Econometria

Aula 08
Professor: Jeronymo Marcondes

Econometria p/ BACEN 2016
Teoria e exercícios comentados
Prof. Jeronymo Marcondes Aula 08
AULA 08 – Dados em Painel e Previsão
SUMÁRIO PÁGINA
1. Previsão 2
2. Dados em Painel 14
Bem vindos à última aula de nosso curso! Esta é a aula mais pesada do curso! Não
teremos exercícios e só 25 páginas!
-“Que preguiça professor”!
Nada disso! Estou fazendo isso porque esta aula será extremamente difícil, só para
vocês terem uma ideia, parte deste conteúdo é tema de cadeiras de Econometria em
nível de mestrado. Assim, não se preocupem com exercícios agora, pois a próxima
aula será um simulado bem extenso! O que espero de vocês é que leiam esta aula
com muita calma e, se possível, mais de uma vez. Tentem absorver este “imenso
conteúdo de 25 páginas” da melhor forma possível, ok?
-“Então, porque aprender isso”?
Todo conteúdo desta aula foi novo no último edital do BACEN e foi, inclusive, cobrado
na prova. Este conteúdo já era cobrado na prova do IPEA.
Qual é a lição que tiramos disso? Existe uma tendência de aprofundamento dos
conhecimentos de Econometria, ou seja, quando cair Econometria, prepare-se! Os
outros concursos da área costumam seguir a tendência do BACEN, assim, se isso
permanecer, pode esperar, isso será cobrado no STN, BNDES, etc. Então, não tem
jeito, trate de aprender! Vamos lá.
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 25

1. Previsão
1.1 O conceito
A capacidade de um modelo de regressão de realizar previsões é, provavelmente,

uma das suas principais razões de ser (se não for a única).
-“Professor, mas o que é previsão”?
Veja, suponha que tenhamos estimado o seguinte modelo AR (auto-regressivo) para

explicar a taxa de inflação ( ):
O que está sendo dito aqui? Vocês já sabem. O aumento da inflação no período t-1
em uma unidade está correlacionado com um aumento da taxa de inflação presente
da ordem de .
Agora a pergunta que fica é: para um dado valor de inflação presente, qual será a
taxa de inflação futura? O que nós teríamos de fazer é: prever o valor da inflação
com base no nosso modelo.
Quando inserimos valores das variáveis independentes

em nossa equação estimada, obtemos a previsão da variável dependente, que
é uma estimativa de seu valor esperado. No nosso exemplo, ao substituirmos o
valor da taxa de inflação em t-1 na equação acima, obteríamos o valor esperado para
a inflação em t.
Calma! Vamos aprofundar o porquê disso.

Em termos mais técnicos, uma previsão adequada deveria basear-se em todas as

informações que possuímos sobre a dinâmica da variável até período atual ( ), o que,
por convenção, chamaremos de . Este conjunto de informações diz respeito à
própria variável, outras variáveis que possam afetá-las, ou seja, toda informação
disponível para explica-la. No nosso exemplo, utilizaríamos toda informação passada
da taxa de inflação.
Com a utilização de tais informações realizaremos a previsão da variável , a qual

chamaremos de , que é a previsão da variável em estudo para o período t+1, com
base nas informações disponíveis em t.
Uma maneira simples de pensar na previsão de uma variável é a sua esperança

condicionada! 1 Apesar de essa discussão ser complexa, eu vou dar uma ideia do que
está ocorrendo para vocês.
Veja, o objetivo seria encontrar uma forma de previsão que minimizasse o erro de
previsão ( ). Assim, se queremos “prever” o resultado do processo em t+1, o objetivo
será encontrar uma metodologia que minimize:
Essa é chamada de função perda e o nosso objetivo seria minimizar a mesma.
Uma forma já conhecida nossa é quando minimizamos o quadrado do erro, ou seja,

. Outra possibilidade seria minimizar o valor absoluto dos erros (não levando em
conta os “sinais” dos erros, observando somente o valor e considerando todos como
positivos), considerando-se a variável somente em módulo . Com efeito, iremos
nos concentrar no caso de minimização do quadrado do erro.
1A discussão de como a previsão de uma variável pode ser detida da esperança condicional da mesma
com relação às informações disponíveis vai muito além do escopo deste curso. Para maiores
informações, vide o livro Applied Econometric Time Series de Walter Enders.

