Baixe o app para aproveitar ainda mais
Prévia do material em texto
Econometria – Hill, Grifith e Judge – Editora Saraiva Capítulo 13 Estimação pelo Método de Momentos Econometria – Hill, Grifith e Judge – Editora Saraiva 13.1 Introdução • O modelo de regressão linear simples é . 1 2y x e= β + β + • As hipótese usuais que nós fazemos são ( ) 0E e =1. 2. 2var( )e = σ 3. 4. 5. cov( , ) 0i je e = A variável x não é aleatória e ela deve assumir pelo menos dois valores diferentes. (opcional) 2~ (0, )e N σ Econometria – Hill, Grifith e Judge – Editora Saraiva • Nesse Capítulo, nós relaxamos a hipótese de que a variável x não é aleatória • Em um mundo econômico não experimental, os valores de x e y são geralmente revelados ao mesmo tempo, fazendo com que x seja aleatória, do mesmo modo que é. O propósito desse capítulo é discutir modelos de regressão no qual x é aleatória. Nós vamos • discutir as condições sob as quais ter um x aleatório não é um problema e como testar se nossos dados satisfazem essas condições. • apresentar o modelo de equações simultâneas, no qual a aleatoriedade de x faz com que o estimador de mínimos quadrados falhe. • fornecer estimadores que tenham boas propriedades mesmo quando x é aleatória. Econometria – Hill, Grifith e Judge – Editora Saraiva 13.1 Regressão Linear com x’s Aleatória Vamos modificar as hipóteses usuais da regressão simples: A13.1 1 2t t ty x e= β + β + A13.2 Os pares de dados , são obtidos por um processo de amostragem aleatório. ( ), 1, ,t tx y t T= K A13.3 ( )| 0E e x = O valor esperado do termo de erro, condicionado a qualquer valor de x, é zero. A13.4 Na amostra, xt deve assumir pelo menos dois valores diferentes A13.5 ( ) 2var |e x = σ A variância do termo de erro, condicionado a qualquer x, é uma constante 2σ A13.6 ( )2| ~ 0,e x N σ A distribuição do termo de erro, condicionado a x, é normal. Econometria – Hill, Grifith e Judge – Editora Saraiva A interpretação de A13.3, . Essa hipótese implica que ( )| 0E e x = (1) não omitimos nenhuma variável importante, (2) utilizamos a forma funcional correta, e (3) não existem fatores que fazem com que o termo de erro seja correlacionado com x. • Se , então nós podemos demonstrar que também é verdade que x e e não são correlacionados e . ( )| 0E e x = ( )cov , 0x e = • De forma contrária, se x e e são correlacionados, então. ( )cov , 0x e ≠ ( )| 0E e x ≠e nós podemos demonstrar que Econometria – Hill, Grifith e Judge – Editora Saraiva 13.2.1 As Propriedades de Amostras Finitas (Pequenas) do Estimador de Mínimos Quadrados As propriedades do estimador de mínimos quadrados em amostras finitas quando x é aleatória pode ser sumarizada como segue: 1. Sob as hipóteses A13.1-A13.4, o estimador de mínimos quadrados não é viesado. 2. Sob as hipóteses A13.1-A13.5, o estimador de mínimos quadrados é o melhor estimador linear não tendencioso dos parâmetros da regressão e o estimador usual de não é viesado. 3. Sob as hipóteses A13.1-A13.6, as distribuições dos estimadores de mínimos quadrados, condicionadas a x, são normais e suas variâncias são estimadas de modo usual. Conseqüentemente, a estimação usual do intervalo e os procedimentos de teste de hipótese são válidos. 