Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIEˆNCIAS SOCIAS APLICADAS DEPARTAMENTO DE ECONOMIA Introduc¸a˜o a` Econometria Professor: Erik Alencar de Figueireˆdo Aula 8 5 Jan 2008 5:56 p.m. Modelo de Mı´nimos Quadrados Ordina´rios 0. INTRODUC¸A˜O As ana´lises macro e microeconoˆmicas costumam envolver a construc¸a˜o de modelos teo´ricos que, por sua vez, estabelecem relac¸o˜es formais de dependeˆncia entre as varia´veis, por exemplo: a) a determinac¸a˜o da renda agregada em modelos keynesianos, onde o produto e´ tido como uma func¸a˜o do consumo, investimento, gastos do governo e do saldo da balanc¸a comercial, ou; b) na representac¸a˜o da equac¸a˜o de sala´rios dos trabalhadores que, em geral, e´ expressada como uma func¸a˜o dos anos de estudo, idade, idade ao quadrado, habilidade, sexo, rac¸a etc. Estas relac¸o˜es podem ser facilmente representadas a partir de um modelo estoca´stico multivariado, isto e´: yt = β1 + β2x2t + β3x3t + ...+ βkxkt + ut, t = 1, 2, ..., n, [1] onde a equac¸a˜o acima representa a associac¸a˜o linear (nos paraˆmetros), entre a varia´vel dependente yt e as “k− 1” varia´veis explicativas (x2t, ..., xkt). O termo “estoca´tico” e´ utilizado devido a` presenc¸a do erro aleato´rio ut. Com relac¸a˜o a ut postula-se: ut ∼ iiN(0, σ2). [2] Ou seja, o termo de perturbac¸a˜o e´ independente e identicamente distribu´ıdo de acordo com uma distribuic¸a˜o Normal com me´dia zero e variaˆncia constante igual a σ2. Neste caso, o sistema (1)-(2) possui k + 1 paraˆmetros desconhecidos, isto e´, k betas e a variaˆncia do erro. Para facilitar o racioc´ınio, considere a equac¸a˜o (1) na forma matricial: y = Xβ + u, [3] onde y = y1 y2 ... yn ; X = 1 x21 · · · xk1 1 x22 · · · xk2 ... ... . . . ... 1 x2n · · · xkn ; β = β1 β2 ... βk ; u = u1 u2 ... un . Note que os vetores y e u possuem dimensa˜o n × 1; o vetor β tem dimensa˜o k × 1 e a matriz X dimensa˜o n× k. Isto posto, conve´m informar que a a equac¸a˜o (3) representa o modelo “verdadeiro”. Ou seja, ela envolve os paraˆmetros populacionais betas e o σ2. Entretanto, como obter estes paraˆmetros? A alternativa e´ utilizar um me´todo de infereˆncia estat´ıstica. O me´todo de infereˆncia mais utilizado e´ o de Mı´nimos Quadrados Ordina´rios (MQO). Nas sec¸o˜es seguintes sera˜o discutidas as principais propriedades deste me´todo destacando a derivac¸a˜o matema´tica e os pressupostos. Introduc¸a˜o a` Econometria - Aula 8 pa´gina 2 1. INFEREˆNCIA ESTATI´STICA A infereˆncia estat´ıstica consiste na obtenc¸a˜o de estimativas θˆ para o paraˆmetro populacional desconhecido θ, a partir de uma amostra aleato´ria. Mas como definir qual e´ o melhor estimador? Normalmente, a comparac¸a˜o entre os diversos estimadores e´ realizada a partir de algumas caracter´ısticas ba´sicas, destacando-se: a) auseˆncia de vie´s: E(θˆ) = θ, ∀θi ∈ Θ. Ou seja, a esperanc¸a do paraˆmetro estimado e´ igual ao paraˆmetro populacional para todos os paraˆmetros θ pertencentes ao espac¸o parame´trico Θ; b) variaˆncia mı´nima: var(θˆ) ≤ var(θˆi), ∀θˆi. O estimador θˆ possuira´ a menor variaˆncia dentre todos os estimadores θˆi. A unia˜o das propriedades “a” e “b” e´ conhecida por eficieˆncia; c) consisteˆncia: lim n→∞Pr(|θˆn − θ| > ²) = 0, ² > 0. Ou seja, a medida em que se aumenta a amostra n, o paraˆmetro θˆn converge em probabilidade para o paraˆmetro populacional. d) melhor estimador na˜o-viesado: Se θˆ1 e θˆ2 forem dois estimadores na˜o-viesados de θ, e a variaˆncia de θˆ1 for menor igual a de θˆ2, enta˜o θˆ1 sera´ um estimador na˜o viesado de variaˆncia mı´nima; e) linearidade: Diz-se que um estimador θˆ e´ linear se ele for uma func¸a˜o linear das observac¸o˜es amostrais; e) melhor estimador linear na˜o-viesado: Se θˆ for linear, na˜o-viesado e apresentar variaˆncia mı´nima (eficiente), ele sera´ denominado de melhor estimador linear na˜o-viesado MELNV. 