Por meio de propriedades estatísticas, pode-se provar que um “estimador” que

garante a minimização da função perda com erros elevados ao quadrado é:
Ou seja, é a esperança do processo condicionada às informações disponíveis em t (é

isso que aquele “tracinho” no meio representa, trata-se de esperança condicional)!
Assim, iremos buscar formas de encontrar este valor.
Quer ver um jeito muito comum de encontrar a “média” da série?
No qual .
Este método é chamado de suavização exponencial. A ideia básica é que, como os

pesos são menores que 1 (hum), os valores mais “antigos” da variável receberão
menor peso na soma.
Outra forma de descrever o processo de suavização exponencial e que permite uma

intuição do que está ocorrendo é:
Já que:
Viram? O método descreve a média condicional de forma que a previsão seria dada
por uma combinação do valor presente da variável mais uma previsão de realizada
em t-1.

Mas, e aí? Essa forma é a mais utilizada?
Essa forma não é tão utilizada porque há a necessidade de especificar os pesos ,

além do fato de alguns teóricos afirmarem que este tipo de modelagem não é muito
flexível, devendo ser utilizada em casos muito específicos.
As metodologias mais utilizadas são baseadas em modelos de regressão. A título

de ilustração, suponha o seguinte modelo:
Este é um modelo de regressão estático, que não leva em conta variações na própria
variável dependente em períodos anteriores.
Se tirarmos a esperança:
Ora, o que estamos fazendo é tirar a esperança de condicionada às informações

constantes em t, que, no caso, uma delas é o valor de . O que ocorre se você
substituir o valor correspondente a ?
- “Previsão”!
Exatamente! Assim, seríamos capazes de prever o valor da variável dependente com

base no comportamento da independente.
Vamos a um exemplo. Suponha que queiramos prever o valor de com base na

nossa equação ( ). Neste caso você deve se perguntar: nós temos
o valor de ? Se a resposta for sim:

Esta previsão é conhecida como previsão condicional. Neste caso, basta substituir
o valor da variável explicativa e obter a previsão da variável dependente.
Caso esta informação não esteja disponível:
Ou seja, precisaríamos “prever” a variável explicativa para que possamos prever a

variável explicada. Este caso é chamado de previsão incondicional.
Bom, você já deve ter sacado que uma previsão incondicional apresenta diversos
problemas. Você terá que se basear em uma previsão para obter outra, ou seja, a
precisão da informação obtida será menor.
Este é um dos motivos que os modelos utilizados para previsão tendem a se basear
em versões defasadas da variável dependente e de variáveis explicativas, evitando
este problema de contemporaneidade.
1.2 Previsões um passo à frente
Suponha um modelo estimado a partir de uma amostra dado por:
No caso, o acento “^” representa a versão estimada do coeficiente com base na

amostra.
Se nós quisermos a previsão um passo à frente, o que estamos buscando é o valor

de . Como prever tal valor? Nós já sabemos:

Supondo tratar-se de um caso de previsão condicionada. No caso, o erro de previsão

seria:
Este tipo de previsão é chamado de previsão por ponto.
Obs. Intervalo de previsão
Uma forma alternativa de gerar uma previsão seria por meio da definição de um
intervalo que conteria o valor real da variável com 95% de probabilidade (atente-se
que não precisa ser 95%, mas os livros textos sempre usam este valor).
Esta seção eu vou querer que vocês decorem algumas coisinhas, apesar de
vocês saberem que este não é o meu estilo.
-“Por que professor”?
Porque a derivação destas funções exige muito trabalho matemático que não
vai cair no seu concurso, portanto, inútil.
Mas, não vou deixar de dar a vocês uma ideia do processo. Lembram-se do tópico de
intervalo de confiança da estatística?
-“Claro professor”!
Então, é a mesma coisa. Lembra-se do que é a margem de erro de uma estimativa?

