Modelo de Equações Simultâneas

Aula 40

Gujarati e Porter, 2011 (tradução da 5ª ed.) – Parte IV (cap. 18 a 20)

 INTRODUÇÃO
Considere o seguinte modelo de regressão linear múltipla

yi = 1 + 2 x2i + ... + k xki + i

Também, considere as seguintes suposições:

a) Modelo de Regressão é linear nos parâmetros

1 
b) plim X' X   Q (condição de estabilidade)
n ~ ~  ~
c) X’X admite inversa, ou seja a matriz X é de posto completo.

~ 

d) E   x2 , x3 , ..., xk   E   0
~ ~ ~ ~ ~

   
e) Var   x2 , x3 , ..., xk   E    ' x2 , x3 , ..., xk    2 I n
~ ~ ~ ~  ~ ~ ~ ~ ~  ~ 2
 INTRODUÇÃO

As suposições (a), (b), (c) e (d) são necessárias para

demonstrar a consistência do vetor de estimadores β̂

~

3
 INTRODUÇÃO

Hipótese Crucial

~ ~ ~

~ 

E   x2 , x3 , ..., xk   E   0
~ ~

Ou seja, todos os fatores contidos em  devem ser não

correlacionados com as variáveis explicativas (ou seja, os
regressores devem ser exógenos) e deve ter sido usada a
forma funcional correta.

4
 INTRODUÇÃO

Hipótese Crucial

~ ~ ~

~ 

E   x2 , x3 , ..., xk   E   0
~ ~

Como pode falhar?

i. Omissão de variável explicativa importante, correlacionada com

x2, ... ou xk;

ii. Forma funcional especificada incorretamente;

iii. Erro de medida em x2, x3, ... ou xk;

iv. Simultaneidade entre y e x2, x3, ... ou xk.

 INTRODUÇÃO

Dessa forma, caso a suposição anterior seja violada, os

estimadores de MQO dos parâmetros do modelo de

regressão linear múltipla serão viesados e inconsistentes.

Além disso, toda a análise inferencial estará comprometida.

6
 INTRODUÇÃO

Do anteriormente apresentado, esse grupo de slides objetiva

auxiliar o leitor a:

 Compreender a natureza dos modelos de equações simultâneas;

 Estudar o viés de simultaneidade nos estimadores de MQO;

 Ser capaz de verificar se determinada equação estrutural de um

sistema (modelo) é identificada;

 Entender os métodos de estimação IV e 2SLS;

 Conduzir os testes de Hausman e Sargan.

7
 NATUREZA
DOS
MODELOS DE EQUAÇÕES SIMULTÂNEAS

8
 Natureza dos Modelos de Equações Simultâneas

Até o momento nos preocupamos apenas com modelos de

regressão com uma única equação. Isto é, modelos em que
há uma única variável dependente e um ou mais regressores.

Nesses modelos, o destaque é a estimação e/ou a previsão

do valor médio da variável resposta, condicionado aos
valores das variáveis explicativas.

Assim, nesses modelos, a relação de causa e efeito, se

existir, vai, portanto, das variáveis explicativas para a
variável resposta.
 Natureza dos Modelos de Equações Simultâneas

Porém, existem casos onde essa relação unidirecional não

faz muito sentido.

Isso ocorre quando a variável resposta é determinada por um

grupo de variáveis explicativas e alguns desses regressores,
por sua vez, são determinados pela variável resposta.

Ou seja, há uma relação de mão dupla (ou simultânea) entre a

variável resposta e alguns regressores, o que torna a
distinção entre variáveis dependentes e independentes de
valor duvidoso. 10
 Natureza dos Modelos de Equações Simultâneas

O melhor, então, é agrupar um conjunto de variáveis que

possam ser determinadas simultaneamente pelo conjunto
restante de variáveis – exatamente o que fazem os modelos
de equações simultâneas.

Nesses modelos de equações simultâneas há mais de uma

equação – uma equação para cada uma das variáveis
endógenas, ou conjuntamente dependentes.
11
 Natureza dos Modelos de Equações Simultâneas

E diferentemente dos modelos de uma única equação, nos

modelos de equações simultâneas não devemos estimar os

parâmetros de uma das equações sem levar em conta as

informações proporcionadas pelas demais equações do

sistema.