2. ALGEBRA DO ESTIMADOR DE MQO Considere a equac¸a˜o (3) como ponto de partida. Nela, substitua o vetor populacional β por uma estimativa βˆ. Desta forma, teremos uma nova definic¸a˜o para os res´ıduos: e = y −Xβˆ. O princ´ıpio de MQO consiste em obter um vetor de betas que minimize a soma do quadrado dos res´ıduos (e′e). Assim: e′e = [y −Xβˆ]′[y −Xβˆ] e′e = y′y − βˆ′X ′y − y′Xβˆ + βˆ′X ′Xβˆ. Sabendo que o transposto de um escalar e´ o pro´prio escalar e que βˆ′X ′y = y′Xβˆ, enta˜o: e′e = y′y − 2βˆX ′y + βˆ′X ′Xβˆ. [4] A expressa˜o (4) representa o quadrado dos res´ıduos. Para minimiza´-la sera´ preciso diferencia´-la em relac¸a˜o a βˆ e iguala´-la a zero, assim: ∂e′e ∂βˆ = −2X ′y + 2βˆX ′X = 0 βˆX ′X = X ′y Introduc¸a˜o a` Econometria - Aula 8 pa´gina 3 βˆ = (X ′X)−1X ′y. [5] Onde (5) representa o estimador de mı´nimos quadrados. Este estimador possui importantes propriedades estat´ısticas, entretanto, e´ necessa´rio se impor alguns pressupostos. 3. PRESSUPOSTOS SOBRE O ESTIMADOR DE MQO Os principais pressupostos sa˜o: MQO.1: a matriz X e´ na˜o-estoca´stica, ou seja, a infereˆncia e´ realizada com base em valores observados de X; MQO.2: a matriz X ′X possui rank igual a k, isto e´, ela possui k vetores linearmente independentes; MQO.3: os erros u sa˜o caracterizados por: E(u) = 0 var(u) = E(uu′) = σ2I Vejamos, com maior atenc¸a˜o, a hipo´tese MQO.3. Note que o operador de esperanc¸a e´ aplicado a todos os elementos do vetor: E(u) = E u1 u2 ... un = E(u1) E(u2) ... E(un) = 0 0 ... 0 . Com relac¸a˜o a` variaˆncia: var(u) = E(uu′) = E [ u1 u2 ... un · (u1 u2 · · · un ) ] = E(u21) E(u1u2) · · · E(u1un) E(u2u1) E(u22) · · · E(u2un) ... ... . . . ... E(unu1) E(unu2) · · · E(u2n) var(u) = σ2 cov(u1u2) · · · cov(u1un) cov(u2u1) σ2 · · · cov(u2un) ... ... . . . ... cov(unu1) cov(unu2) · · · σ2 = σ2 1 0 · · · 0 0 1 · · · 0 ... ... . . . ... 0 0 · · · 1 = σ2I. Estas sa˜o as principais hipo´teses do modelo de MQO. As suposic¸o˜es MQO.1 e MQO.2 referem-se a` matriz de dados X. No caso da MQO.2, exclui-se a possibilidade da existeˆncia de vetores linearmente dependentes, ou seja, postula-se a auseˆncia de multicolinearidade. Logo, X ′X possui inversa. A hipo´tese MQO.3 considera que os erros possuem me´dia zero e variaˆncia constante. Note que esta hipo´tese carrega consigo duas suposic¸o˜es fortes. Primeira, a variaˆncia e´ a mesma para todos os elementos de u. A esta suposic¸a˜o se da´ o nome de homocedasticidade. Segunda, todas as covariaˆncias entre os res´ıduos sa˜o iguais a zero (cov(uiuj) = 0, para i 6= j). Ou seja, os res´ıduos na˜o sa˜o autocorrelacionados dois a dois. Na pro´xima aula veremos como comportam os estimadores sob estas hipo´teses. Nota adicional: O presente documento foi preparado a partir do sistema tipogra´fico (Plain) TEX, desenvolvido por Donald Knuth. Versa˜o preliminar, comenta´rios sa˜o bem-vindos! REFEREˆNCIA [1] Johnston, J.; DiNardo, J. (2001). Metodos econome´tricos. Lisboa: McGraw Hill.
Compartilhar