrados generalizados
Reespecicao dinmica do modelo
Econometria II
43 / 136
3.3. Mtodo dos minmos quadrados generalizados
Aplicao dos MQ Generalizados - exemplo para o modelo

de regresso linear simples com autocorrelao AR(1)
Modelo:
Yt = 0 + 1 Xt + u t
ut = ut
+ et , et
Escrever o modelo em funo de et :

Yt
= 0 + 1 Xt
ut = ut
+ ut
+ et = Yt
IID 0, 2e , jj < 1
, ut
1
= Yt
1 Xt
1 Xt
+ et
= 0 + 1 Xt + u t
Yt = 0 + 1 Xt + Yt 1 0 1 Xt
Yt 1 = 0 (1 ) + 1 (Xt Xt 1 ) + et
{z }
|
{z
}
Yt
Yt
|
Yt
+ et
Xt
Econometria II
44 / 136
Aplicao dos MQ Generalizados - exemplo para o modelo

de regresso linear simples com autocorrelao AR(1)
(cont.)
Nesta nova formulao do modelo:
I
I
I
No existe autocorrelao pois et

IID 0, 2e
Ao incluir-se um desfasamento de algumas variveis, o modelo passa a
estar denido apenas para t 2
A observao perdida pode ser recuperada como:
q
q
q
q
1 2 Y1 = 0 1 2 + 1 1 2 X1 + 1 2 e1
|
{z
}
|
{z
} | {z }
Y1
X1
e1
Para construir as variveis transformadas necessrio obter

previamente uma estimativa de ! Mnimos Quadrados Generalizados
Admissveis
Econometria II
45 / 136
Mnimos Quadrados Generalizados Admissveis

Vlido apenas assimptoticamente
Duas verses:
I
I
Cochrane-Orcutt: omite a primeira observao

Prais-Winsten: considera todas as observaes
Processo iterativo para estimar :

1
2
3
4
5
Estimar o modelo original Yt = 0 + 1 Xt1 + ... + k Xtk + ut

Calcular os resduos u t = Yt Y t = Yt 0 1 Xt1 ... k Xtk
Estimar u t = u t 1 + et
Estimar o modelo transformado usando o obtido no 3o passo;
s estimados no 4o passo, reiniciar o processo a partir do 2o
Com os
passo at que os s estimados em duas iteraes sucessivas forem, de
acordo com o critrio denido, idnticos
Econometria II
46 / 136
Denies
Modelo dinamicamente completo: modelo que no sofre de
autocorrelao
Pressuposto: a autocorrelao tem origem numa incorrecta
especicao do modelo em termos dinmicos
Soluo: reespecicar dinamicamente o modelo, isto , adicionar um
determinado nmero de desfasamentos de todas as variveis ao
modelo
Econometria II
47 / 136
Exemplos
Modelo de regresso linear simples com autocorrelao AR(1)
Modelo:
= 0 + 1 Xt + u t ,
= ut 1 + et , et IID 0, 2e , jj < 1.
Yt
ut

Yt
= 0 + 1 Xt
ut = ut
Yt
Yt
+ ut
, ut
+ et = Yt
= 0 + 1 Xt + Yt
= 0 (1 ) +Yt
| {z }
= Yt
1 Xt
1 Xt
+ et
+ et
Xt 1 + et
1 + 1 Xt
| {z }1
1
1 Xt
Nesta nova formulao, em que se acrescentou um desfasamento de

Y e outro de X , no existe autocorrelao, pois et
IID 0, 2e
Econometria II
48 / 136
Exemplos (cont.)
Modelo dinmico AR(1) com autocorrelao AR(1)
Modelo:
Yt
ut
= 0 + 1 Yt 1 + u t ,
= ut 1 + et , et IID 0, 2e , jj < 1.

Yt
= 0 + 1 Yt
ut = ut
Yt
Yt
+ ut
+ et = Yt
, ut
1
= Yt
1 Yt
1 Yt
+ et
= 0 + 1 Yt 1 + Yt 1 0 1 Yt 2 + et
= 0 (1 ) + ( + 1 ) Yt 1 1 Yt 2 + et
| {z }
| {z }
Nesta nova formulao, em que se acrescentou um desfasamento de

Y , no existe autocorrelao, pois et
IID 0, 2e
Econometria II
49 / 136
Exemplos (cont.)
Modelo dinmico AR(1) com autocorrelao AR(2)
Modelo:
..., ut = 1 ut
+ 2 ut
IID 0, 2e
+ et , et

Yt
Yt
= 0 + 1 Yt
= 0 + 1 Yt
+ ut
3 + ut
2
1
2
, ut
, ut
1
2
= Yt
= Yt
1 Yt
1 Yt
1 1 ) Yt
...
Yt
= 0 ( 1 1 2 ) + ( 1 + 1 ) Yt
|
{z
}
2 1 Yt 3 + e t
| {z
}
+ ( 2
Nesta nova formulao, em que se acrescentaram dois desfasamentos

de Y , no existe autocorrelao, pois et
IID 0, 2e
Econometria II
50 / 136
Reespecicao dinmica do modelo

Os exemplos mostram claramente que o problema de autocorrelao
desaparece se:
I
I
Forem acrescentados desfasamentos a todas as variveis do modelo,

incluindo a varivel dependente
O nmero de desfasamentos acrescentados a cada varivel
corresponder ordem do processo de autocorrelao que caracteriza o
modelo original
Em termos prticos:
I
I
No se conhece com certeza se existe autocorrelao e, existindo, qual

a sua ordem
A soluo passa por ir acrescentado desfasamentos ao modelo e, aps a
sua estimao, testar se existe autocorrelao. Quando deixar de existir
autocorrelao, ento j foi acrescentado o nmero de desfasamentos
suciente para resolver o problema de autocorrelao e o modelo j se
tornou dinamicamente completo
Econometria II
51 / 136
Heteroscedasticidade - diferenas para o caso seccional

Denio semelhante: Var (ut jXt ) = 2 h (Xt )
Mesmas consequncias sobre as propriedades dos estimadores dos

MQ: perda de ecincia; inferncia invlida
Mesmas solues:
I
I
MQ ponderados - estimadores ecientes (requer a especicao de

Var (ut jXt ))
MQ robustos - estimadores no ecientes mas inferncia vlida
assimptoticamente
Econometria II
52 / 136
Heteroscedasticidade - diferenas para o caso seccional

(cont.)
Mesmos testes (F / LM):
I
Teste BP (Breusch-Pagan)
regresso auxiliar: u t2 = 0 + 1 Xt1 + ... + k Xtk + wt
H0 : 1 = ... = k = 0 (hom.)
Teste de White especial

regresso auxiliar: u t2 = 0 + 1 Y t + 2 Y t2 + wt ;
H0 : 1 = 2 = 0 (hom.)
Contudo, os testes apenas so vlidos na ausncia de autocorrelao deve-se primeiro testar se existe autocorrelao (usando verses
robustas heteroscedasticidade):
I
I
No existindo autocorrelao, testar a existncia de

heteroscedasticidade
Existindo autocorrelao, usar os MQ generalizados para estimar as
regresses auxiliares ou reespecicar dinamicamente o modelo e s
depois testar heteroscedasticidade
Econometria II
53 / 136
ARCH - denio e motivao