Isso! Vá na sua tabela de distribuição normal e encontre o valor normalizado
correspondente ao grau de confiança que você deseja realizar seu teste, no nosso

caso, use sempre 95%. Olhe a tabela abaixo que você vai ver que o número
correspondente é 1,96 ( ).

Para encontrar o intervalo de confiança, multiplique o valor da tabela pelo desvio

padrão da previsão ( ), de forma que:
Agora, com base no valor previsto e dando uma olhada na tabela:
Este é o nosso intervalo de confiança a 95% . Os livros textos gostam de usar a

regrinha de bolso de .
O problema é: como achar ?
Bom, há dois componentes que fazem parte deste desvio padrão:
1) Variância do erro na população – variância do erro na regressão, que não

muda com a ampliação da amostra;
2) Variância do erro de amostragem – decorrente da estimação a partir da
amostra, diminui com o crescimento da amostra.
Assim, decore:
O segundo termo é a variância do erro na regressão, fácil de ser obtido. Entretanto o

primeiro só pode ser obtido por meio de uma metodologia baseada em previsão.

Veja, suponha que tenhamos estimado a seguinte equação:
Se o valor de , então a previsão de será:
O que é correspondente a:
Substituindo na primeira equação:
Ah! O intercepto é a própria previsão da variável! Agora basta obter o desvio padrão
deste parâmetro e pronto! Se isso for cobrado, a CESPE vai te dar este valor.
Portanto, neste caso, basta realizar uma regressão de contra a variável explicativa
modificada , isso é, diminuindo de todas as observações o valor da variável
explicativa utilizado para a previsão.
1.3 Adequação da previsão
Um pesquisador inexperiente tenderia a achar que quanto melhor o ajustamento de

uma regressão, melhor a previsão. Porém, isso nem sempre é verdade, sendo que
devemos observar o comportamento da previsão, isso é, devemos nos utilizar de
critérios de análise fora da amostra e não somente critérios dentro da amostra
(como o R², por exemplo).

Como fazer isso? Suponha que você tenha uma amostra com 100 observações e que
você queira ver qual a capacidade de sua regressão em gerar previsões confiáveis.
Assim, estime a regressão com base em uma amostra menor do que as 100
observações, como 50, por exemplo. Então realize a previsão para as 50 observações
seguintes e encontre os erros de previsão correspondentes.
Assim, podemos avaliar esta questão com base no erro quadrático médio:
Quer outra forma? O erro absoluto médio:
Ambos os critérios indicam que o modelo com melhor capacidade de previsão

apresenta menor valor para a estatística.
1.4 Previsão vários passos à frente
Vamos lá, esta parte tem muita matemática. Com base no modelo:
Se avançarmos a equação um período:
Tirando a esperança, chegamos a:

Mas, e no caso de ?
Tirando a esperança:
Então, nós já temos uma expressão para , basta substituir:
Viram? A esperança condicionada de serviu para obtermos a previsão de .

Ou seja, é um processo iterativo, na qual várias previsões são realizadas
sucessivamente. Se você continuar substituindo indefinidamente:
Se , ou seja, o modelo é estacionário, a dinâmica da previsão é estável, com

a previsão condicional convergindo para a média incondicional conforme .
Não entendeu? A média incondicional é:
Sendo
Ou seja, conforme , a previsão de converge para esta média, se .
-“Então, não há problemas em realizar previsões vários passos à frente”?

Tem sim! Olha só:
Para este modelo, pode-se provar que:
Com base nesta equação você pode perceber que, quantos mais “passos à frente”
você der, maior será a variância do erro de previsão. Por exemplo, no caso de 1 passo
à frente a variância do erro de previsão será de , porém na previsão de com
base em a variância será de (o que é maior do que a anterior), no caso
de uma previsão de a variância seria e assim por diante.
Se , conforme , a variância da previsão converge para:
que é a variância incondicional do processo.
Porém, no caso de um passeio aleatório, a variância cresce sem limites conforme o

horizonte de previsão aumenta. Isso explica porque é tão difícil fazer previsões em
um modelo de passeio aleatório.
Ufa! Respire fundo porque tem mais. Tentarei ser o mais objetivo possível para
não confundir vocês, afinal o próximo tópico também é bastante avançado.