2σ Econometria – Hill, Grifith e Judge – Editora Saraiva 13.2.2 As Propriedades Assintóticas (de Amostras Grandes) do Estimador de Mínimos Quadrados Quando x Não é Aleatória. O que ocorre com as distribuições de probabilidade dos estimadores de mínimos quadrados se nós tivermos uma amostra muito grande, ou quando o tamanho da amostra T→∞? •Primeiro, os estimadores de mínimos quadrados são não tendenciosos. •Segundo, as variâncias dos estimadores de mínimos quadrados, dadas na equação 4.2.10, convergem para zero à medida que T→∞. À medida que o tamanho da amostra aumenta, as distribuições de probabilidade dos estimadores de mínimos quadrados “colapsam” nos verdadeiros parâmetros. •Estimadores com essas propriedades são chamados de estimadores consistentes e a consistência é uma propriedade de amostras grandes dos estimadores de mínimos quadrados. Econometria – Hill, Grifith e Judge – Editora Saraiva 13.2.3 As Propriedades Assintóticas (de Amostras Grandes) do Estimador de Mínimos Quadrados Quando x é Aleatória. • Para o propósito de uma análise “assintótica” do estimador de mínimos quadrados, nós podemos relaxar a hipótese A13.3. Vamos substituí-la por A13.3* ( ) ( )0 e cov , 0E e x e= = • Essa é uma hipótese mais fraca do que A13.3 porque ( ) ( )| 0 cov , 0E e x e x= ⇒ = ( ) ( )cov , 0 não implica | 0e x E e x= ⇒ =mas . Econometria – Hill, Grifith e Judge – Editora Saraiva O que podemos falar é o seguinte: 1. Sob a hipótese A13.3*, os estimadores de mínimos quadrados são consistentes. 2. Sob as hipóteses A13.1, A13.2, A13.3*, A13.4 e A13.5, os estimadores de mínimos quadrados têm distribuições aproximadamente normais em amostras grandes, se os erros são normalmente distribuídos ou não. Além do mais, nossos estimadores de intervalos e as estatísticas de teste são válidos, se a amostra é grande. 3. Se a hipótese A13.3* não for verdadeira, então os estimadores de mínimos quadrados são inconsistentes. Eles não convergem para os verdadeiros valores dos parâmetros, mesmo em amostras muito grandes. Além do mais, nenhum de nossos testes usuais de hipótese ou procedimentos de estimação de intervalos são válidos. Econometria – Hill, Grifith e Judge – Editora Saraiva 13.2.4 Erros de Medida nas Equações de Regressão • No problema de erro de medida, uma variável explanatória é mensurada inadequadamente. • Quando nós mensuramos uma variável explanatória com erro, ela é correlacionada com o termo de erro e o estimador de mínimos quadrados é inconsistente. • Vamos assumir que os salários dos trabalhadores são uma função da habilidade deles. Seja yt = salário do trabalhador t e seja = a habilidade do trabalhador t*tx * 1 2t t ty x e= β + β + (13.2.1) • Nós colocamos asterisco (*) na habilidade porque é difícil, se não for impossível, observá-la. Econometria – Hill, Grifith e Judge – Editora Saraiva • Suponha que nós tentamos mensurar a habilidade utilizando xt = um teste padronizado. Ela é chamada alguma vezes de uma variável proxy. * t t tx x u= + (13.2.2) onde ut é uma perturbação aleatória, com média zero e variância . 