ARCH (p ) - heteroscedasticidade condicionada auto-regressiva de
ordem p:
ut2 = 0 + 1 ut2
+ 2 ut2
+ ... + p ut2
+ vt
No altera as propriedades dos estimadores dos MQ

importante estudar modelos ARCH porque:
I
Com regressores que no so estritamente exgenos mas apenas

fracamente dependentes, possvel obter estimadores mais ecientes
pelo mtodo dos MQ ponderados:
Y
1
X
q t = 0 q + 1 q t + ... + t
u t2
u t2
u t2
(se u t2 < 0, a equao que dene os ut2 deve ser re-especicada)

Os modelos ARCH podem ser interessantes em si: permitem estudar a
volatilidade (variabilidade) de variveis econmicas
Econometria II
54 / 136
Teste para o efeito ARCH(p)

Implementao:
1
Estimar o modelo de interesse:

Yt = 0 + 1 Xt1 + ... + k Xtk + ut
2
3
Obter u t e construir a varivel u t2

Estimar o modelo ARCH:
u t2 = 0 + 1 u t2 1 + 2 u t2 2 + ...p u t2 p + vt
Testar H0 : 1 = ... = p = 0 atravs de um teste F ou LM
Econometria II
55 / 136
4. MODELOS DINMICOS E PREVISO
Tpicos
4.1. Modelos com desfasamento distribudo innito
4.2. Estacionariedade e testes de razes unitrias
4.3. Regresso espria e cointegrao
4.4. Previso
Econometria II
56 / 136
Denio e efeitos marginais

Modelo com desfasamentos distribudos innitos:
Yt = + 0 Xt + 1 Xt
+ 2 Xt
+ ... + ut ,
onde j ! 0 quando j ! .
Efeitos marginais (ver pg. 27):

I
I
Propenso ou multiplicador de impacto: Xt = 1 ) Yt = 0

Propenso ou multiplicador de longo prazo:
Xt = Xt 1 = Xt 2 = ... = 1 ) Yt = 0 + 1 + 2 + ...
A propenso de longo prazo tambm pode ser interpretada como a

alterao que ocorre no valor de equilbrio de Y se o valor de
equilbrio de X variar uma unidade:
I
I
Em equilbrio X = Xt = Xt 1 = Xt 2 = ... ) Y =
+ (0 + 1 + 2 + ...) X + ut
Logo: X = 1 ) Y = 0 + 1 + 2 + ...
Econometria II
57 / 136
Operacionalizao
Um modelo com um nmero innito de regressores impossvel de
estimar directamente, sendo necessrio impr restries de forma a
reduzir o nmero de parmetros a estimar.
Modelos principais resultantes da imposio de restries:
I
Modelo de desfasamentos geomtricos ou de Koyck

Modelo de ajustamento parcial
Modelo de expectativas adaptativas
Modelo de desfasamentos racionais
Econometria II
58 / 136
Modelo de desfasamentos geomtricos ou de Koyck

Restrio: assume-se que os parmetros das variveis desfasadas
diminuem geometricamente,
j = j ,
onde jj < 1 para que j ! 0 quando j ! .
Derivao do modelo:
= + 0 Xt + 1 Xt
= + Xt + Xt
Yt
+ 2 Xt 2 + ... + ut
2
1 + Xt 2 + ... + ut
1
e
Yt
= + Xt
+ Xt
+ 2 Xt
+ ... + ut
1,
pelo que:
Yt
Yt
Yt
= (1 ) +Xt + ut ut 1 ,
| {z }
| {z }
= 0 + Xt + Yt 1 + vt
Econometria II
59 / 136
Modelo de desfasamentos geomtricos ou de Koyck (cont.)

Depois de estimados e , pode-se obter uma estimativa para j
Dado que E (vt jXt , Yt 1 ) 6= 0, pois ut 1 est contido em vt , no se
pode usar o mtodo dos MQ, devendo-se usar o mtodo das variveis
instrumentais (ver cap. 6)
Propenso de impacto:
Xt = 1 ) Yt = 0 =
Propenso de longo prazo (clculo a partir da sua denio):
Xt
Yt
= Xt 1 = Xt 2 = ... = 1 )
= 0 + 1 + 2 + ...
= + + 2 + ...
|
{z
}
progresso geomtrica
Econometria II
60 / 136
Modelo de desfasamentos geomtricos ou de Koyck (cont.)

Propenso de longo prazo (clculo a partir dos valores de equilbrio):
Y
Y
Y
Y
Y
X
X
= 0 + X + Y + vt
= 0 + X + vt
0
=
+
X + vt
1 1
=
1
= 1 ) Y =
1
As propenses de impacto e de longo prazo tm sempre o mesmo

sinal: se for positivo, ambas so positivas; se for negativo, ambas
so negativas
O efeito individual de cada desfasamento pode ter sempre o mesmo
sinal ( > 0) ou alternar de sinal ( < 0)
Econometria II
61 / 136
Fundamentao econmica do modelo de Koyck

A restrio imposta (diminuio geometrica dos parmetros) no tem
por base nenhuma teoria econmica, sendo uma mera convenincia
matemtica
Contudo, h dois casos particulares deste modelo muito usados na
teoria econmica:
I
I

Econometria II
62 / 136

Modelo econmico
Com frequncia, a teoria econmica analisa a forma como um
conjunto de variveis explicativas inuencia o valor desejado ou
ptimo da varivel dependente:
Yt = + Xt + ut
Assume-se que o valor corrente de Yt ajusta para o valor desejado a
uma determinada velocidade:
Yt = Yt
+ (Yt
Yt
1 ) + et ,
onde 0 < < 1 mede a velocidade de ajustamento
Econometria II
63 / 136
Modelo de ajustamento parcial (cont.)

Modelo economtrico
No possvel estimar directamente as equaes anteriores porque o
valor desejado no observvel
Derivao do modelo a estimar:
Yt
Yt
Yt
Yt
= ( + Xt + ut Yt 1 ) + et
= Yt 1 + + Xt + ut Yt 1 + et
= |{z}
+ (1 ) Yt 1 + Xt + (ut + et ) ,
| {z }
| {z }
|{z}
Yt = 0 + Xt + Yt
+ vt
Obtm-se a mesma estrutura do modelo de desfasamentos

geomtricos, mas com uma importante diferena: neste caso o
modelo pode ser estimado pelo mtodo dos mnimos quadrados pois
vt no contm termos desfasados
Econometria II
64 / 136

Modelo econmico
Neste caso, o valor da varivel dependente determinado pelo valor
que os agentes econmicos esperam (antecipam) para as variveis
explicativas:
Yt = + Xt + ut
As expectativas so formadas da seguinte forma:
Xt = Xt
+ ( Xt
Xt
1 ) + et ,
onde 0 < < 1
Econometria II
65 / 136
Modelo de expectativas adaptativas (cont.)

Modelo economtrico
Yt
= + Xt
(1
(1
) Yt 1 + Xt
Yt
Yt = + (1
Yt
Yt
) Yt
) Yt
(1
+ ut
1,
= ...
= ...
) Xt
1
+ ut
(1
) ut
z
}|
{
= + (1 ) Yt 1 + Xt 1 + (Xt Xt 1 ) + et
(1 ) Xt 1 + ut (1 ) ut 1
= |{z}
+ (1 ) Yt 1 + Xt + et + ut (1 ) ut 1
| {z }
|{z}
|
{z
}
= 0 + Xt + Yt 1 + vt
Obtm-se a mesma estrutura do modelo de desfasamentos

geomtricos, permanecendo o problema relativo a E (vt jXt , Yt
Econometria II
1)
6= 0
66 / 136
Modelo de desfasamentos racionais

Modelo mais comum hoje em dia mas tambm mais complicado
Partindo de um modelo com desfasamentos distribudos innitos, e
impondo determinadas restries, obtm-se no nal o seguinte
modelo:
Yt = 0 + 0 Xt + Yt 1 + 1 Xt 1 + vt
Inclui o modelo de Koyck como um caso particular para 1 = 0
Propenso de impacto:
Xt = 1 ) Yt = 0
Econometria II
67 / 136
Modelo de desfasamentos racionais (cont.)