2. Dados em Painel
Este assunto, apesar de mais interessante que o anterior, é tão ou mais complexo.
Só para vocês terem uma ideia, o livro mais utilizado para isso no mundo
“Econometric Analysis of cross section and panel data” do Wooldridge tem 741
páginas (e, acredite, é bem complexo)!
-“Oh! E agora, quem poderá me ajudar”?
Relaxem, pois acredito que tal assunto, se for cobrado, só o será de forma teórica,
com alguns conceitos básicos. Então, vamos lá.
Antes de iniciarmos, eu quero chamar a atenção de vocês para a necessidade de que

o modelo sob dados em painel respeite hipóteses semelhantes às que traçamos para
o modelo de regressão linear. Saiba que as hipóteses não são exatamente iguais,
mas são muito semelhantes. Assim, basta que você entenda os problemas que
podem surgir na estimação de regressão linear, conforme discutimos nas primeiras
aulas, e tente pensar que os mesmo podem ocorrer na análise de dados em painel.
Primeira coisa, a metodologia de análise de dados em painel visa auxiliar o problema

que aflige a todos nós econometristas: “onde conseguir mais dados (observações)”?
Então, suponha que você esteja querendo realizar uma regressão do número de
acidentes de trabalho contra a taxa de analfabetismo em uma determinada região:
Sendo i o subscrito que determina a região em questão, no caso, vamos dizer que se
tratam dos municípios do Estado de São Paulo.

Mas, aí quando você acessa a base de dados, você percebe que há informações para
todos os municípios do Estado nos últimos 3 anos. A primeira coisa que vem à mente
é:
-“Porque não usar tudo”?
Boa! Essa é a ideia de dados em painel. Sabendo-se que possuímos observações

para unidades seccionais ao longo de um período , podemos realizar a regressão
que se segue:
Alguns artigos chamam isso de “pooled regression” (tradução mal feita seria
regressão agrupada).
Você percebe o que está sendo feito? Eu vou encontrar estimativas para os
parâmetros da regressão de forma que as mesmas seriam constantes para todas
as unidades seccionais e ao longo do tempo.
Isso que é afirmação forte! Será que isso vale sempre?
Opinião prática? Quase nunca! Você tem ideia de como poderíamos incorporar a
possibilidade de que este modelo não seja constante ao longo do tempo? Isso, use
variáveis dummy para cada período de tempo (não se esqueça que o número de
variáveis dummy deve ser igual ao número total de períodos menos 1, com o intuito
de evitar colinearidade perfeita).
Então, vamos aplicar este conceito ao nosso modelo:
No qual são os coeficientes do novo modelo e representa uma binária que

assume valor igual a 1 para todas as observações do período i.

Você percebe que o intercepto será diferente para cada período?
Interceptos:
Período 1:
Período 2:
Período 3:
Você também pode criar interações de dummy com as variáveis explicativas, com
vistas a modificar os coeficientes de inclinação, no exemplo, .
O que vocês tem de ter entendido é que a utilização de binárias permite levar em
conta a possibilidade de que o modelo não tenha comportamento constante ao longo
do tempo.
-“Professor, então este método é melhor que o outro”?
Este é o tipo de pergunta comum. Veja, não há método

“melhor”. Você só tem que entender que uma regressão agrupada simples está
dizendo que os coeficientes são constantes ao longo do tempo e das unidades
seccionais. Se isso for verdade, esta última é “melhor”, pois as dummy incluídas
seriam variáveis irrelevantes, o que gera as consequências adversas que já
estudamos. Se isso cair, atente-se para o que é dito no enunciado e nos testes de
hipóteses sobre as variáveis dummy, pois isso pode ser um indicativo de
“irrelevância” ou “relevância”.
Entretanto, temos de prestar atenção a uma coisa quando realizamos uma

regressão agrupada: podemos sofrer do viés de variável omitida.

