Baixe o app para aproveitar ainda mais
Prévia do material em texto
Econometria – Hill, Grifith e Judge – Editora Saraiva Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Econometria – Hill, Grifith e Judge – Editora Saraiva 3.1 Um Modelo Econômico • A função de regressão simples | 1 2( | ) y xE y x x= µ = β + β • Inclinação da reta de regressão 2 ( | ) ( | )E y x dE y x x dx ∆β = = ∆ “∆” denota “mudança em” (3.1.1) (3.1.2) Econometria – Hill, Grifith e Judge – Editora Saraiva 3.2 Um Modelo Econométrico Hipóteses do Modelo de Regressão Linear Simples -I • O valor médio de y, para cada valor de x, é dado pela regressão linear 1 2( )E y x= β + β • Para cada valor de x, os valores de y se distribuem em torno do seu valor médio, seguindo distribuições de probabilidade que têm todas a mesma variância, 2var( )y = σ • Os valores de y são todos não correlacionados e tem covariância zero. A implicação disso é que não existe qualquer associação linear entre eles. cov( , ) 0i jy y = Econometria – Hill, Grifith e Judge – Editora Saraiva Essa hipótese pode se tornar mais forte se assumirmos que os valores de y são todos estatisticamente independentes. • A variável x não é aleatória e deve assumir pelo menos dois valores diferentes • (opcional) Os valores de y são normalmente distribuídos em torno de sua média para cada valor de x, 2 1 2~ [( ), ]y N xβ + β σ Econometria – Hill, Grifith e Judge – Editora Saraiva 3.2.1 Introduzindo o Termo de Erro O termo de erro aleatório é 1 2( )e y E y y x= − = − β − β Rearranjando, temos 1 2y x e= β + β + y é a variável dependente; x é a variável explanatória ou independente (3.2.1) (3.2.2) Econometria – Hill, Grifith e Judge – Editora Saraiva Hipóteses do Modelo de Regressão Linear Simples -II RS1. 1 2y x e= β + β + RS2. ( ) 0E e = ⇔ 1 2( )E y x= β + β RS3. 2var( ) var( )e y= σ = RS4. cov( , ) cov( , ) 0i j i je e y y= = RS5. A variável x não é aleatória e deve assumir pelo menos dois valores diferentes. RS6. (opcional) Os valores de e são normalmente distribuídos em torno de sua média 2~ (0, )e N σ Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3 Estimação dos Parâmetros para a Relação de Despesas 3.3.1 O Princípio de Mínimos Quadrados • A reta ajustada da regressão é 1 2ˆt ty b b x= + • O resíduo de mínimos quadrados 1 2ˆ ˆt t t t te y y y b b x= − = − − • Qualquer outra reta ajustada * * * 1 2ˆt ty b b x= + • A reta de mínimos quadrados tem a menor soma de resíduos ao quadrado 2 2 *2 * 2ˆ ˆ ˆ ˆ( ) ( )t t t t tte y y e y y= − ≤ = −∑ ∑ ∑ ∑ (3.3.1) (3.3.2) (3.3.3) Econometria – Hill, Grifith e Judge – Editora Saraiva • As estimativas de mínimos quadrados são obtidas pela minimização da função da soma de quadrados 2 1 2 1 2 1 ( , ) ( ) T t t t S y x = β β = − β − β∑ • Obtenha as derivadas parciais 1 2 1 2 2 1 2 2 2 2 2 2 2 t t t t t t S T y x S x x y x ∂ = β − + β ∂β ∂ = β − + β ∂β ∑ ∑ ∑ ∑ ∑ • Iguale as derivadas a zero 1 2 2 1 2 2( ) 0 2( ) 0 t t t t t t y Tb x b x y x b x b − − = − − = ∑ ∑ ∑ ∑ ∑ (3.3.4) (3.3.5) (3.3.6) Econometria – Hill, Grifith e Judge – Editora Saraiva • Rearranjando a equação 3.3.6, temos duas equações usualmente conhecidas como equações normais, 1 2t tTb x b y+ =∑ ∑ 2 1 2t t t tx b x b x y+ =∑ ∑ ∑ • Fórmulas para as estimativas de mínimos quadrados ( )2 22 t t t t t t T x y x y b T x x − = − ∑ ∑ ∑ ∑ ∑ 1 2b y b x= − Como essas fórmulas funcionam para qualquer dos valores da amostra de dados, elas são os estimadores de mínimos quadrados. (3.3.7a) (3.3.7b) (3.3.8a) (3.3.8b) Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3.2 Estimativas para a Função de Despesa com Alimentação ( )2 2 22 (40)(3834936,497) (27920)(5212,520) (40)(21020623,02) (27920) 0,1283 t t t t t t T x y x y b T x x − − = = − − = ∑ ∑ ∑ ∑ ∑ 1 2 130,313 (0,1282886)(698,0) 