Baixe o app para aproveitar ainda mais
Prévia do material em texto
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit INTRODUC¸A˜O A ECONOMETRIA Ana´lise de regressa˜o e uso do Eviews •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Introduc¸a˜o + O modelo de regressa˜o linear se utiliza para estudar a relac¸a˜o que existe entre uma varia´vel dependente e uma ou va´rias varia´veis independentes. + A forma geral e´ yi = f (xi1, xi2, . . . , xik) + �i = β1xi1 + β2xi2 + . . . + βkxik + �i, i = 1, . . . , n onde y e´ a varia´vel dependente, x1, x2, . . . , xk sa˜o as varia´veis in- dependentes, k e´ o nu´mero de varia´veis independentes no modelo e i denota as n observac¸o˜es da amostra. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 01: Dados de Minutos Unidades 1, 2, 3, 4, 4, 5, 6, 6, 7, 8, 9, 9, 10, 10 Minutos 23,29,49,64,74,87,96,97,109,119,149,145,154,166 Fonte: Chatterjee e Price (1991). •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 01: Dados de Minutos yi = β1 + β2xi + �t yˆi =4.162 + 15.509xi •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 01: Dados de Minutos Dependent Variable: MINUTO Method: Least Squares Date: 11/21/03 Time: 09:10 Sample: 1 14 Included observations: 14 Variable Coefficient Std. Error t-Statistic Prob. C 4.161654 3.355100 1.240396 0.2385 UNIDADE 15.50877 0.504981 30.71158 0.0000 R-squared 0.987437 Mean dependent var 97.21429 Adjusted R-squared 0.986390 S.D. dependent var 46.21718 S.E. of regression 5.391725 Akaike info criterion 6.339171 Sum squared resid 348.8484 Schwarz criterion 6.430465 Log likelihood -42.37420 F-statistic 943.2009 Durbin-Watson stat 2.051099 Prob(F-statistic) 0.000000 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Coeficientes da Regressa˜o + Os coeficientes do modelo, β, sa˜o estimados usando o me´todo de m´ınimos quadrados ordina´rios (OLS) atrave´s da fo´rmula βˆ = (x′x)−1x′y + βj mede a contribuic¸a˜o marginal da varia´vel independente xj na variac¸a˜o da varia´vel dependente y, mantendo fixas todas as outras varia´veis. + No exemplo 01: yˆi = 4.162 + 15.509xi Unidade Minuto Minuto Estimado Variac¸a˜o 1 23 19.670426 0.000000 2 29 35.179198 15.508772 3 49 50.687970 31.017544 4 64 66.196742 46.526316 4 74 66.196742 46.526316 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 02: Dados de Consumo + Dados: Renda pessoal dispon´ıvel e Gasto de consumo entre 1970- 1979, em bilho˜es de do´lares de 1972. + Modelo: yt = β1 + β2xt + �t, onde: y = Consumo, e x = Renda t = 1970, . . . , 1979 Ano Renda Consumo 1970 751.6 672.1 1971 779.2 696.8 1972 810.3 737.1 1973 864.7 767.9 1974 857.5 762.8 1975 874.9 779.4 1976 906.8 823.1 1977 942.9 864.3 1978 988.8 903.2 1979 1015.7 927.6 Fonte: Greene 3oed - pag.195 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 02: Dados de Consumo Dados de Consumo, 1970-1979. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 02: Dados de Consumo Dados de Consumo, 1970-1979. yt = β1 + β2xt + �t, yˆt = −67.58 + 0.98xt •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 02: Dados de Consumo Dependent Variable: CONSUMO Method: Least Squares Date: 11/26/03 Time: 23:26 Sample: 1970 1979 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. C -67.58065 27.91071 -2.421316 0.0418 RENDA 0.979267 0.031607 30.98253 0.0000 R-squared 0.991735 Mean dependent var 793.430 Adjusted R-squared 0.990702 S.D. dependent var 84.965 S.E. of regression 8.193028 Akaike info criterion 7.221 Sum squared resid 537.0056 Schwarz criterion 7.282 Log likelihood -34.1065 F-statistic 959.917 Durbin-Watson stat 1.566424 Prob(F-statistic) 0.000 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Algumas questo˜es + Ana´lise dos coeficientes: X β1, . . . , βk sa˜o todos iguais a 0? → F-statistic X β1 e´ igual a 0? ou β2 e´ igual a 0? → t-statistic + Qualidade do ajuste: X Quanto sucesso tive com o modelo? → R-squared X Ha´ problemas com os res´ıduos? (hipo´teses do OLS) → Durbin-Watson stat X E´ melhor que outros modelos? → Akaike information criterion, Schwarz criterion •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 03: Dados de Investimento Year NomGNP NomInv CPI Intrate 1968 873.4 133.3 82.5 5.2 1969 944.0 149.3 86.8 5.9 1970 992.7 144.2 91.5 6.0 1971 1077.6 166.4 96.0 4.9 1972 1185.9 195.0 100.0 4.5 1973 1326.4 229.8 105.8 6.4 1974 1434.2 228.7 115.1 7.8 1975 1549.2 206.1 125.8 6.3 1976 1718.0 257.9 132.3 5.5 1977 1918.3 324.1 140.1 5.5 1978 2163.9 386.6 150.4 7.5 1979 2417.8 423.0 163.4 10.3 1980 2633.1 402.3 178.6 11.8 1981 2937.7 471.5 195.5 13.4 1982 3057.5 421.9 207.2 11.0 Fonte: Greene (3◦ed). •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 03: Dados de Investimento RealInv = β0 + β1Tend + β2RealGNP + β3IntRate + β4Inflat onde: • RealInv = NomInv CPI × 10 • Tend = {1, 2, . . . , 15} • RealGNP = NomGNP CPI × 10 • IntRate = Taxa de juros • Inflat = Percentagem de variac¸a˜o do CPI (sendo 4,40 para 1968). •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 03: Dados de Investimento Dependent Variable: REALINV Method: Least Squares Date: 11/27/03 Time: 13:47 Sample: 1968 1982 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C -0.5091 0.05393 -9.4389 0.0000 TEND -0.0166 0.00193 -8.5983 0.0000 REALGNP 0.6703 0.05380 12.4592 0.0000 INTRATE -0.0024 0.00119 -2.0340 0.0693 INFLAT 0.0001 0.00132 0.0484 0.9623 R-squared 0.9735 Mean dependent var 0.2034 Adjusted R-squared 0.9629 S.D. dependent var 0.0341 S.E. of regression 0.0066 Akaike info criterion -6.9510 Sum squared resid 0.0004 Schwarz criterion -6.7150 Log likelihood 57.1327 F-statistic 91.8296 Durbin-Watson stat 1.9636 Prob(F-statistic) 0.0000 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 03: Dados de Investimento R̂ealInvi = − 0, 5091− 0, 0166Tend+ 0, 6703RealGNP− 0, 0024 IntRate+ 0, 0001 Inflat (0, 054) (0, 002) (0, 054) (0, 001) (0, 001) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 03: Dados de Investimento R̂ealInvi = − 0, 5091− 0, 0166Tend+ 0, 6703RealGNP− 0, 0024 IntRate+ 0, 0001 Inflat (0, 054) (0, 002) (0, 054) (0, 001) (0, 001) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Ana´lise dos Coeficientes: Teste de Hipo´teses + Passo 01: Definimos uma Hipo´tese Nula: H0 : βj = 0 + Passo 02: Calculamos a estat´ıstica do teste: t-stat = βˆ σ̂(βˆ) + Passo 03: Analisamos o p-valor e rejeitamos ou na˜o H0. No exemplo 02: Dados de Consumo ∗ Passo 01: H0 : β2 = 0, i.e. o coeficiente da RENDA e´ zero? ∗ Passo 02: t-stat = 0, 979 0, 032 = 30, 983 ∗ Passo 03: p-valor = 0.000 ≤ 0.05, enta˜o, rejeitamos H0, i.e. o coeficiente da RENDA e´ diferente de zero ou estatisticamente significativo. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Exemplo 01: Dados de Minutos yˆi = 4.162 + 15.509xi (t-stat) (1.240) (30.711) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Ana´lise dos Coeficientes: Teste de Hipo´teses Na pra´tica, o output do Eviews mostra os valores de βˆ, σˆ(βˆ), t-stat e p-valor. Enta˜o, se o valor de Prob e´ pequeno (p.e., menor de 0.05), dizemos que o coeficiente e´ diferente de zero e que a varia´vel x esta´ relacionada com y. No exemplo 03: Dados de Investimento Variable Coefficient Std. Error t-Statistic Prob. C -0.5091 0.05393 -9.4389 0.0000 TEND -0.0166 0.00193 -8.5983 0.0000 REALGNP 0.6703 0.05380 12.4592 0.0000 INTRATE -0.0024 0.00119 -2.0340 0.0693 INFLAT 0.0001 0.00132 0.04840.9623 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Ana´lise