12
 Natureza dos Modelos de Equações Simultâneas

Aqui, vale a pena introduzir o conceito variáveis endógenas e

exógenas:
 Variáveis endógenas ou conjuntamente determinadas: são
variáveis determinadas dentro do modelo.
 Variáveis exógenas ou predeterminadas: são variáveis
determinadas fora do modelo.

Como as variáveis exógenas são predeterminadas, elas são

independentes dos erros, satisfazendo os mesmos pressupostos das
variáveis explicativas no modelo usual de regressão linear múltipla.
VIÉS DE SIMULTANEIDADE

NOS

ESTIMADORES DE MQO

14
 Exemplo 1
Considere o seguinte sistema hipotético de equações
Y1i  10  12Y2i   11 X 1i  u1i (a)

Y2i   20   21Y1i  u2i (b)

em que

Y1 e Y2 são variáveis endógenas;

X1 é um regressor exógeno;

u1 e u2 são termos de erro estocásticos i.i.d. ~ (0, 2), e

independentes entre si.

Calcule Cov(Y2, u1). Comente.

 Exemplo 1

No Exemplo 1, se usássemos o MQO para encontrar os

estimadores dos parâmetros de (a), obteríamos estimadores

viesados, uma vez que observamos que a variável Y2 é

correlacionada com o erro u1. Assim, temos o que se chama

de “viés devido à simultaneidade”.

16
 Exemplo 1

Além disso, a menos que se possa provar que a variável Y2,

em (a), se distribui independentemente de u1 e a variável Y1,

em (b), se distribui independentemente de u2, a aplicação de

MQO a qualquer uma das equações, tomadas

individualmente, resultará em estimadores inconsistentes.

17
 Viés de Simultaneidade nos Estimadores de MQO

Simultaneidade: uma ou mais variáveis explicativas são

determinadas conjuntamente com a variável dependente.
Desta maneira, existe dependência entre variáveis
explicativas e o termo de erro aleatório.

Quando há simultaneidade, o método de MQO gera

estimadores viesados e inconsistentes.
 OBSERVAÇÃO

Como os modelos de equações simultâneas são utilizados

com bastante frequência, alguns autores formularam
técnicas de estimação adequadas a esta realidade.

Tais técnicas serão examinadas após o estudo do problema

de identificação, que naturalmente precede a estimação.

19
 IDENTIFICAÇÃO
DE UMA
EQUAÇÃO ESTRUTURAL

20
 Identificação de uma Equação Estrutural

O Problema de Identificação

Por problema de identificação entendemos a possibilidade de

obter, ou não, os parâmetros de uma equação estrutural
(aquela que retrata a estrutura de uma economia ou o
comportamento de um agente econômico) a partir dos
coeficientes da forma reduzida.

21
 Identificação de uma Equação Estrutural

Forma Reduzida

Uma equação na forma reduzida é aquela que expressa uma

variável endógena apenas em termos das variáveis exógenas
e dos termos de erros estocásticos.

22
 Identificação de uma Equação Estrutural

O Problema de Identificação

Se a recuperação dos parâmetros estruturais puder ser feita,

com base nos parâmetros da forma reduzida, então dizemos
que a equação estrutural em pauta é identificada.

Caso a recuperação não possa ser concretizada, então a

equação estrutural em pauta é dita não identificada (ou
subidentificada). 23
 Identificação de uma Equação Estrutural

O Problema de Identificação

Quando identificada, uma equação estrutural pode ser:

 exatamente identificada (quando é possível obter valores

exatos dos parâmetros estruturais); ou

 superidentificada (quando mais de uma valor numérico

puder ser obtido para alguns dos parâmetros estruturais).

24
 Exemplo 2
SUBIDENTIFICAÇÃO

Considere o seguinte sistema de equações

Qtd  α0  α1 Pt  u1t , α1  0 (i)

QtS  β0  β1 Pt  u2t , β1  0 (ii)

Qtd  QtS (iii)

em que
Q e P são variáveis endógenas;
u1 e u2 são choques de demanda e oferta,
respectivamente, i.i.d. ~ (0, i2), i = 1, 2 e u1  u2.
 Exemplo 2
SUBIDENTIFICAÇÃO

Igualando (i) e (ii), vem que

0  1Pt  u2t   0  1Pt  u1t

E isolando Pt, temos

(R1)

26
 Exemplo 2
SUBIDENTIFICAÇÃO

Ainda, isolando o preço, em (i), e substituindo em (ii), vem

que
(R2)

As equações (R1) e (R2) são equações na forma reduzida.