Nós já sabemos que isso é um problemão na análise de dados em cortes transversais,

saiba que isso também é verdade em dados em painel. No caso, geraríamos um
estimador viesado e inconsistente.
Bom, a possibilidade de não incluirmos uma variável no modelo é sempre possível,

seja por desconhecimento ou por não termos nos “lembrado” dela. Mas, ao
trabalharmos com dados em painel, há uma série de variáveis que sempre podem
estar presentes: variáveis que distinguem cada unidade seccional, mas que são
constantes ao longo do tempo.
Suponha o seguinte modelo de dois períodos:
Sendo uma variável dummy que assume valor igual a 1 para todas as observações
do segundo período.
Se nós separarmos os fatores não observados que afetam a variável dependente em

dois tipos: os que são constantes ( ) e os que variam ao longo do tempo ( ),
chegamos a:
Veja o componente , ele é constante ao longo do tempo, pois só varia com i, mas
distingue as diferentes unidades seccionais. Este componente é chamado de efeito
não observado, ou efeito fixo ou, ainda, heterogeneidade não observada. O outro
componente, , também chamado de erro idiossincrático, é muito semelhante ao
erro que estudamos em séries temporais, assim, para fins de prova, pense que este
possui as mesmas propriedades daquele.

Quando estimamos a regressão, o único erro que observamos é o erro de

composição, , o que pode gerar alguns problemas. O principal é que, na maior
parte dos casos, o efeito fixo tende a estar correlacionado com as variáveis
explicativas (muitos autores consideram este o caso mais comum).
Problema! Olhe o que eu disse: o efeito fixo tende a estar correlacionado com as
variáveis explicativas. Mas, como nós só observamos o erro de composição ao
estimar o modelo, essa condição acarretará correlação entre o termo de erro
composto com as variáveis explicativas. É como se fosse o caso de uma variável
omitida, pois o efeito fixo não seria um componente simplesmente aleatório.
Ora, pensem na 3ª hipótese do modelo de regressão linear. Lembra-se de que se a

mesma não for satisfeita, o estimador será viesado e inconsistente? Mesma coisa,
quando o termo de erro guardar correlação com as variáveis explicativas, não
obteremos um estimador adequado.
Como resolver isso? Vamos à primeira alternativa.
Com base em nosso modelo:
Vamos definir as equações para os dois períodos:
Agora subtraia a equação do período 2 da primeira:
Sabendo que:

Chega-se a:
Portanto:
Perceba que o subscrito do tempo sumiu, pois eram apenas duas unidades de tempo,
que diferenciadas, só geraram uma.
E aí, notaram que a heterogeneidade não observada sumiu? Então, é isso mesmo!
Este estimador é chamado de estimador de primeiras diferenças. Este é obtido
pela aplicação da metodologia de MQO na equação com as variáveis diferenciadas,
conforme descrita acima.
Alguns pontos importantes:
1) não deve ser correlacionado com ;

2) deve apresentar alguma variação, pois caso contrário não será possível
gerar a estimativa de ;
3) se essa equação satisfizer todas as hipóteses do modelo de regressão linear
clássico teremos estimadores não viesados e com inferências estatísticas
adequadas. Neste caso, devemos atentar para a possibilidade de
heterocedasticidade.

No caso, de uma painel com mais de 2 períodos devemos nos atentar também para
a possibilidade de autocorrelação. No caso dos erros diferenciados ( ), pode-se
provar que se o processo gerador original era um passeio aleatório, a diferenciação
gerará valores serialmente não correlacionados. Por outro lado, se o processo
gerador é estável (não correlacionado e com variância constante), a diferenciação
gerará autocorrelação entre e .
-“Tá bom professor, então é só diferenciar”?
Este não é o único jeito. Devemos estudar um pouquinho do famoso estimador de

efeitos fixos.
Suponha o seguinte modelo de dados em painel:
Agora, para cada unidade seccional, vamos tirar a média:
Sendo que o travessão em cima da variável representa a média da variável para cada
unidade seccional.
Agora diminua a primeira equação de sua média:
Estes dados transformados, com os dois pontos sobre a variável, significa que as
observações foram reduzidas de sua média seccional, sendo conhecidos como
dados temporais reduzidos. Esta metodologia de transformação é chamada de
transformação interna.