Propenso de longo prazo (clculo a partir da sua denio):
Xt = Xt
Yt
= Xt
= ... = 1 )
= 0 + (0 + 1 ) + (0 + 1 ) + 2 (0 + 1 ) + ...
|
{z
}
progresso geomtrica
0 + 1
1
0 0 + 0 + 1
1
0 + 1
1
= 0 +
=
=
Econometria II
68 / 136
Modelo de desfasamentos racionais (cont.)

Propenso de longo prazo (clculo a partir dos valores de equilbrio):
Y
Y
Y
Y
= 0 + 0 X + Y + 1 X + vt
= 0 + (0 + 1 ) X + vt
0
+ 1
=
+ 0
X + vt
1
1
Y
+ 1
= 0
X
1
+ 1
X = 1 ) Y = 0
1
Ao contrrio do modelo de Koyck, agora as propenses de impacto e

de longo prazo podem ter sinais diferentes, caso 0 e 1 tenham
sinais diferentes e j0 j < j1 j
Econometria II
69 / 136
Estacionariedade e razes unitrias

Modelos de regresso para dados temporais requerem variveis
estritamente exgenas ou fracamente dependentes
Em Economia, comum as variveis serem altamente dependentes,
sendo por isso necessrio testar a sua estacionariedade usando testes
de razes unitrias
Nestes testes admite-se que a varivel segue um processo AR (1):
Yt = + Yt
+ ut ;
dependendo do valor de , a varivel pode ser:

I
I
Estacionria e fracamente dependente, se jj < 1

Altamente dependente, se jj 1, podendo-se distinguir dois casos:
jj = 1: passeio aleatrio (situao comum em Economia)
jj > 1: processo explosivo (situao improvvel em Economia)
Quando jj = 1, diz-se que a varivel possui uma raiz unitria

Econometria II
70 / 136
Exemplos de processos
Processo fracamente dependente
<Figura 1>
Passeio aleatrio
<Figura 2>
Processo explosivo
<Figura 3>
Econometria II
71 / 136
Passeio aleatrio (Random walk)

Modelo:
Yt = Yt
+ ut
Em funo do valor inicial (Y0 ):

Yt
=
=
=
=
+ ut 1 + ut
Yt 3 + u t 2 + u t
...
Y0 + u1 + ... + ut
Yt
+ ut
+ ut ,
Caractersticas:
I
I
E (Yt ) = Y0
Var (Yt ) = 2u t =) srie no estacionria, a varincia depende de t
Econometria II
72 / 136
Passeio aleatrio com deslocao (Random walk with drift)

Modelo:
Yt = + Yt
+ ut .
Em funo do valor inicial:

Yt
=
=
=
=
=
+ Yt
+ ut
+ + Yt 2 + ut 1 + ut
+ + + Yt 3 + u t 2 + u t 1 + u t
...
t + Y0 + u1 + ... + ut 1 + ut ,
1
Caractersticas:
E (Yt ) = t + Y0 =) mdia tambm passa a depender de t
Var (Yt ) = 2u t
<Figura 4>
Econometria II
73 / 136
Testes de razes unitrias

Em termos genricos, cada varivel segue um processo do tipo
Yt = + Yt
+ ut ,
sendo necessrio testar:

I H : = 1 (existe raiz unitria - srie no estacionria)
0
I H : < 1 (no existe raiz unitria - srie estacionria)
1
Como o processo anterior pode ser escrito equivalentemente como
Yt
Yt
Yt
Yt
= + Yt 1 Yt 1 + ut
= + ( 1 ) Yt 1 + u t
= + Yt 1 + ut ,
as hipteses anteriores podem ser reescritas como:

I H : = 0 (existe raiz unitria - srie no estacionria)
0
I H : < 0 (no existe raiz unitria - srie estacionria)
0
Econometria II
74 / 136
Teste de Dickey-Fuller
Teste comum de razes unitrias
Implementao:
1
Estimar um dos seguintes modelos

Yt
Yt
Yt
= Yt 1 + ut
= + Yt 1 + ut
= + Yt 1 + t + ut
Realizar um teste t para as hipteses:

H0 : = 0 (existe raiz unitria - srie no estacionria)
H0 : < 0 (no existe raiz unitria - srie estacionria)
Decidir com base na tabela da distribuio de Dickey-Fuller, sendo que

os valores crticos diferem de acordo com o modelo estimado no passo 1
Econometria II
75 / 136
Teste de Dickey-Fuller aumentado

O teste de Dickey-Fuller s vlido se o modelo for dinamicamente
completo; se no for, deve-se usar o teste de Dickey-Fuller aumentado
Implementao: idntica do teste anterior mas na regresso
realizada no primeiro passo acrescentam-se desfasamentos da varivel
dependente:
Yt
Yt
Yt
= Yt 1 + 1 Yt 1 + ... + q Yt q + ut
= + Yt 1 + 1 Yt 1 + ... + q Yt q + ut
= + Yt 1 + t + 1 Yt 1 + ... + q Yt q + ut
Econometria II
76 / 136
Relao espria
Com base nos testes de razes unitrias, podem ser distinguidas dois
tipos de variveis:
I
I
Variveis I (0): variveis integradas de ordem 0 (sem razes unitrias,

estacionrias)
Variveis I (1): variveis integradas de ordem 1 (com uma raz unitria,
no estacionrias)
Consequncias para a estimao de um modelo de regresso:

I
I
Todas as variveis do modelo so I (0) - o mtodo dos MQ pode ser

aplicado da forma habitual
Pelo menos uma das variveis do modelo I (1) - o mtodo dos MQ
pode conduzir a uma relao espria: os resultados da estimao e dos
testes sugerem que existe uma relao entre a varivel dependente e as
variveis explicativas mesmo que na verdade no exista qualquer
relao
Econometria II
77 / 136
Cointegrao
Um modelo composto por variveis I (1) pode ser directamente
estimado pelos MQ apenas quando essas variveis so cointegradas
Duas variveis so cointegradas quando o termo erro da regresso da
varivel dependente na varivel explicativa I (0); isto , apesar de
Yt e Xt serem variveis I (1), ut = Yt Xt I (0)
Em termos econmicos, existir cointegrao signica que existe uma
relao de equilbrio ou de longo prazo entre Y e X
Testes de cointegrao:
I
I
Teste de Engle-Granger
Teste de Engle-Granger aumentado
Ambos os testes so similares s verses correspondentes do teste de

Dickey-Fuller, mas aplicados a ut
Econometria II
78 / 136
Testes de Engle-Granger - Implementao

1
Estimar o modelo de regresso linear simples

Yt = + Xt + ut
2
3
Calcular os resduos u t
Estimar a equao correspondente ao teste de Dickey-Fuller
correspondente mas aplicada a u t :
I
Teste de Engle-Granger:
u t = + u t 1 + t + wt
Teste de Engle-Granger aumentado:

u t = + u t 1 + t + 1 u t 1 + ... + q u t q + wt
Realizar um teste t para as hipteses:

I H : = 0 (existe raiz unitria - ut I (1), no h cointegrao)
0
I H : < 0 (no existe raiz unitria - ut I (0), h cointegrao)
0
Decidir com base na tabela da distribuio de Engle-Granger
Econometria II
79 / 136
Regresso entre variveis no estacionrias e no

cointegradas
Se as variveis (Yt e Xt ) forem no estacionrias e no cointegradas,
no possvel estimar o modelo em nveis:
Yt = 0 + 0 Yt
+ Xt + 1 Xt
+ ut
Contudo, possvel estimar o modelo s diferenas:

Yt = 0 + 0 Yt
+ Xt + 1 Xt
+ ut ,
Com efeito, quando uma varivel I (1), a sua diferena I (0):

Yt
Yt
Yt
Yt
= + Yt 1 + ut ! passeio aleatrio
= + ut
= + ut ! srie estacionria
<Figura 5>
Econometria II
80 / 136
Modelo corrector do erro

Se as variveis forem cointegradas, tambm possvel estimar a
equao s diferenas, acrescentando o chamado termo corrector do
erro, o qual I (0) pois corresponde equao de cointegrao
desfasada de um perodo,
st
= Yt
Xt
O modelo resultante tem o nome de modelo corrector do erro:

Yt = 0 + 0 Yt
+ Xt + 1 Xt
+ st
+ ut
Enquanto que a equao de cointegrao d a relao de longo prazo,

o modelo corrector do erro um modelo de curto prazo, dizendo a
que velocidade feito o ajustamento para o equilbrio
Econometria II
81 / 136
Modelo corrector do erro (cont.)

O parmetro tem de ser sempre negativo pois:
I
Se existir um desequilbrio positivo, ento no perodo anterior Y

situou-se acima do seu nvel de equilbrio, o que signica que o termo
corrector do erro vai contribuir para uma Yt negativa, puxando o Y
para o seu nvel de equilbrio;
Se existir um desequilbrio negativo, ento no perodo anterior Y
situou-se abaixo do seu nvel de equilbrio, o que signica que o termo
corrector do erro vai contribuir para uma Yt positiva, puxando o Y
para o seu nvel de equilbrio.
Econometria II
82 / 136
4.4. Previso
Previso - denies e modelos

Previso um passo frente: previso efectuada no perodo t para
daqui a 1 perodo (ft,1 )
Erro de previso (apenas observado a posteriori):
e t + 1 = Yt + 1
ft,1
Exemplos de modelos para previso

I
I
I
I
I
Modelos
Modelos
Modelos
Modelos
Modelos
estticos
dinmicos do tipo ADL
dinmicos do tipo AR
de tendncia
VAR
Econometria II
83 / 136
4.4. Previso
Modelos para previso

Modelos estticos
yt
ft,1
= 0 + 1 Xt + u t
= 0 + 1 gt,1
Inconveniente: Xt +1 tem de ser previsto parte por outro modelo

Modelos dinmicos do tipo ADL
Yt
ft,1
= 0 + 1 Yt 1 + 1 Xt 1 + ... + ut
= 0 + 1 Yt + 1 Xt + ...
Econometria II
84 / 136
4.4. Previso
Modelos para previso (cont.)

Modelos dinmicos do tipo AR
Yt
ft,1
= 0 + 1 Yt 1 + 2 Yt 2 + ... + ut
= 0 + 1 Yt + 2 Yt 1 + ...
Modelos de tendncia
Yt
ft,1
= + t + ut
= + (t + 1)
Podem acrescentar-se potncias de t e/ou variveis explicativas
Econometria II
85 / 136
4.4. Previso
Modelos para previso (cont.)

Modelos VAR
Modelos exclusivos para previso, sendo compostos por vrias
equaes dinmicas do tipo ADL, cada uma com a sua varivel
dependente e incluindo desfasamentos de todas as variveis do
modelo:
Yt = 0 + 1 Yt
Xt = 0 + 1 Yt
+ 1 Xt
1 + 1 Xt
+ 2 Yt
1 + 2 Yt
+ 2 Xt
2 + 2 Xt
+ ... + ut
2 + ... + vt
Previses efectuadas tratando cada equao separadamente, como no

caso ADL simples
Econometria II
86 / 136
4.4. Previso
Causalidade Granger
X causa Granger Y quando, depois de se ter em conta o passado
de Y , os valores passados de X continuam a ser importantes para
prever o valor de Y
Teste de causalidade Granger: testes t ou F signicncia
estatstica dos desfasamentos de X numa equao em que Y seja a
varivel dependente e as variveis explicativas incluam desfasamentos
de Y
Exemplo:
Yt = 0 + 1 Yt
Xt = 0 + 1 Yt
I
I
+ 1 Xt
1 + 1 Xt
+ 2 Yt
1 + 2 Yt
+ 2 Xt
2 + 2 Xt
+ ... + ut
2 + ... + vt
H0 : 1 = 2 = ... = 0 (X no causa Granger Y )

H0 : 1 = 2 = ... = 0 (Y no causa Granger X )
Econometria II
87 / 136
4.4. Previso
Previso por intervalos

Intervalo de conana para a previso pontual:
i
h
ft,1 zn2 p e , ft,1 + zn2 p e ,
onde:
I
I
I
I
zn2 p - tabela da Normal estandardizada

q
e = 2ft,1 + 2 - desvio padro do erro de previso
2 - estimativa da varincia do erro do modelo de regresso estimado

2ft,1 - obtido a partir de uma regresso auxiliar onde ft,1 aparea
explicitamente (tpico estudado em Econometria I)
Econometria II
88 / 136
4.4. Previso
Critrios de escolha do melhor modelo de previso

Existem dois grupos de critrios de escolha de um modelo:
I
Critrios dentro da amostra: mais indicados quando o objectivo

determinar as relaes causais que se estabelecem entre as variveis
(ex.: R 2 , R 2 )
Critrios fora da amostra: mais indicados para escolher o melhor
modelo de previso.
Critrios fora da amostra - a amostra dividida em duas:

I
I
As primeiras n observaes so usadas para estimar o modelo que

servir de base previso
As restantes m observaes serviro para avaliar a qualidade das
previses, pois ser possvel estimar os erros de previso calculando
en +h = Yn +h
fn +h 1,1 , h = 1, ..., m
uma vez que os Yn +h so conhecidos

Econometria II
89 / 136
4.4. Previso
Critrios fora da amostra

Critrios principais:
I
Raiz quadrada do erro quadrtico mdio:

s
1 m 2
RMSE =
en +h
m h
=1
Erro absoluto mdio:

MAE =
1 m
jen +h j
m h
=1
Quanto menor for o valor destas medidas, melhor ser o modelo para
efectuar previses
Econometria II
90 / 136
5. DADOS DE PAINEL
Tpicos
5.1. Agrupamento de dados seccionais no tempo
5.2. O modelo de efeitos xos
5.3. O modelo de efeitos aleatrios
Econometria II
91 / 136
5. DADOS DE PAINEL
Denio
Quando a amostra contm em simultneo dados seccionais e
temporais, pode-se ter:
I
I
Dados seccionais agrupados - em cada momento no tempo recolhida

uma amostra aleatria, sendo as observaes independentes
Dados de painel - os indivduos observados so sempre os mesmos em
todos os perodos, sendo as observaes dependentes
Econometria II
92 / 136
5. DADOS DE PAINEL
Dados agrupados
Estimao por MQ da forma habitual
Incluem-se dummies e/ou termos de interaco de natureza temporal
no modelo para vericar se se registaram alteraes ao longo do
tempo na relao entre variveis
possvel estimar o impacto de determinadas polticas
Econometria II
93 / 136
5. DADOS DE PAINEL
Variveis dummy e de iteraco - exemplo