Entretanto, temos apenas dois parâmetros envolvidos nas
formas reduzidas, enquanto que as equações estruturais
envolvem quatro parâmetros. Ou seja, não há como
recuperar os parâmetros estruturais, via formas reduzidas.
 Observação
Voltando ao Exemplo 2

Uma forma alternativa de ver o problema de identificação,

descrito em Gujarati e Porter (2011, capítulo 19, p. 688), é
multiplicando a equação (i) por uma constante , 0    1, e a
equação (ii) por 1-,

λQ  λα0  λα1 Pt  λu1t , (iii)

1-λ Q  1-λ β0  1-λ β1Pt  1-λ u2t , (iv)

28
 Observação
Voltando ao Exemplo 2

Para, assim, somando as duas equações anteriores, obter a

seguinte equação híbrida

que não pode ser distinguida nem de (i) nem de (ii). Ou seja,
as equações (i) e (ii) não estão identificadas.

29
 Observação
Voltando ao Exemplo 2

Para que uma equação estrutural seja identificada, isto é,

para que seus parâmetros sejam estimados de forma
consistente, precisamos mostrar que essa equação não é
similar à equação híbrida.

30
 Exemplo 3
IDENTIFICAÇÃO EXATA

Suponhamos o seguinte modelo de equações simultâneas:

q(d) = a1 + b1p + c1y + u1 (1)

q(o) = a2 + b2p + c2R + u2 (2)
q(d) = q(o) (3)

em que
q é quantidade, p é o preço, y é a renda, R é a chuva e
u1 e u2 são os termos de erros estocásticos.
31
 Exemplo 3
IDENTIFICAÇÃO EXATA

As variáveis p e q são endógenas e as variáveis y e R são

exógenas.

Sendo assim, como as variáveis y e R são independentes dos

erros, podemos estimar os parâmetros das regressões para
p, e para q, em função de y e R, por MQO. Entretanto, os
parâmetros de (1) e (2) não devem ser estimados por MQO.

32
 Exemplo 3
IDENTIFICAÇÃO EXATA

Das equações (1) e (2) (e usando (3)), chegamos às seguintes

formas reduzidas:

q   1   2 y   3R   1
p   4   5 y   6R   2

em que
i’s são os parâmetros das formas reduzidas (e são
funções dos parâmetros estruturais).
33
 Exemplo 3
IDENTIFICAÇÃO EXATA

Como para as formas reduzidas podemos usar MQO (pq?),

então estimamos os parâmetros das formas reduzidas e, na
sequência, recuperamos as estimativas dos parâmetros
estruturais, em função das estimativas dos parâmetros na
forma reduzida.

Este método é chamado de mínimos quadrados indiretos.

Observação: O método de mínimos quadrados indiretos nem

sempre funciona. Em breve, discutiremos as condições
ideais para sua utilização.
 Observações

Os estimadores dos coeficientes na forma reduzida são

consistentes e, sob premissas adequadas, também são
assintoticamente eficientes.

Ainda, é possível demonstrar que as estimadores indiretos

dos parâmetros estruturais herdam todas as propriedades
assintóticas dos estimadores na forma reduzida.

Entretanto, propriedades como ausência de viés, em geral,

não são válidas (GUJARATI, 2006, APÊNDICE 20A). 35
 Identificação de uma Equação Estrutural

Condição Básica de Identificação

Cada regressor é não correlacionado com o termo erro

estocástico da equação estrutural.

 Identificação de uma Equação Estrutural
Métodos de identificação

1) Condição de Ordem

Definição. Em um modelo de M equações simultâneas, para que

uma equação seja identificada, o número de regressores
exógenos excluídos da equação não deve ser menor que o
número de variáveis endógenas incluídas nessa equação menos
1.Isto é,

K–km–1
 Identificação de uma Equação Estrutural
Métodos de identificação

1) Condição de Ordem (cont.),

em que
M – número de variáveis endógenas no modelo;
m – número de variáveis endógenas em uma dada
equação;
K – número de exógenas no modelo, incluindo o intercepto;
k – número de exógenas em uma dada equação.
38
 Identificação de uma Equação Estrutural
Métodos de identificação

1) Condição de Ordem (cont.)

Assim,

 Se K – k = m – 1, a equação é exatamente identificada;

 Se K – k > m – 1, a equação é superidentificada.