2uσ • Admita que ut é independente de et e seqüencialmente não correlacionado. • Substitua na equação 13.2.2 para obter *t t tx x u= − ( ) ( ) * 1 2 1 2 1 2 2 1 2 t t t t t t t t t t t y x e x u e x e u x v = β + β + = β + β − + = β + β + − β = β + β + (13.2.3) Econometria – Hill, Grifith e Judge – Editora Saraiva • Na equação 13.2.3, a variável explanatória xt é aleatória, da hipótese de erro de medida na equação 13.2.2. • Com o propósito de estimar a equação 13.2.3 por mínimos quadrados, nós devemos determinar se xt é ou não correlacionada com a perturbação aleatória vt. (13.2.5) • O estimador de mínimos quadrados b2 é um estimador inconsistente de β2 em virtude da correlação existente entre a variável explanatória e o termo de erro. • b2 não converge para β2 em amostras grandes. • Além do mais, em amostras grandes ou pequenas, b2 não é aproximadamente normal com média β2 e variância ( ) ( )222var tb x x= σ −∑ . ( ) ( ) ( )( )[ ] ( ) 0 cov 2 2 2 2 2 ≠σβ−=β−= =β−+== ut ttt * ttttt uE ueuxEvxEv,x Econometria – Hill, Grifith e Judge – Editora Saraiva 13.2.5 A Inconsistência do Estimador de Mínimos Quadrados Quando ( )cov , 0x e ≠• Nosso modelo de regressão é . 1 2y x e= β + β + • Sob A13.3* , assim, .( ) 0E e = ( ) ( )1 2E y E x= β + β • Subtraia essa expectativa da equação original, ( ) ( )2y E y x E x e − = β − + • Multiplique ambos os lados por ( )x E x− ( ) ( ) ( ) ( )22x E x y E y x E x x E x e − − = β − + − • Aplique a esperança em ambos os lados ( ) ( ) ( ) ( ){ }22E x E x y E y E x E x E x E x e − − = β − + − ou ( ) ( ) ( )2cov , var cov ,x y x x e= β + Econometria – Hill, Grifith e Judge – Editora Saraiva • Resolva para β2 ( ) ( ) ( ) ( )2 cov , cov , var var x y x e x x β = − (13.2.6) • Se nós podemos assumir que , então( )cov , 0x e = ( ) ( )2 cov , var x y x β = (13.2.7) • O estimador de mínimos quadrados, expresso de um modo ligeiramente diferente, é ( )( ) ( ) ( )( ) ( ) ( ) ( )2 2 2 / 1 ˆcov( , ) ˆvar( )/ 1 t t t t t t x x y y x x y y T x yb xx x x x T − − − − − = = = − − − ∑ ∑ ∑ ∑ (13.2.8) Econometria – Hill, Grifith e Judge – Editora Saraiva Se , então( )cov , 0x e = 2 2 ˆcov( , ) cov( , ) ˆvar( ) var( ) x y x yb x x = → = β • Se x e e são correlacionados, então ( ) ( ) ( ) ( )2 cov , cov , var var x y x e x x β = − • O estimador de mínimos quadrados agora converge para ( ) ( ) ( ) ( )2 2 2 cov , cov , var var x y x e b x x → = β + ≠ β • Nesse caso, b2 é um estimador inconsistente de β2 Econometria – Hill, Grifith e Judge – Editora Saraiva 13.3 Estimadores Baseados no Método de Momentos 13.3.1 Estimação pelo Método de Momentos da Média e Variância de uma Variável Aleatória • O momento k de uma variável aleatória é o valor esperado da variável aleatória elevado à potência k. ( ) momento de k kE Y k Y= µ = (13.3.1) • O momento k da população na equação 13.3.1 pode ser estimado consistentemente utilizando a amostra (de tamanho T) correspondente ( ) 1 ˆ ˆ momento amostral de k k T k t t E Y k Y y T = = µ = =∑ (13.3.2) Econometria – Hill, Grifith e Judge – Editora Saraiva • O procedimento de estimação pelo método de momentos iguala m momentos populacionais a m momentos amostrais para estimar m parâmetros desconhecidos. Seja Y uma variável aleatória com média e variância ( )E Y = µ ( ) ( ) ( )22 2 2var Y E Y E Y= σ = − µ = − µ (13.3.3) • Com o propósito de estimar os dois parâmetros populacionais µ e , nós devemos igualar dois momentos populacionais a dois momentos amostrais. • Os dois momentos populacionais e amostrais de Y são: 2σ ( ) ( ) 1 1 2 2 2 2 1 ˆ, ˆ, T t t T t t E Y y T E Y y T = = = µ = µ µ = = µ µ = ∑ ∑ (13.3.4) Econometria – Hill, Grifith e Judge – Editora Saraiva • Resolvendo para os parâmetros desconhecidos média e variância. 