Amostra relativa aos anos de 1990, 2000 e 2010:
Modelo base:
Nlhos = 0 + 1 educ + u,
Alternativas possveis:
I
Suspeita de Nlhos se ter alterado ao longo do tempo por motivos que

no tm a ver com educ:
Nlhos = 0 + 0 ano2000 + 0 ano2010 + 1 educ + u
Suspeita de que o efeito de educ se alterou ao longo do perodo:

Nlhos = 0 + 1 educ + 1 (ano2000 educ ) + 1 (ano2010 educ ) + u
Combinao das duas suspeitas anteriores

Nlhos
0 + 0 ano2000 + 0 ano2010 + 1 educ
+1 (ano2000 educ ) + 1 (ano2010 educ ) + u

Econometria II
94 / 136
5. DADOS DE PAINEL
Impacto de polticas - exemplo

Objectivo: avaliar o impacto da construo de uma incineradora no
preo das habitaes
Estudo a realizar:
1
Recolher uma amostra em dois anos diferentes, um antes da

implementao da poltica, outro depois; esta amostra deve conter dois
grupos de individuos:
Grupo de controle: indivduos no afectados pela poltica (habitaes
de outras zonas)
Grupo de tratamento:habitantes da zona onde foi construda a
incineradora
Estimar o modelo
preco = 0 + 0 ano2 + 1 pertoinc + 1 ano2 pertoinc + u,

onde pertoinc uma varivel dummy cujo valor 1 signica que a
habitao se situa na zona da incineradora
3 Analisar a signicncia do parmetro 1 , o qual mede o impacto da
poltica
Econometria II
95 / 136
5. DADOS DE PAINEL
Impacto de polticas - exemplo (cont.)

O grupo de controle necessrio porque os preos das casas onde foi
instalada a incineradora podem-se ter alterado por outros motivos que
no a sua construo:
Ano1
Ano2
perto
preco
[ = 0 + 1 preco
[ = 0 + 0 + 1 + 1
longe
preco
[ = 0
preco
[ = 0 + 0
perto longe
1
1 + 1
Efeito da incineradora - estimador da diferena nas diferenas:
1 =
0 + 0 + 1 + 1
preco 2,perto
0 + 0
preco 2,longe
Econometria II
0 + 1
preco 1,perto
preco 1,longe
96 / 136
5. DADOS DE PAINEL
Especicao do modelo de efeitos xos

Modelo:
yit = 0 + 1 X1it + ... + k Xkit + ai + uit , i = 1, ..., n, t = 1, ..., T
| {z }
termo erro
O termo erro passa a ter duas componentes no observveis:

I
I
ai : efeitos xos - diferem de indivduo para indivduo mas permanecem

constantes ao longo do tempo
uit : erro idiossincrtico - diferem de indivduo para indivduo e de
perodo para perodo de forma aleatria
Propriedades dos estimadores dos MQ:

I
I
E ( ai j Xit ) 6= 0 ou E ( uit j Xit ) 6= 0 ) estimadores inconsistentes

E ( ai j Xit ) = 0 e E ( uit j Xit ) = 0 ) estimadores consistentes
No mbito do modelo de efeitos xos assume-se que E ( ai j Xit ) 6= 0

Econometria II
97 / 136
5. DADOS DE PAINEL
Estimao do modelo de efeitos xos

Como E ( ai j Xit ) 6= 0, a soluo para a inconsistncia dos
estimadores consiste em transformar o modelo de forma a eliminar os
efeitos xos, existindo dois mtodos principais:
I
Mtodo das primeiras diferenas (baseado na diferena entre o modelo

original e o modelo desfasado de um perodo):
yit = 1 X1it + ... + k Xkit + uit , i = 1, ..., n, t = 2, ..., T ,
onde yit = yit yit 1 , etc.

Mtodo dos efeitos xos (estimador dentro- baseado na diferena
entre o modelo original e o modelo centrado no tempo):
yit
X 1i ) + ... + k (Xkit
yi = 1 (X1it
X ki ) + uit
u i
onde yi = T1 T
i =1 yit , etc..
Ambos os mtodos consistem na aplicao dos MQ s equaes

transformadas
Econometria II
98 / 136
5. DADOS DE PAINEL
Estimao do modelo de efeitos xos (cont.)

comum acrescentar a constante e variveis dummy temporais s
duas equaes:
yit = 0 + 2 d3t + ... + T dTt + 1 X1it + ... + k Xkit + uit
yit
yi
= 0 + 2 d2t + ... + T dTt + 1 (X1it

+ k (Xkit X ki ) + uit u i
X 1i ) + ...
Apenas para T = 2 os dois mtodos produzem resultados iguais.

Desvantagens de ambos os estimadores:
I
I
Os regressores constantes no tempo (ex.: gnero) so removidos da

equao
Os efeitos de regressores que se alteram numa unidade em todos os
perodos (ex.: idade) no podem ser obtidos na presena de dummies
temporais.
Econometria II
99 / 136
5. DADOS DE PAINEL
Especicao do modelo de efeitos aleatrios

Modelo idntico:
yit = 0 + 1 X1it + ... + k Xkit + ai + uit
| {z }
vit
Assume-se E ( ai j Xjit ) = 0, pelo que a aplicao dos MQ

directamente ao modelo produz estimadores consistentes
Existe autocorrelao em vit do tipo
corr (vit , vis ) =
2a
, t 6= s,
2a + 2u
pelo que prefervel usar os MQ Generalizados para obter estimadores

ecientes
Econometria II
100 / 136
5. DADOS DE PAINEL
Estimao do modelo de efeitos aleatrios

Os MQ Generalizados consistem na estimao do seguinte modelo
transformado:
= 0 (1 ) + 1 (X1it X 1i ) + ... + k (Xkit

(vit vi ) ,
q
2a
onde = 1
necessita tambm de ser estimado
2 +T 2
yit
yi
X ki ) +
O estimador resultante recebe o nome de estimador de efeitos

aleatrios e, embora no seja centrado, consistente, eciente e
assimptoticamente normal
0
I
I
1, observando-se os seguintes casos limite:
= 0 ) MQ agrupados
= 1 ) estimador de efeitos xos
Econometria II
101 / 136
5. DADOS DE PAINEL
Escolha entre modelos

Hipteses a testar:
I
I
H0 : E ( ai j Xit ) = 0 (EA e EF consistentes, EA eciente)

H1 : E ( ai j Xit ) 6= 0 (EF consistentes)
Sob a hiptese nula preferivel usar o estimador de efeitos aleatrios

(EA)
Rejeitando a hiptese nula, prefervel usar um mtodo de estimao
apropriado para o modelo de efeitos xos
Teste de Hausman:
H = EF
EA
V EF
V EA
Econometria II
EF
EA ~2k
102 / 136
6. REGRESSO COM VARIVEIS INSTRUMENTAIS
Tpicos
6.1.
6.2.
6.3.
6.4.
Motivao: omisso de variveis e erros de medida

Estimao e inferncia com variveis instrumentais
Mnimos quadrados em dois passos
Testes de endogeneidade e de restries de sobreidenticao
Econometria II
103 / 136
6.1. Motivao: omisso de variveis e erros de medida
Denies
E (u jXj ) = 0 ) Xj uma varivel explicativa exgena )
estimadores dos MQ consistentes
E (u jXj ) 6= 0 ) Xj uma varivel explicativa endgena )
estimadores dos MQ inconsistentes
Causas comuns para a endogeneidade:
I
I
Omisso de variveis
Erros de medida
Na varivel dependente
Numa ou mais variveis explicativas
Conforme a causa, diferente poder ser a soluo para o problema de

endogeneidade. Uma das possveis solues o uso de variveis
instrumentais
Econometria II
104 / 136
Omisso de variveis - exemplo