Observação: A condição de ordem é necessária para a identificação mas não é

suficiente. Isto é, mesmo que atendida, pode acontecer que uma equação não
seja identificada. 39
 Voltando ao Exemplo 1
Considere o seguinte sistema de equações hipotético
Y1i  10  12Y2i   11 X 1i  u1i (a)

Y2i   20   21Y1i  u2i (b)

em que

Y1 e Y2 são variáveis endógenas;

X1 é um regressor exógeno;

u1 e u2 são termos de erro estocásticos i.i.d. ~ (0, 2), e

independentes entre si.

Aplicando a condição de ordem e possível afirmar que ambas

as equações do sistema são exatamente identificadas?
 Voltando ao Exemplo 3
Suponhamos o seguinte modelo de equações simultâneas:

q(d) = a1 + b1p + c1y + u1 (1)

q(o) = a2 + b2p + c2R + u2 (2)
q(d) = q(o) (3)
em que
q é quantidade, p é o preço, y é a renda, R é a chuva e
u1 e u2 são os termos de erros estocásticos.

Aplicando a condição de ordem e possível afirmar que ambas

as equações do sistema são sobreidentificadas?
 Identificação de uma Equação Estrutural
Métodos de identificação

2) Condição de posto

Definição. Em um modelo contendo M equações com M

variáveis endógenas, uma equação é identificada se, e somente
se, pelo menos um determinante diferente de zero, de ordem (M-
1) x (M-1), puder ser construído a partir dos coeficientes das
variáveis (tanto endógenas quanto exógenas) excluídas da
equação em pauta, mas incluídas nas outras equações do
modelo.
42
 Identificação de uma Equação Estrutural
Métodos de identificação

2) Condição de posto (cont.)

a) Excluir a linha particular;

b) Utilize as colunas correspondentes aos elementos que têm zeros naquela
linha;
c) Se desse conjunto de colunas pudermos encontrar (M-1) linhas e colunas
que não sejam todas zero, no qual M é o número de endógenas, e
nenhuma coluna (ou linha) for proporcional a outra coluna (ou linha) para
todos os valores dos parâmetros, então a equação é identificada.

Observação: A condição de posto é suficiente para a identificação.

 Exemplo 4

Considere o seguinte sistema de equações simultâneas em

que as variáveis y são endógenas e as variáveis x são
exógenas:

Y1i  10  12Y2i  13Y3i   11 X 1i  u1i

Y2i   20   23Y3i   21 X 1i   22 X 2i  u2i
Y3i   30   31Y1i   31 X 1i   32 X 2i  u 3i
Y4i   40   41Y1i   42Y2i   43 X 3i  u4i

44
 Exemplo 4

As equações anteriores podem ser expressas como no

quadro, a seguir:

Coeficientes das variáveis

Equação c y1 y2 y3 y 4 x1 x2 x3
(1) -10 1 -12 -13 0 -11 0 0
(2) -20 0 1 -23 0 -21 -22 0
(3) -30 -31 0 1 0 -31 -32 0
(4) -40 -41 -42 0 1 0 0 -43

45
 Exemplo 4

Do quadro anterior, podemos observar, por exemplo, que a

primeira equação não é identificada, pois o determinante da

matriz (que nesse caso é única), gerada pelas colunas de

interesse, resultou no valor zero.

46
 OBSERVAÇÕES

 É possível encontrar estimativas quando a condição de posto não é

válida, mas tais estimativas são desprovidas de sentido.

 Não é sempre verdade que não podemos dizer nada sobre os

parâmetros de uma equação subidentificada. Em alguns casos, os
estimadores de MQO nos dão alguma informação sobre os parâmetros,
mesmo se eles não forem consistentes.

 Há alguns casos em que os parâmetros de um modelo de equações

simultâneas podem ser estimados via MQO. Para mais detalhes, vide a
Seção 9.9 do livro do Maddala.
 Exercício (ANPEC2002 – Q11)
Equação de Demanda: Qt = 0 + 1 Pt+ 2Rt + u1t
Equação de oferta: Qt = 0 + 1 Pt+ 2Pt-1 + u1t
em que no período t, Qt é a quantidade de produto; Pt , o preço (endógeno) do produto; Rt , a
renda do consumidor; uit , o distúrbio aleatório da equação de demanda e u2t , o distúrbio aleatório
da equação de oferta. A partir destas equações são obtidas as equações na forma reduzida: Pt =
0 + 1 Rt+ 2Pt-1 + v1t e Qt = 3 + 4 Rt+ 5Pt-1 +wt.
0  0 2 2
(0) Assim sendo, 0  
1  1