1 ˆ T t t y T y = µ = =∑ (13.3.5) • Então, utilize a equação 13.3.3, substituindo o segundo momento populacional pelo seu valor amostral e, substituindo a média pela equação (13.3.5), ( ) ( ) 2 2 2 2 2 2 21 1 2 ˆ ˆ T T t t t t t E Y y y Ty y T T y y T = = σ = − µ − = − = − = ∑ ∑ ∑ % (13.3.6) • Em geral, os estimadores do método de momentos são consistentes em amostras grandes, mas não existe garantia de que eles são os “melhores” em qualquer sentido. Econometria – Hill, Grifith e Judge – Editora Saraiva 13.3.2 Estimação pelo Método de Momentos no Modelo de Regressão Linear Simples • A definição de um “momento” pode ser estendido para situações mais gerais. • é um momento de g(Y). ( )E g Y • No modelo de regressão linear , nós usualmente admitimos que 1 2t t ty x e= β + β + ( ) ( )1 20 0t t tE e E y x= ⇒ − β − β = (13.3.7) • Se xt é fixo, ou aleatório, mas não correlacionado com et, então ( ) ( )1 20 0t t t t tE x e E x y x = ⇒ −β − β = (13.3.8) • As equações 13.3.7-8 são condições de momento. Econometria – Hill, Grifith e Judge – Editora Saraiva • Se nós substituirmos os dois momentos populacionais por seus momentos amostrais correspondentes, nós temos duas equações em duas desconhecidas, que definem os estimadores de momento para .1 2 e β β ( ) ( ) 1 2 1 2 1 0 1 0 t t t t t y b b x T x y b b x T − − = − − = ∑ ∑ (13.3.9) • Essas duas equações são idênticas às equações “normais” de mínimos quadrados do Capítulo 3, equação 3.3.6, e suas soluções produzem os estimadores de mínimos quadrados ( )( ) ( )2 2 1 2 t t t x x y y b x x b y b x − − = − = − ∑ ∑ Econometria – Hill, Grifith e Judge – Editora Saraiva 13.3.3 Estimação pelo Método de Momentos/ por Variáveis Instrumentais no Modelo de Regressão Linear Simples • Problemas para os mínimos quadrados surgem quando x é aleatória e correlacionada com a perturbação aleatória e, tal que .( ) 0t tE x e ≠ • Suponha, contudo, que existe outra variável, zt, chamada de uma variável instrumental, que satisfaça a condição de momento ( ) ( )1 20 0t t t t tE z e E z y x = ⇒ −β −β = (13.3.10) Econometria – Hill, Grifith e Judge – Editora Saraiva • Então, nós podemos utilizar as duas equações 13.3.7 e 13.3.10 para obter estimativas de . As condições de momento amostrais são: 1 2 e β β ( ) ( ) 1 2 1 2 1 ˆ ˆ 0 1 ˆ ˆ 0 t t t t t y x T z y x T − β − β = − β − β = ∑ ∑ (13.3.11) • A resolução dessas equações nos leva aos estimadores do método de momentos, que são usualmente chamados de estimadores de variáveis instrumentais, ( )( ) ( )( )2 1 2 ˆ ˆ ˆ t t t t t t t t t t t t z y T z y z z y y z x T z x z z x x y x − − −β = = − − − β = − β ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ (13.3.12) Econometria – Hill, Grifith e Judge – Editora Saraiva • Quais são as propriedades desses novos estimadores? • Primeiro, observe que ( )( ) ( ) ( )( ) ( ) ( ) ( )2 ˆ1 cov , ˆ ˆ1 cov , t