40,7676b y b x= − = − = Um modo conveniente de mostrar os valores de b1 e b2 é escrever a reta de regressão estimada ou ajustada: ˆ 40,7676 0,1283t ty x= + (3.3.9a) (3.3.9b) (3.3.10) Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3.3 Interpretação das Estimativas • O valor b2 = 0,1283 é uma estimativa de β2, a quantidade que a despesa com alimentação cresce semanalmente quando a renda semanal aumenta em $1. Assim, nós estimamos que se a renda subir $100, as despesas semanais com alimentação aumentarão aproximadamente $12,83. • Estritamente falando, a estimativa de intercepto b1 = 40,7676 é uma estimativa do gasto semanal com alimentação para uma família com renda nula. Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3.3a Elasticidades • A elasticidade renda da demanda é um modo útil de caracterizar a resposta da despesa do consumidor à mudanças na renda. Dos princípios microeconômicos, a elasticidade de qualquer variável y em relação a outra variável x é variação percentual em / variação percentual em / y y y y x x x x x y ∆ ∆η = = = ⋅ ∆ ∆ • Em um modelo econômico linear dado pela equação 3.1.1, nós mostramos que 2 ( )E y x ∆β = ∆ • A elasticidade da despesa “média” em relação à renda é 2 ( ) / ( ) ( ) / ( ) ( ) E y E y E y x x x x x E y E y ∆ ∆η = = ⋅ = β ⋅ ∆ ∆ (3.3.11) (3.3.12) (3.3.13) Econometria – Hill, Grifith e Judge – Editora Saraiva ( , ) (698,00,130,31)x y = • Um modo alternativo freqüentemente utilizado é mostrar a elasticidade no “ponto das médias” já que é um ponto representativo da reta de regressão. 2 698,00ˆ 0,1283 0,687 130,31 xb y η = ⋅ = × = 3.3.3b Previsão Suponha que nós queremos prever a despesa semanal com comida para um domicílio com uma renda semanal de $750. Essa previsão é conduzida pela substituição de x = 750 na nossa equação estimada para obter ˆ 40,7676 0,1283 40,7676 0,1283(750) $130,98t ty x= + = + = Nós prevemos que um domicílio com uma renda semanal de $750 gastará $130,98 por semana em comida. (3.3.14) (3.3.15) Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3.3c Exame da Saída do Computador Dependent Variable: DESP.ALIM Method: Least Squares Sample: 1 40 Included observations: 40 VARIABLE Coefficient Std. Error t-Statistic Prob. C 40.76756 22.13865 1.841465 0.0734 INCOME 0.128289 0.030539 4.200777 0.0002 R-squared 0.317118 Mean dependent var 130.3130 Adjusted R-squared 0.299148 S.D dependent var 45.15857 S.E. of regrression 37.80536 Akaike info criterion 10.15149 Sum squared resid 54311.33 Schwarz criterion 10.23593 Log likelihood -201.0297 F-statistic 17.64653 Durbin-Watson stat 2.370373 Prob(F-statistic) 0.000155Figura 3.10 Saída da Regressão pelo EViews Econometria – Hill, Grifith e Judge – Editora Saraiva Dependent Variable: DESP. ALIM Analysis of Variance Sum of Mean Source DF Squares Squares F Value Prob>F Model 1 25221.22299 25221.22299 17.647 0.0002 Error 38 54311.33145 1429.24556 C Total 39 79532.55444 Root MSE37.80536 R-square 0.3171 Dep Mean 130.31300 Adj. R-sq 0.2991 C.V. 29.01120 Parameter Estimates Parameter Standard T for HO: Variable DF Estimate Error Parameter=0 Prob > T INTERCEP 1 40.767556 22.13865442 1.841 0.0734 INCOME 1 0.128289 0.03053925 4.201 0.0002 Figura 3.11 Saída da Regressão pelo SAS Econometria – Hill, Grifith e Judge – Editora Saraiva 3.3.4 Outro Modelo Econômico • O modelo “log-log” 1 2ln( ) ln( )y x= β + β • A derivada de ln(y) em relação a x é [ln( )] 1d y dy dx y dx = ⋅ • A derivada de em relação a x é 1 2 ln( )xβ + β 1 2 2 [ ln( )] 1d x dx x β + β = ⋅β • Colocando esses dois pedaços em igualdade um com o outro e resolvendo para β2: 2 dy x dx y β = ⋅ = η (3.3.16) Slide 1 Slide 2 Slide 3 Slide 4 Slide 5 Slide 6 Slide 7 Slide 8 Slide 9 Slide 10 Slide 11 Slide 12 Slide 13 Slide 14 Slide 15 Slide 16
Compartilhar