, 1 
1  1 e 2 
1  1 .
(1) A condição de posto indica que a primeira e a segunda equações são identificadas.
(2) Se multiplicarmos a equação de demanda por  (0 <  < 1) e a equação de oferta por (1-) e
somá-las, desde que o resultado dessa soma seja diferente da equação de oferta e da equação de
demanda, as duas serão identificadas.
(3) O método de mínimos quadrados ordinários produz estimadores consistentes e eficientes dos
parâmetros da forma estrutural.
(4) Para verificar se qualquer equação do sistema é identificável, basta aplicar a condição de
ordem.
48
(0) F (1) V (2) V (3) F (4) F
MÉTODOS DE ESTIMAÇÃO

49
 MÉTODO DE ESTIMAÇÃO
VIA
VARIÁVEIS INSTRUMENTAIS (IV)

Wooldridge, 2011 – Capítulo 15

 Estimação via IV

A regressão por variáveis instrumentais (IV) é uma forma

geral de se obter um conjunto de estimadores consistentes
para os parâmetros de uma regressão populacional quando
existem regressores correlacionados com o termo de erro.

Variável instrumental é aquela que não é correlacionada com

o erro mas é correlacionada com variáveis explicativas
endógena da equação.
51
 Variável Instrumental

Definição.

Uma variável z é dita variável instrumental se:

(a) z é não-correlacionada com termo de erro estocástico (),

isto é, Cov(z,) = 0

(b) z é correlacionada com regressor endógeno (x), isto é,

Cov(z, x)  0

52
 Estimação via IV

 Nos próximos slides demonstraremos como a

disponibilidade de uma variável instrumental pode ser usada
para estimar de forma consistente os parâmetros de um
modelo de regressão de interesse.

 Em especial, veremos que as suposições (a) e (b) servem

para identificar os parâmetros de interesse.
 Estimação via IV

Considere o modelo linear geral

y  Xβ  ε
~ ~ ~ ~

Ainda, seja Z uma matriz de instrumentos (a matriz Z é

construída de forma análoga à matriz X, entrando no lugar
dos regressores endógenos os respectivos instrumentos).
Ou seja, em Z, os regressores exógenos entram como
instrumentos deles mesmos.
54
 SUPOSIÇÕES ADICIONAIS

Para obtenção dos resultados a seguir, faremos as seguintes

suposições adicionais:

1  1 
(a.1) plim Z' ε   0 (b.1) plim Z' X   Q ZX
n ~ ~ ~ n ~ ~  ~

= 0 Pq?

Z - Matriz de Instrumentos
~

X - Matriz de Explicação 55
~
 Estimação via IV
Pré-multiplicando

y  Xβ  ε
~ ~ ~ ~

pela transposta da matriz de instrumentos, Z, temos que:

Z' y  Z' X β  Z' ε

~ ~ ~ ~ ~ ~ ~

Ainda, multiplicando a equação anterior por n-1, vem que:

1 1 1
Z' y  Z' X β  Z' ε
n~ ~ n~ ~ ~ n~ ~ 56
 Estimação via IV
Tomando o limite de probabilidade em ambos os lados da
igualdade, temos que:

1  1 1 
plim Z' y   plim Z' X β  Z' ε 
n ~ ~ n ~ ~ ~ n ~ ~
Ainda, =0

1  1  1 
plim Z' y   plim Z' X β   plim Z' ε 
n ~ ~ n ~ ~ ~  n ~ ~
57
 Estimação via IV

Também,

1  1 
plim Z' y   plim Z' X  β
n ~ ~ n ~ ~ ~

Da expressão anterior, podemos isolar o vetor de

parâmetros, obtendo
1
 1  1 
β  plim Z' X  plim Z' y 
~   n ~ ~  n ~ ~
58
 Estimação via IV
Das propriedades do plim(), vem que

 1 
1
  1   1
1
 1 
β  plim Z' X   plim Z' y   plim Z' X   Z' y 
~  n ~ ~    n ~ ~   n ~ ~   n ~ ~ 

O que resulta

~

  1 

 ~ ~  ~ ~ 

β  plim Z' X  Z' y 


Logo,
ˆ 
β  plim β IV 
~  ~ 
 Estimação via IV

Finalmente,

~
IV  
ˆβ  Z' X 1 Z' y
~ ~ ~ ~

Que é um estimador consistente!