t t t z z y y T z y z z x x T z x − − −β = = − − − ∑ ∑ (13.3.13) • A covariância amostral converge para a verdadeira covariância em grandes amostras, então, nós podemos dizer ( ) ( )2 cov , ˆ cov , z y z x β → (13.3.14) • Para uma variável instrumental ser válida, ela não deve ser correlacionada com o termo de erro e, mas deve ser correlacionada com a variável explanatória x. Econometria – Hill, Grifith e Judge – Editora Saraiva • Seguindo os mesmos passos que levam a equação 13.2.6, nós obtemos ( ) ( ) ( ) ( )2 cov , cov , cov , cov , z y z e z x z x β = − (13.3.15) • Se nós podemos assumir que , então o estimador de variáveis instrumentais na equação (13.3.14) converge em grandes amostras para β2, ( )cov , 0z e = ( ) ( )2 2 cov , ˆ cov , z y z x β → = β (13.3.16) • Assim, se e , então o estimador de variável instrumental de β2 é consistente, em uma situação no qual o estimador de mínimos quadrados não é consistente em razão da correlação entre x e e. ( )cov , 0z e = ( )cov , 0z x ≠ Econometria – Hill, Grifith e Judge – Editora Saraiva • Em grandes amostras, o estimador de variável instrumental tem um distribuição aproximadamente normal, ( ) 2 2 2 2 2 ˆ ~ , t zx N x x r σβ β − ∑ • é a correlação amostral entre o instrumento z e o regressor aleatório x. 2 zxr • Nós queremos um instrumento que é altamente correlacionado com x para melhorar a eficiência do estimador de variável instrumental. • A variânciade erro é estimada utilizando o estimador ( )21 22 ˆ ˆ ˆ 2 t t IV y x T − β − β σ = − ∑ (13.3.18) Econometria – Hill, Grifith e Judge – Editora Saraiva 13.3.4 Estimação por Variáveis Instrumentais Quando Instrumentos Adicionais Estão Disponíveis • Usualmente, nós temos mais variáveis instrumentais à nossa disposição do que é necessário. • Por exemplo, seja w uma variável que é correlacionada com x mas não com e ( ) ( ) ( )1 2 1 2 1ˆ ˆ0 0t t t t tE e E y x y x m= − β −β = ⇒ − β − β = =∑ (13.3.19a) ( ) ( ) ( )1 2 1 2 2ˆ ˆ0 0t t t t t t t tE z e E z y x z y x m = − β − β = ⇒ − β − β = = ∑ (13.3.19b) ( ) ( ) ( )1 2 1 2 3ˆ ˆ0 0t t t t t t t tE w e E w y x w y x m = − β − β = ⇒ − β − β = = ∑ (13.3.19c) • Utilizando o princípio de mínimos quadrados, escolha valores para e que minimizam a soma de quadrados 1ˆβ 2ˆβ 2 2 2 1 2 3m m m+ + . Econometria – Hill, Grifith e Judge – Editora Saraiva • É melhor utilizar os mínimos quadrados ponderados, com os pesos sendo os inversos das variâncias dos momentos, se os momentos não forem correlacionados. • Assim, nós devemos minimizar ( ) ( ) ( ) ( ) 2 2 2 1 2 3 1 2 1 2 3 ˆ ˆ , var var var m m mS m m m β β = + + (13.3.20) • Os valores de e que minimizam essa soma ponderada de quadrados podem ser obtidos utilizando um processo em dois passos. 1 ˆβ 2ˆβ (1) Faça uma regressão de x sobre um termo constante, z e w, e obtenha os valores preditos de (2) Utilize como uma variável instrumental para x.xˆ xˆ Econometria – Hill, Grifith e Judge – Editora Saraiva • Isso leva a duas condições de momento ( ) ( ) 1 2 1 2 ˆ ˆ 0 ˆ ˆ ˆ 0 t t t t t y x x y x − β − β = − β − β = ∑ ∑ • Resolvendo essas condições e utilizando o fato de que , nós temosxˆ x= ( )( ) ( )( ) ( )( ) ( )( )2 1 2 ˆ ˆ ˆ ˆ ˆˆ ˆ ˆ ˆ t t t t t tt t x x y y x x y y x x x xx