Viram que esse método também elimina o efeito fixo? Com isso podemos estimar a
equação com dados temporais reduzidos normalmente por MQO.
Olhe, você agora tem dois métodos para resolver o problema decorrente da existência
de uma heterogeneidade não observada correlacionada com as variáveis
explicativas. Então a pergunta é: qual utilizar?
Esta discussão vai longe, mas eu vou dar umas pistas

do que fazer!
Quando o número de períodos analisados for igual a 2, o estimador de efeitos fixos

coincide com o estimador de primeiras diferenças, não importando qual você use.
Porém, quando o número de períodos analisados for maior ou igual a 3, as estimativas

irão diferir, levando a necessidade de avaliar qual o método mais adequado.
Veja, em uma regressão linear de dados em painel realizada com uma amostra
aleatória e que respeita as seguintes hipóteses:
1) homocedasticidade;
2) não existência de colinearidade perfeita;
3) não correlação dos erros idiossincráticos com as variáveis independentes;
4) erros idionssincráticos não correlacionados;
pode-se provar que o estimador de efeitos fixos é o melhor estimador linear não
viesado (BLUE).
Portanto, sob estas hipóteses, o estimador de efeitos fixos tem características mais
desejáveis do que o de primeiras diferenças.

Porém, como nós vimos, os erros idiossincráticos podem possuir correlação serial,
além da possibilidade de raiz unitária em amostras com (número de períodos) muito
grande com relação a (número de unidades seccionais). Neste caso, seria preferível
um estimador de primeiras diferenças.
Só para destacar, percebam que este método elimina quaisquer outras variáveis
que sejam constantes para todas as unidades seccionais. No nosso exemplo,
se você incluir “área do município” como variável explicativa, esta será
excluída.
A regressão de dados em painel com uma dummy para

cada unidade seccional (além das variáveis explicativas e, possivelmente, das
variáveis dummy para cada período de tempo) é chamada de regressão de variáveis
dummy. Ela produz estimativas iguais às fornecidas pelo estimador de efeitos
fixos.
Para finalizar, vamos tratar do caso em que o efeito não observado é não
correlacionado com as variáveis explicativas.
Isso pode ocorrer! Na verdade, a depender do caso teórico em estudo, esta pode ser
a visão mais adequada do processo. A ideia seria que o efeito não observado seria
um componente aleatório, conhecido como efeito aleatório.
Neste caso, nós poderíamos utilizar uma pooled regression, com ou sem dummy, e
estimar o modelo de forma consistente. Porém, neste caso, estaríamos
desconsiderando uma informação importante: como o erro de composição é dado
por , há um componente comum de erro ( ) que se mantém em todos
os períodos para uma dada unidade seccional, o que torna o erro serialmente
correlacionado.

Uma forma de resolver este problema é por meio do método de MQO generalizado
(MQG, lembra-se dele?). A ideia do estimador é utilizar uma transformação que
permite eliminar a correlação serial, nos moldes que discutimos na aula 04. O
estimador MQG factível que utiliza informações da estimação via efeitos fixos ou da
pooled regression para realizar as transformações necessárias para eliminar a
correlação serial de um modelo é chamado de estimador de efeitos aleatórios.
Em uma regressão linear de dados em painel realizada com uma amostra aleatória e
cujo efeito não observado é uma variável aleatória não correlacionada com as
variáveis explicativas que respeita as seguintes hipóteses:
1) homocedasticidade dos erros idiossincráticos e do efeito aleatório;

2) não existência de colinearidade perfeita;
3) não correlação dos erros idiossincráticos com as variáveis independentes;
4) erros idiossincráticos não correlacionados;
o estimador de efeitos aleatórios torna-se consistente e normalmente distribuído

conforme N (número de unidades seccionais) aumenta com relação a T (períodos de
tempo).
Não vou adentrar nas questões algébricas do estimador, pois isso já foge do
escopo do curso e teríamos que adentrar muito em álgebra matricial, o que não
é nosso objetivo.
-“Tudo bem professor, mas como saber se uso efeitos fixos ou efeitos aleatórios”?
Ótima pergunta e que, com certeza absoluta, ninguém pode te responder.
Veja, em um primeiro momento você deve avaliar a teoria e pensar se o efeito não
observado tende a estar correlacionado com as variáveis explicativas no seu modelo.