60
 Observações

•O método de estimação com o uso de variáveis

instrumentais (IV) é mais geral do que MQO;

• MQO é um caso particular de IV, uso as variáveis

explicativas como instrumentos delas mesmas.

61
 Exercício (ANPEC2003 – Q07)
Considere o modelo de equações simultâneas: QiD   1   1Pi  u1i (demanda)
QiS   2   2 Pi  u 2i (oferta)
QiD  QiS
D S
em que: Qi é a quantidade demandada, Qi é a quantidade ofertada, Pi é o preço, e u1i e
u2i são termos aleatórios. É correto afirmar que:
(0) o estimador de mínimos quadrados ordinários aplicado a cada uma das equações é
consistente e não-tendencioso;
(1) no modelo acima a equação de demanda é identificada mas a equação de oferta
não é;
(2) se a equação de demanda for definida por QiD  1   ' Pi   1Yi  u1i , em que Yi é a
renda, a equação de oferta será identificada;
(3) a equação de demanda será identificada se for definida por QiD  1   ' Pi   1Yi  u1i ;
(4) a variável renda, empregada nos dois itens anteriores, é uma “variável instrumental”
62
(0) F (1) F (2) V (3) F (4) V
 Exercício
Considere o modelo linear geral

y  X β ε
~ ~ ~ ~

em que

 
X   i x2 x3 ... xk 
~ ~ ~ ~ ~ 

Desconfia-se que as variáveis x2 e x3 sejam endógenas.

63
 Exercício (cont.)
Perguntas:
(a) Poderíamos propor o mesmo instrumento para ambas as
variáveis? Discuta as implicações no método de estimação.
(b) Haveria algum problema no caso em que fossem propostos
exatamente um instrumento diferente para cada variável?
(c) Poderíamos propor mais de um instrumento para cada
variável endógena?
(d) De acordo com o enunciado de (c), como ficariam as
dimensões das matrizes Z e X?
(e) Admitindo a validade de (c), seria possível gerar diretamente
o vetor de estimadores? 64
 Exercício (cont.)

Solução para o que foi discutido em (c), (d) e (e):

2SLS
(mínimos quadrados em dois estágios)

65
MÉTODO DE ESTIMAÇÃO
VIA
2SLS

Wooldridge, 2011 – Capítulo 15

 Estimação via 2SLS
2SLS é um caso especial de regressão com variáveis
instrumentais (a ideia por trás das variáveis instrumentais é
encontrar um conjunto de variáveis, chamadas de
instrumentos, que são

(1) correlacionadas com as variáveis explicativas na

equação; e,

(2) não correlacionadas com os erros;

esses instrumentos são usados para eliminar a correlação

entre as variáveis do lado direito da equação e os erros).
 Estimação via 2SLS

1o estágio da estimação: encontrar a porção das variáveis

endógenas e exógenas que podem ser atribuídas aos
instrumentos (uso das formas reduzidas);

2o estágio da estimação: regressão da equação original, com

todas as variáveis explicativas endógenas substituídas pelos
valores ajustados das regressões do primeiro estágio.
 OBSERVAÇÕES

Se não houver problema de simultaneidade, os estimadores

de MQO são consistentes e eficientes.

Por outro lado, se houver simultaneidade, os estimadores de

MQO são inconsistentes.

Na presença de simultaneidade, os estimadores de 2SLS

serão consistentes e eficientes, dentro da sua classe.
69
 OBSERVAÇÕES (cont.)

Porém, se utilizarmos 2SLS quando não houver o problema

de simultaneidade, os estimadores obtidos serão
consistentes e ineficientes.

Logo, isso tudo sugere que deveríamos verificar a existência

do problema de simultaneidade antes de descartarmos o uso
do método MQO na estimação dos parâmetros do modelo.

70
 Exercício (ANPEC2001 – Q11)
São corretas as afirmativas. Em modelos de equações simultâneas:

(0) o problema da identificação precede o da estimação.

(1) se a condição de ordem for satisfeita, a condição de posto também

será satisfeita.

(2) os estimadores de mínimos quadrados indiretos e os de mínimos

quadrados de dois estágios são não-tendenciosos e consistentes.

(3) se uma equação é exatamente identificada, os métodos de mínimos

quadrados indiretos e de dois estágios produzem resultados idênticos.