x x x y x − − − −β = = − − − − β = − β ∑ ∑ ∑∑ (13.3.21) Econometria – Hill, Grifith e Judge – Editora Saraiva • Esses estimadores de variáveis instrumentais, derivados do método de momentos, são também chamados de estimadores de mínimos quadrados em dois estágios, porque eles podem ser obtidos utilizando duas regressões de mínimos quadrados. • O estágio 1 é a regressão de x sobre um termo constante, z e w, para obter os valores preditos de • O estágio 2 é a estimação de mínimos quadrados ordinários da regressão linear simples xˆ 1 2 ˆt t ty x erro= β + β + (13.3.22) • A variância de , aproximada, de grande amostra, é dada pela fórmula usual para a variância do estimador de mínimos quadrados da equação (13.3.22), 2 ˆβ ( ) ( ) 2 2 2 ˆvar ˆtx x σβ = −∑ Econometria – Hill, Grifith e Judge – Editora Saraiva • O estimador da variância de erro deve ser baseada nos resíduos do modelo original, , 1 2t t ty x e= β + β + ( )21 22 ˆ ˆ ˆ 2 t t IV y x T − β − β σ = − ∑ • Assim, o estimador apropriado da variância de é2ˆβ ( ) ( ) 2 2 2 ˆ ˆ ˆvar ˆ IV tx x σβ = −∑ Essa variância estimada pode ser utilizada como base para testes t de significância e estimação de intervalos dos parâmetros. Econometria – Hill, Grifith e Judge – Editora Saraiva 13.4 Testando a Correlação entre as Variáveis Explanatórias e o Termo de Erro • A hipótese nula é contra a alternativa( )0 : , 0H Cov x e =( )1 : , 0H Cov x e ≠ . • A idéia do teste é comparar o desempenho do estimador de mínimos quadrados com um estimador de variáveis instrumentais. • Sob as hipóteses nula e alternativa, nós sabemos o seguinte: • Se a hipótese nula for verdadeira, ambos os estimadores de mínimos quadrados e de variáveis instrumentais são consistentes. .( )ˆ 0MQO VIq b= − β → •Se a hipótese nula for falsa, o estimador de mínimos quadrados não é consistente e o estimador de variáveis instrumentais é consistente. ( )ˆ 0MQO VIq b c= − β → ≠ . Econometria – Hill, Grifith e Judge – Editora Saraiva • Existem várias formas do teste, usualmente chamado de "Teste de Hausman," para essas hipóteses nula e alternativa • Na regressão , nós desejamos saber se x é correlacionada com e. 1 2t t ty x e= β + β + • Sejam e variáveis instrumentais para x. 1tz 2tz • No mínimo você precisa de um instrumento para cada variável que você acha que é correlacionada com o termo de erro. Então cumpra os seguintes passos: • Estime o modelo por mínimos quadrados e obtenha os resíduos . Se existir mais do que uma variável explanatória que seja questionável, repita essa estimação para cada uma, utilizando todas as variáveis instrumentais em cada regressão. 0 1 1 2 2t t t tx a a z a z v= + + + 0 1 1 2 2ˆ ˆ ˆ ˆt t t tv x a a z a z= − + + Econometria – Hill, Grifith e Judge – Editora Saraiva • Inclua os resíduos calculados no passo 1 como uma variável explanatória na regressão, . Estime essa “regressão artificial” por mínimos quadrados e empregue o teste t usual para a hipótese de significância 1 2 ˆt t t ty x v e= β + β + δ + ( ) ( ) 0 1 : 0 sem correlação entre e : 0 correlação entre e H x e H x e δ = δ ≠ • Se mais do que uma variável é suspeita, o teste será um teste F de significância conjunta dos coeficientes dos resíduos incluídos.
Compartilhar