Regresso correcta: Y = 0 + 1 X1 + 2 X2 + v ;
| {z }
u
Regresso estimada: Y = 0 + 1 X1 + u;
Se X2 explica Y (2 6= 0), omitido e:
I
cov (X2 , X1 ) 6= 0, ento cov (u, X1 ) 6= 0 ) X1 endgeno ) 1

inconsistente
cov (X2 , X1 ) = 0, ento cov (u, X1 ) = 0 ) X1 exgeno ) 1
consistente
Solues para o problema de endogeneidade:

I
I
X2 observvel: incluir no modelo

X2 no observvel:
Usar uma varivel proxy que substitua X2
Usar uma ou mais variveis instrumentais
Econometria II
105 / 136
Variveis proxy
Varivel proxy: varivel que est relacionada com a varivel
explicativa endgena no observvel
Pressupostos (continuao do exemplo anterior):
I
O modelo correcto :
Y = 0 + 1 X1 + 2 X2 + v ,
| {z }
u
I
I
I
isto , E (v jX1 , X2 ) = 0
X2 no observvel e cov (X2 , X1 ) 6= 0 ) E (u jX1 ) 6= 0
O objectivo estimar 1
Xp uma varivel proxy para X2 , sendo a relao entre ela dada por:
X2 = 0 + 1 Xp + vp
E (vp jXp ) = 0
Novo modelo a estimar:

Y = 0 + 1 X1 + 2 Xp + w
Econometria II
106 / 136
Variveis proxy (cont.)

Relao entre o modelo correcto e o novo modelo a estimar:
Y
= 0 + 1 X1 + 2 X2 + v
= 0 + 1 X1 + 2 (0 + 1 Xp + vp ) + v
= ( 0 + 2 0 ) + 1 X1 + 2 1 Xp + v + 2 vp ,
|{z}
| {z }
|
{z
}
0
= 0 + 1 X1 + 2 Xp + w
Resultado:
I
I
Obtm-se estimadores consistentes para 0 , 1 e 2

No se obtm estimadores consistentes para 0 e 2 , mas o objectivo
estimar 1
Econometria II
107 / 136
Erro de medida na varivel dependente - exemplo

Modelo correcto:
Y = 0 + 1 X1 + 2 X2 + v
Em lugar de Y (sem erro), observa-se Y (com erro), sendo a relao
entre ambos dada por
Y = Y + e,
onde e representa o erro de medida, E (e jY ) = 0 e Var (e jY ) = 2e
Modelo estimado:
Y = 0 + 1 X1 + 2 X2 + v| {z
+ e}
u
Assumindo E (e jX1 , X2 ) = 0, o que plausvel em muitos casos,

ento os estimadores dos MQ:
I
I
So centrados e consistentes e a inferncia vlida

Deixam de ser ecientes
Econometria II
108 / 136
Erro de medida numa varivel explicativa - exemplo

Modelo correcto:
Y = 0 + 1 X + v
Em lugar de X (sem erro), observa-se X (com erro), com
X = X + e,
onde E (e jX ) = 0 e Var (e jX ) = 2e
Modelo estimado:
Y = 0 + 1 X + v 1 e
| {z }
u
Como E ( u j X ) = E (e jX ) 6= 0, os estimadores dos MQ so

inconsistentes (por atenuao):
p lim 1 = 1
2X
2 + 2
| X {z e}
<1
Econometria II
109 / 136
6.2. Estimao e inferncia com variveis instrumentais
O mtodo das VIs

O mtodo das VIs aplica-se a qualquer problema de endogeneidade,
independentemente da sua causa
Se X1 uma varivel endgena, com E ( u j X1 ) 6= 0, ento Z uma
VI para X1 se:
I
I
E (u jZ ) = 0
cov (X1 , Z ) 6= 0
Forma estrutural do modelo - modelo original, com interesse

econmico:
Y = 0 + 1 X1 + ... + k Xk + u
Forma reduzida do modelo - equao que relaciona a varivel
explicativa endgena com as restantes variveis explicativas
(exgenas) e com a varivel instrumental:
X1 = 0 + 1 Z + 2 X2 + ... k Xk + v
Econometria II
110 / 136
Pressupostos e propriedades
Vericao dos pressupostos:
I
I
E (u jZ ) = 0 - impossvel de vericar atravs de teste estatstico; usar

argumentos tericos
cov (X1 , Z ) 6= 0 - estima-se a forma reduzida do modelo e aplica-se um
teste t hiptese:
H0 : 1 = 0 (a VI no adequada)
H1 : 1 6= 0 (a VI poder ser adequada)
Propriedades dos estimadores das VIs:

I
I
Enviesados mas consistentes

No ecientes mas inferncia vlida
Econometria II
111 / 136
Estimao - modelo de regresso linear simples

Modelo: Y = 0 + 1 X + u, E ( u j X ) 6= 0, Z VI para X
Frmulas:
( VI
n
(Z Z )(Y Y )
= in=1 i i
1
VI
0
i =1 (Z i Z )(X i X )
VI
1 X
= Y
VI
Var 1
2
,
2
n2X RXZ
2 refere-se regresso X = + Z + v
onde RXZ
0
1
No caso dos MQ
MQ
var 1
2
ni=1 (Xi
2
X )
2
,
n2X
pelo que a ecincia das VIs relativamente aos MQ ser tanto menor
quanto menor a correlao entre Z e X
Econometria II
112 / 136
Estimao - modelo de regresso linear mltiplo

Frmulas:
VI = Z 0 X
Var VI = 2 Z 0 X
Z 0y
Z 0Z
X 0Z
onde Z tem uma estrutura semelhante a X , mas com a substituio das

variveis endgenas por variveis instrumentais. Por exemplo:
2
3
2
3
1 X11 X21
1 Z11 X21
6 1 X12 X22 7
6 1 Z12 X22 7
7
6
7
X =6
4 1 X13 X23 5 , Z = 4 1 Z13 X23 5
... ...
...
... ...
...
Econometria II
113 / 136
6.3. Mnimos quadrados em dois passos
Mais instrumentos do que variveis endgenas

possvel ter mais do que uma varivel instrumental por varivel
endgena (situao de sobreidenticao). Neste caso:
I
I
No possvel aplicar o mtodo das variveis instrumentais

Pode-se aplicar o mtodo dos mnimos quadrados a dois passos
(MQ2P), o qual tambm requer o uso de VIs
Se X1 uma varivel endgena, com E ( u j X1 ) 6= 0, ento Z1 e Z2

so VIs para X1 se:
I E (u jZ , Z ) = 0
1 2
I cov (X , Z ) 6 = 0
1 1
I cov (X , Z ) 6 = 0
1 2
Forma estrutural do modelo - modelo original, igual ao caso anterior
(ver pg. 110)
Forma reduzida do modelo - semelhante ao caso anterior, incluindo
todas as VIs e todas as restantes variveis exgenas:
X1 = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk + v
Econometria II
114 / 136
Pressupostos e propriedades
Vericao dos pressupostos:
I
I
E (u jZ1 , Z2 ) = 0 - possvel de avaliar atravs de um teste de

sobreidenticao (ver pg. 120)
cov (X1 , Z ) 6= 0 - estima-se a forma reduzida do modelo e aplica-se um
teste F hiptese:
H0 : 2 = 3 = 0 (as VI no so adequadas)
H1 : N a o H0 (as VI podero ser adequadas)
Propriedades dos estimadores dos MQ2P:

I
I
Enviesados mas consistentes

No ecientes mas inferncia vlida
Econometria II
115 / 136
Processo de estimao
Dois passos:
1
Estimar a forma reduzida do modelo usando os MQ:

X1 = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk + v ;
com base nos parmetros estimados, obter uma estimativa da varivel
endgena:
X 1 = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk
Estimar a forma estrutural do modelo, com X1 substitudo por X 1 , por

MQ:
Y = 0 + 1 X 1 + ... + k Xk + u
Econometria II
116 / 136
Processo de estimao (cont.)