(4) o método de mínimos quadrados indiretos pode ser aplicado tanto a

equações exatamente identificados quanto a equações
superidentificadas.
71
(0) V (1) F (2) F (3) V (4) F
Exercício (ANPEC2010 – Q15)
Exercício (ANPEC2010 – Q15)

(0) V (1) F (2) V (3) V (4) F

TESTE DE ENDOGENEIDADE

Wooldridge, 2011 – Capítulo 15 74

 Teste de Endogeneidade

O estimador de 2SLS é menos eficiente que o de MQO

quando os regressores são exógenos. Assim sendo, se torna
útil fazer um teste de endogeneidade de uma variável
explicativa que mostre se a utilização de 2SLS é necessária.

75
 Teste de Endogeneidade

Considere o modelo

y1 = 1 + 2y2 + 3z1 + 4z2 + 1 (1)

em que
y2 – variável endógena

z1 e z2 – variáveis exógenas

Ainda, considere que z3 seja um instrumento para y2.

76
 Teste de Endogeneidade

Fatos

1. Se y2 for não correlacionada com 1, então, devemos

estimar os parâmetros do modelo por MQO (mais
eficiente).

2. MQO e 2SLS fornecem estimadores consistentes se a

condição de exogeneidade estiver satisfeita.

77
 Teste de Endogeneidade

HAUSMAN (1978), sugeriu fazer uma comparação direta das

estimativas de MQO e 2SLS e determinar se as diferenças
são estatisticamente significantes.

Se as estimativas geradas por MQO e 2SLS diferirem de

forma significante, concluímos que y2 deve ser endógena
(supondo z1 e z2 exógenas).

78
 Teste de Endogeneidade
Procedimento para aplicação do Teste de Hausman:
i. Estime a forma reduzida de y2, regredindo y2 sobre todas
as variáveis exógenas (inclusive aquelas da equação
estrutural e as IVs adicionais).
ii. Obtenha os resíduos.
iii. Estime a equação estrutural, por MQO, utilizando os
resíduos, obtidos em (ii), como variável explicativa.
iv. Se o parâmetro associado ao resíduo for estatisticamente
significante, concluiremos que y2 é endógena.
79
 TESTE
DE
RESTRIÇÕES SOBREIDENTIFICADORAS
(análogo ao Teste de SARGAN – validade dos instrumentos)

Wooldridge, 2011 – Capítulo 15 80

 Teste de Restrições Sobreidentificadoras

Suponha que na equação estrutural de interesse apareça

somente uma variável explicativa endógena.

Nesse caso:
 Se tivermos somente uma única IV, não teremos restrições
sobreidentificadoras. Ou seja, não haverá nada que possa
ser testado.
 Se tivermos duas IVs, teremos uma restrição
sobreidentificadora. Se tivermos três IVs, teremos duas
81
restrições sobreidentificadoras, e assim por diante.
 Teste de Restrições Sobreidentificadoras
Procedimento para aplicação do teste:
i. Estime os parâmetros da equação estrutural por 2SLS.
ii. Obtenha os resíduos.
iii. Regrida os resíduos em função de todas as variáveis
exógenas.
iv. Obtenha o R2 (coeficiente de explicação).
v. Sob a hipótese nula de que todas as IVs são não
correlacionadas com o erro da equação estrutural,
nR2 ~2q
em que
q – é o número de IVs menos o número de
regressores endógenos presentes no modelo. 82
 Exercício (ANPEC2007 – Q06)
Considere o modelo:

Yt = Zt + Yt-1 + e1t (equação I)

Zt = Zt-1 + e2t (equação II)

em que ,  e  são parâmetros e

 e1t   0    112  12 
e t    ~ Normal ,  2 

 2t 
e 0 
   12  22  

 0
E (e t e k )   , para todo k  t.
 0
 Exercício (ANPEC2007 – Q06)
Suponha também que || < 1 e || < 1. São corretas as
afirmativas:
(0) A condição || < 1 garante a estacionariedade de segunda
ordem de Zt.
(1) O estimador de mínimos quadrados ordinários de , na
equação II, não é consistente.
(2) Os estimadores de mínimos quadrados ordinários de  e , na
equação I, só serão consistentes se 12 = 1.
(3) Sem nenhuma restrição adicional sobre os parâmetros do
modelo, a equação I não satisfaz a condição de ordem para
identificação.
(4) Para testar se há endogeneidade na equação I, pode-se usar
o teste de Hausman.
(0) V (1) F (2) F (3) F (4)V