dos Coeficientes: Teste de Hipo´teses + Quando o modelo tem mais de uma varia´vel independente, deve- se testar a seguinte hipo´tese: H0 : β1 = β2 = . . . = 0 H1 : pelo menos um dos βj e´ diferente de zero. + A estat´ıstica do teste e´ F-stat + Usamos o p-valor (Prob), para rejeitar ou na˜o H0. No exemplo 03: Dados de Investimento F-statistic 91.8296 Prob(F-statistic) 0.0000 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Coeficiente de Determinac¸a˜o: R2 + O R2, mede o sucesso da regressa˜o em prever os valores da varia´vel dependente na amostra. + R2 e´ a frac¸a˜o da variaˆncia da varia´vel dependente, y, explicada pelas varia´veis independentes. + 0 < R2 < 1. O valor 1 indica um ajuste perfeito. + Nos exemplos anteriores: R2 Exemplo 01: 0.9874 Exemplo 02: 0.9917 Exemplo 03: 0.9735 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Coeficiente de Determinac¸a˜o: R2 ajustado + R2 sempre cresce com o aumento de varia´veis independentes. No caso extremo, podemos obter R2 = 1 incluindo tantas varia´veis independentes quanto observac¸o˜es tem a amostra. + O R2-ajustado penaliza o R2 pela incorporac¸a˜o de varia´veis inde- pendentes que na˜o contribuem com o poder explicativo do mo- delo. + O R2-ajustado e´ calculado por: R¯2 = 1− (1−R2)N − 1 N − k + O R2-ajustado e´ sempre menor que o R2 e pode diminuir com o aumento de varia´veis independentes no modelo. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Outras medidas + O desvio padra˜o da regressa˜o (Standard Error of the Regression) e´ uma medida calculada a partir da variaˆncia esti- mada para os res´ıduos. E´ calculado por: s.e reg = √ �ˆ′�ˆ N − k, �ˆ = y − xβˆ + A soma dos res´ıduos ao quadrado (Sum of Squared Residuals) e´ dado por: �ˆ′�ˆ = N∑ i=1 ( yi − xiβˆ )2 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Outras medidas + O log da verossimilhanc¸a (Log Likelihood) calculado pelo Eviews corresponde ao valor do log da verossimilhanc¸a (assu- mindo erros normais) avaliado nos coeficientes estimados. ` = −T 2 [ 1 + log(2pi) + log ( �ˆ′�ˆ N )] + Me´dia e desvio padra˜o de y (Mean and Standard Deviation (S.D.) of the Dependent Variable) y¯ = ∑N i=1 yi N σ2y = √∑N i=1(yi − y¯)2 N − 1 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Crite´rio de Informac¸a˜o + O AIC (Akaike Information Criterion) e´ usado na selec¸a˜o de modelos: AIC = −2` N + 2k N onde k e´ o nu´mero de paraˆmetros estimados, n e´ o nu´mero de observac¸o˜es e ` e´ o valor do log da verossimilhanc¸a usando os k paraˆmetros estimados. + O SC (Schwarz Criterion) e´ uma alternativa ao AIC. A pe- nalidade pelo nu´mero de coeficientes adicionais e´ maior: SC = −2` N + k logN N + O modelo com o menor AIC (SC) e´ considerado o melhor entre os modelos comparados. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Comparac¸a˜o de Modelos No exemplo 03: Dados de Investimento R̂ealInvi = − 0, 5091− 0, 0166Tend+ 0, 6703RealGNP− 0, 0024 IntRate+ 0, 0001 Inflat (0, 054) (0, 002) (0, 054) (0, 001) (0, 001) R̂ealInvi = − 0, 5089− 0.0166Tend+ 0, 6704RealGNP− 0, 0024 IntRate (0, 051) (0, 002) (0, 051) (0, 001) Medida Modelo I Modelo II R-squared 0.973497 0.973491 Adjusted R-squared 0.962896 0.966261 Akaike info criterion -6.951019 -7.084118 Schwarz criterion -6.715003 -6.895305 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit Estat´ıstica Durbin-Watson + A estat´ıstica DW (The Durbin-Watson statistic) mede a correlac¸a˜o serial nos res´ıduos. E´ dada por DW = ∑N i=2 ( �ˆi − �ˆi−1 )2∑N i=2 �ˆ 2 i + Como “regra de bolso”, se o DW e´ menor que 2, existe evidencia de correlac¸a˜o serial positiva. Se o DW e´ proximo de 1, esta´ indicando a presenc¸a de autocorrelac¸a˜o serial nos res´ıduos.
Compartilhar