Em termos matriciais, o segundo passo dado por:
MQ 2P = Z 0 Z
onde
Z 0y ,
3
1 X 11 X21 ... Xk 1
6 1 X 12 X22 ... Xk 2 7
7
Z =6
4 1 X 13 X23 ... Xk 3 5
... ...
...
...
Quando s existe uma VI, os estimadores dos MQ2P so iguais aos

estimadores das VIs
Econometria II
117 / 136
6.4. Testes de endogeneidade e de restries de sobreidenticao
Importncia de testar a endogeneidade

Propriedades dos estimadores:
I
Sem endogeneidade:
MQ consistentes e ecientes
VI/MQ2P consistentes
Com endogeneidade:
MQ inconsistentes
VI/MQ2P consistentes
VI/MQ2P apenas devem ser usados se realmente houver variveis

explicativas endgenas ! teste de endogeneidade para uma varivel
explicativa
Econometria II
118 / 136
Teste de endogeneidade de uma varivel explicativa

Objectivo - testar se X1 endgeno no modelo:
Y = 0 + 1 X1 + ... + k Xk + u
Implementao do teste:
1
Estimar a forma reduzida do modelo (possveis VIs: Z1 , Z2 )

X1 = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk + v ,
e obter os resduos v
v = X1
X 1 ,
X 1 = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk
Estimar o modelo estrutural acrescentado de v

Y = 0 + 1 X1 + ... + k Xk + 1 v + ;
Teste t para:
H0
1 = 0 (X1 exgeno)
H1
1 6= 0 (X1 endgeno)
Econometria II
119 / 136
Teste de sobreidenticao (endogeneidade das VIs)

O pressuposto E (u jZ1 , Z2 , ...) = 0 testvel quando h mais VIs do
que variveis endgenas
Implementao do teste:
1
2
Estimar a forma estrutural do modelo por MQ2P e obter os resduos u

Estimar o modelo auxiliar (inclui todos os regressores exgenos e VIs)
u = 0 + 1 Z1 + 2 Z2 + 3 X2 + ... k +1 Xk + w
Testar
H0
VI vlidas
H1
VI no vlidas
atravs de um teste F ou LM para a signicncia global do modelo

estimado no passo 2. Os graus de liberdade q sero dados pelo nmero
de restries de sobreidenticao (no VIs - no var. endgenas)
Econometria II
120 / 136
7. MODELOS DE EQUAES SIMULTNEAS
Tpicos
7.1.
7.2.
7.3.
7.4.
dois
7.5.
Classicao das variveis e dos modelos

A forma reduzida do modelo e sua estimao
O problema da identicao
Estimao da forma estrutural do modelo: mnimos quadrados em
passos
Equaes simultneas com sries temporais e com dados de painel
Econometria II
121 / 136
Equaes simultneas
Nova causa de endogeneidade: simultaneidade, isto , os valores da
varivel dependente e de uma ou mais variveis explicativas duma
equao so determinados simultaneamente (exemplo: quantidade e
preo de equilbrio no mercado de um produto)
Modelos de equaes simultneas: modelos compostos por duas ou
mais equaes, cada uma com a sua varivel dependente, a qual entra
como varivel explicativa nas outras equaes
O mtodo das VIs e dos MQ2P so tambm utilizados neste mbito
Econometria II
122 / 136
7.1. Classicao das variveis e dos modelos
Modelo e tipos de variveis

Forma estrutural do modelo - resulta da teoria econmica. Por
exemplo:
Y1 = 1 Y2 + 1 Z1 + u1
Y2 = 2 Y1 + 2 Z2 + u2
onde a primeira equao pode representar a curva da procura e a
segunda a curva da oferta, sendo Y1 e Y2 a quantidade e o preo,
respectivamente
Tipos de variveis:
I
I
variveis endgenas: determinadas pelo modelo (Y1 e Y2 )

variveis exgenas: determinadas fora do modelo (Z1 e Z2 )
Econometria II
123 / 136
7.1. Classicao das variveis e dos modelos
A simultaneidade como causa de endogeneidade

Geralmente E ( u1 j Y2 ) 6= 0 e E ( u2 j Y1 ) 6= 0, por dois motivos:
I cov (u , u ) 6 = 0
1 2
I 6= 0 e 6= 0
1
2
Anlise da 1a equao (raciocnio semelhante para a 2a equao):

I cov (u , u ) 6 = 0: como u entra na denio de Y , e u e u esto
1 2
2
2
1
2
I
correlacionados, ento Y2 e u1 tambm estaro correlacionados

2 6= 0 (1 6= 0 no caso da 2a equao):
Y2
Y2
2 1 Y2
Y2
= 2 Y1 + 2 Z2 + u2
= 2 (1 Y2 + 1 Z1 + u1 ) + 2 Z2 + u2
= 2 1 Z1 + 2 Z2 + 2 u1 + u2
2 1
2
u + u2
=
Z1 +
Z2 + 2 1
;
1 2 1
1 2 1
1 2 1
desde que 2 6= 0, u1 entra na denio de Y2 , pelo que na 1a equao

da forma estrutural Y2 e u1 esto correlacionados
Econometria II
124 / 136
7.2. A forma reduzida do modelo e sua estimao
Forma reduzida
Forma reduzida do modelo - as variveis endgenas so funo
apenas de variveis explicativas:
Y1 = 11 Z1 + 12 Z2 + v1
Y2 = 21 Z1 + 22 Z2 + v2
As equaes da forma reduzida correspondem ao primeiro passo do
mtodo dos MQ2P aplicado a cada uma das equaes estruturais,
onde na primeira (segunda) equao estrutural se usa Z2 (Z1 ) como
VI para Y2 (Y1 )
Tal como anteriormente, as equaes da forma reduzida so estimadas
pelos MQ, desde que haja instrumentos em nmero suciente
Econometria II
125 / 136
7.3. O problema da identicao
Classicao das equaes estruturais

Uma equao estrutural pode ser classicada da seguinte forma
quanto sua identicao:
I
I
Equao no identicada - no existem VIs sucientes para estimar

todos os parmetros da equao
Equao identicada - existem VIs sucientes para estimar todos os
parmetros da equao:
Exactamente identicada: nmero de VIs igual ao nmero de variveis
endgenas
Sobre-identicada: nmero de VIs superior ao nmero de variveis
endgenas
Num sistema de equaes simultneas algumas equaes podem ser

de um tipo e outras doutro
Mtodos de estimao:
I
I
Equaes exactamente identicadas: VI, MQ2P e MIMQ (mtodo

indirecto dos MQ) produzem estimadores idnticos
Equaes sobreidenticadas: s possvel aplicar os MQ2P
Econometria II
126 / 136
Identicao em sistemas de duas equaes

Condies de identicao:
I
Condio de ordem - condio necessria para a identicao: para

uma equao ser identicada o nmero de variveis exgenas excludas
tem que ser igual ou superior ao nmero de variveis explicativas
endgenas includas
Condio de caracterstica - condio necessria e suciente para a
identicao: uma equao identicada se pelo menos uma das
variveis excludas tiver um coeciente no nulo na forma reduzida do
modelo
Vericao das condies:

I
Condio de ordem: contar o nmero de variveis exgenas excludas

da equao em anlise mas que aparecem nas outras equaes do
sistema e comparar com o nmero de variveis endgenas includas coo
explicativas na equao em anlise
Condio de caracterstica: aplicar testes t ou F forma reduzida da
varivel explicativa endgena
Econometria II
127 / 136
Exemplos
Nenhuma das equaes identicada:
Y1 = 1 Y2 + u 1
Y2 = 2 Y1 + u 2
Apenas a primeira equao identicada:
Y1 = 1 Y2 + u 1
Y2 = 2 Y1 + 2 Z2 + u2
Ambas as equaes so identicadas:
Y1 = 1 Y2 + 1 Z1 + u1
Y2 = 2 Y1 + 2 Z2 + u2
(em todos os exemplos est-se a admitir que na forma reduzida todos os
parmetros so no nulos)
Econometria II
128 / 136
Sistemas de mais de duas equaes - representao

matricial
Sistema de equaes (exemplo):
8
< Y1 = 12 Y2 + 13 Y3 + 11 Z1 + u1
Y2 = 21 Y1 + 21 Z1 + 22 Z2 + 23 Z3 + u2
:
Y3 = 31 Y1 + 31 Z1 + 32 Z2 + 33 Z3 + 34 Z4 + u3
8
Y1
12 Y2
13 Y3 11 Z1
= u1
<
21 Y1
+ Y2
21 Z1 22 Z2 23 Z3
= u2
:
31 Y1
+ Y3 31 Z1 32 Z2 33 Z3 34 Z4 = u3
Notao:
I
I
I
I
I
G : nmero de equaes / variveis endgenas

p: nmero de variveis exgenas (incluindo o termo constante)
Xi : vector [(G + p ) 1] contendo todas as variveis do modelo
C : matriz [G (G + p )] de coecientes estruturais
ui : vector (G 1) contendo os termos erro de cada equao
Econometria II
129 / 136

matricial (cont.)
Representao matricial:
CXi = ui ,
onde:
Yi
Zi
Xi =
C =4
1
21
31
6
6
6
6
=6
6
6
6
4
Y1
Y2
Y3
Z1
Z2
Z3
Z4
12
1
0
3
7
7
7
7
7
7
7
7
5
3
u1
ui = 4 u2 5
u3
13
0
1
11
21
31
Econometria II
0
22
32
0
23
33
3
0
0 5
34
130 / 136

matricial (cont.)
Matrizes de restries de nulidade para cada equao (cada coluna
diz respeito a uma restrio, havendo tantas colunas quanto o
nmero de zeros que aparece em cada linha da matriz C):
2
6
6
6
6
1 = 6
6
6
6
4
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
7
6
7
6
7
6
6
7
7 , 2 = 6
7
6
7
6
7
6
5
4
0
0
1
0
0
0
0
0
0
0
0
0
0
1
7
6
7
6
7
6
7
6
7 e 3 = 6
7
6
7
6
7
6
5
4
0
1
0
0
0
0
0
3
7
7
7
7
7
7
7
7
5
Rank de uma matriz: dimenso da maior matriz quadrada que for

possvel formar s com linhas linearmente independentes (neste caso,
equivalente a no nulas)
Econometria II
131 / 136
Sistemas de mais de duas equaes - identicao

Condies de identicao:
I
I
Condio caracterstica: a equao j identicada se r C j = G

Condio de ordem:
A equao j exactamente identicada se r j = G 1
A equao j sobre-identicada identicada se r j > G
Econometria II
132 / 136
Sistemas de mais de duas equaes - exemplo

1a equao:
C 1 = 4
0
22
32
3
0
0 5
34
0
23
33
r (C 1 ) = 2 ) identicada
2a equao:
r (1 ) = 3 ) sobre-identicada
2
C 2 = 4
13
0
1
3
0
0 5
34
r (C 2 ) = 2 ) identicada
r (2 ) = 2 ) exactamente identicada
Econometria II
133 / 136
Sistemas de mais de duas equaes - exemplo (cont.)

3a equao:
C 3
2
4
3
12
1 5
0
) r (C 1 ) = 1 ) no identicada
Econometria II
134 / 136
7.4. Estimao da forma estrutural do modelo: MQ2P
Mnimos quadrados a dois passos para equaes

simultneas
Os parmetros da forma estrutural de qualquer equao que for
identicada pode ser estimado pelo mtodo dos MQ2P
Os MQ2P so aplicados da forma descrita na pg. 116
Econometria II
135 / 136
7.5. Equaes simultneas com sries temporais e com ...
Mnimos quadrados a dois passos com dados temporais ou

em painel
Quando os dados so de natureza temporal ou de painel, para alm
de tudo o que j foi referido neste captulo, tem de se ter em conta as
caractersticas especcas desse tipo de dados
I
Dados temporais: os MQ2P s podem ser aplicados se as variveis

forem fracamente dependentes ou cointegradas ou, caso no tenham
estas caractersticas, se se usar as suas primeiras diferenas
Dados de painel: as equaes tem de incluir efeitos xos ou aleatrios.
No caso temporal, as variveis endgenas desfasadas recebem o nome

de variveis pr-determinadas e so tratadas como variveis exgenas,
podendo ser usadas como VIs
Econometria II
136 / 136

Slides

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Slides

Caricato da

Copyright:

Formati disponibili

ECONOMETRIA II

Guio das Sesses Presenciais

Ano Lectivo 2015/2016

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

se um determinado acontecimento ocorreu

Exemplos: modelos que procuram explicar a probabilidade de

um adulto obter (y = 1) ou no (y = 0) um grau universitrio

Modelos e mtodos de estimao:

Modelo probabilstico linear ! mtodo dos mnimos quadrados

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.1. Modelo probabilstico linear

Especicao do modelo probabilstico linear

o que implica que

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.1. Modelo probabilstico linear

Interpretao e estimao do modelo

1 mas j pode assumir qualquer

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.1. Modelo probabilstico linear

1, mas nada garante que

Problema impossvel de resolver no mbito do modelo probabilstico

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.1. Modelo probabilstico linear

Inconvenientes do modelo (cont.)

Os estimadores dos mnimos quadrados, embora consistentes, no so

Problema fcil de resolver usando os mtodos habituais:

Mtodo dos mnimos quadrados robustos: calcular a varincia com

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.2. Mtodo da mxima verosimilhana: estimao e inferncia

Mtodo da mxima verosimilhana - denies

Funo de probabilidade ou de densidade de y : f (y ; )

L = f (y1 ; ) f (y2 ; ) ...f (yn ; ) =

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.2. Mtodo da mxima verosimilhana: estimao e inferncia

sendo a condio de 1a ordem dada por

Propriedades dos estimadores da MV:

assimptticas: consistncia, normalidade e ecincia

Dep. Economia (U. vora)

Ano Lectivo 2015/2016

1. MODELOS DE ESCOLHA BINRIA

1.2. Mtodo da mxima verosimilhana: estimao e inferncia

Exemplo - modelo de regresso linear assumindo a

1. MODELOS DE ESCOLHA BINRIA

1.2. Mtodo da mxima verosimilhana: estimao e inferncia

Exemplo - modelo de regresso linear assumindo a

Dep. Economia (U. vora)

MQ , logo centrado, consistente,

Ano Lectivo 2015/2016