Outra coisa que pode ser utilizada é o teste de Hausmann. Este teste consiste em
uma avaliação comparativa das estimativas obtidas pelos métodos de efeitos fixos e
efeitos aleatórios. A hipótese nula é a de que o modelo de efeitos aleatórios é o mais
adequado.

É isso aí pessoal!
Que aula pesada, hein? Este é o motivo pelo qual eu deixei todos os exercícios
para o simulado, pois a profundidade desta aula é demais! Sugiro que vocês
leiam esta aula com muita calma e mais de uma vez.
Assim, acabamos a parte teórica do nosso curso. Nos vemos no simulado e nas
vídeo-aulas! Mandem dúvidas.
Um abraço e bons estudos.

Econometria

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

Econometria

Caricato da

Copyright:

Formati disponibili

Aula 08

Professor: Jeronymo Marcondes

AULA 08 – Dados em Painel e Previsão

-“Que preguiça professor”!

-“Então, porque aprender isso”?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 25

A capacidade de um modelo de regressão de realizar previsões é, provavelmente,

-“Professor, mas o que é previsão”?

Veja, suponha que tenhamos estimado o seguinte modelo AR (auto-regressivo) para

Quando inserimos valores das variáveis independentes

Calma! Vamos aprofundar o porquê disso.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 25

Em termos mais técnicos, uma previsão adequada deveria basear-se em todas as

Com a utilização de tais informações realizaremos a previsão da variável , a qual

Uma maneira simples de pensar na previsão de uma variável é a sua esperança

Essa é chamada de função perda e o nosso objetivo seria minimizar a mesma.

Uma forma já conhecida nossa é quando minimizamos o quadrado do erro, ou seja,

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 25

Por meio de propriedades estatísticas, pode-se provar que um “estimador” que

Ou seja, é a esperança do processo condicionada às informações disponíveis em t (é

Quer ver um jeito muito comum de encontrar a “média” da série?

Este método é chamado de suavização exponencial. A ideia básica é que, como os

Outra forma de descrever o processo de suavização exponencial e que permite uma

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 25

Essa forma não é tão utilizada porque há a necessidade de especificar os pesos ,

As metodologias mais utilizadas são baseadas em modelos de regressão. A título

Ora, o que estamos fazendo é tirar a esperança de condicionada às informações

Exatamente! Assim, seríamos capazes de prever o valor da variável dependente com

Vamos a um exemplo. Suponha que queiramos prever o valor de com base na

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 25

Caso esta informação não esteja disponível:

Ou seja, precisaríamos “prever” a variável explicativa para que possamos prever a

1.2 Previsões um passo à frente

Suponha um modelo estimado a partir de uma amostra dado por:

No caso, o acento “^” representa a versão estimada do coeficiente com base na

Se nós quisermos a previsão um passo à frente, o que estamos buscando é o valor

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 25

Supondo tratar-se de um caso de previsão condicionada. No caso, o erro de previsão

Este tipo de previsão é chamado de previsão por ponto.

Obs. Intervalo de previsão

-“Por que professor”?

Então, é a mesma coisa. Lembra-se do que é a margem de erro de uma estimativa?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 25

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 25

Para encontrar o intervalo de confiança, multiplique o valor da tabela pelo desvio

Agora, com base no valor previsto e dando uma olhada na tabela:

Este é o nosso intervalo de confiança a 95% . Os livros textos gostam de usar a

O problema é: como achar ?

Bom, há dois componentes que fazem parte deste desvio padrão:

1) Variância do erro na população – variância do erro na regressão, que não

O segundo termo é a variância do erro na regressão, fácil de ser obtido. Entretanto o

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 25

Veja, suponha que tenhamos estimado a seguinte equação:

Se o valor de , então a previsão de será:

Substituindo na primeira equação:

1.3 Adequação da previsão

Um pesquisador inexperiente tenderia a achar que quanto melhor o ajustamento de

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 25

Quer outra forma? O erro absoluto médio:

Ambos os critérios indicam que o modelo com melhor capacidade de previsão

1.4 Previsão vários passos à frente

Se avançarmos a equação um período:

Tirando a esperança, chegamos a: