Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tópico 12 – Modelos de equações simultâneas Bibliografia: WOOLDRIDGE, J.M. Introdução à Econometria: uma abordagem moderna. 4ª ed. São Paulo: Pioneira Thomson Learning, 22015. (capítulo 16). Exemplo: oferta e demanda Quando combinamos a condição de equilíbrio com as equações de oferta e demanda. ℎ𝑖 = 𝛼1𝑤𝑖 + 𝛽1𝑧𝑖1 + 𝑢𝑖1 (1) ℎ𝑖 = 𝛼2𝑤𝑖 + 𝛽2𝑧𝑖2 + 𝑢𝑖2 (2) Onde 𝑖= município→ ℎ𝑖 e 𝑤𝑖 são os valores de equilíbrio observados de cada município 𝑖. Estas 2 equações constituem um modelo de equações simultâneas (MES). Exemplo: oferta e demanda Características importantes desse modelo de equações simultâneas (MES): Dadas 𝑧𝑖1, 𝑧𝑖2, 𝑢𝑖1 e 𝑢𝑖2, ambas as equações determinam ℎ𝑖e 𝑤𝑖; 𝛼1 ≠ 𝛼2 → as inclinações das funções de oferta e demanda diferem; ℎ1 e 𝑤1: são variáveis endógenas do modelo; 𝑧𝑖1 e 𝑧𝑖2: são exógenas (determinadas fora do modelo)→ hipótese fundamental: ambas são não correlacionadas com os erros da oferta e da demanda; 𝑢𝑖1 e 𝑢𝑖2: erros estruturais. Exemplo: oferta e demanda Um segundo ponto importante é que, sem a inclusão de 𝑧1 e 𝑧2 no modelo, não existe forma de dizer qual das equações é a função de oferta e qual é a função de demanda. z (deslocador da oferta) é exógeno e pode alterar o comportamento da oferta de horas de trabalho; isto nos permite identificar a equação estrutural de demanda. Sem alterações exógenas na demanda (como aquelas causadas por z), a oferta não é identificada e não pode ser estimada. Exemplo: oferta e demanda Se 𝑧1: salários industrial → o raciocínio econômico nos diz que ele é um fator na oferta de mão de obra agrícola (indicação do custo da oportunidade de trabalhar na agricultura). Quando 𝑧2: área agrícola → a teoria da produção sugere que ele apareça na função de demanda de mão de obra. Portanto, sabemos que (1) representa a oferta de mão de obra e (2) representa a demanda por mão de obra. Se 𝑧1 e 𝑧2 forem os mesmo (por exemplo: nível médio de educação dos adultos no município, que pode afetar tanto oferta como a demanda), as equações parecerão idênticas, e não há possibilidades de estimar qualquer uma delas → problemas de identificação em modelos de equações simultâneas. Modelos de equações simultâneas Modelos de Equações Simultâneas é uma situação onde duas ou mais variáveis são determinadas juntamente por um sistema de equações. Assim, essa simultaneidade pode acarretar violação das hipóteses básicas do modelo clássico tornando o estimador inconsistente, uma vez que as variáveis endógenas tornam-se relacionadas com o termo de erro. 𝐸 𝑢 = 0 𝐶𝑜𝑣 𝑥𝑖 , 𝑢 = 0 𝑖 = 1,… , 𝑘 se 𝐶𝑜𝑣 𝑥𝑖 , 𝑢 ≠ 0 Não sendo possível mais estimar o modelo por MQO. Modelos de equações simultâneas Exemplo: Modelo de Oferta de Trabalho da Mulher e Salário Ofertado: ℎ = 𝛽1𝑤 + 𝛼1𝑧1 + 𝑢1 (3) 𝑤 = 𝛽2ℎ + 𝛼2𝑧2 + 𝑢2 (4) Onde: 𝑤 é o salário (endógena); 𝑧1 contem variáveis que determinam a oferta de trabalho (exógenas); 𝑢1 contem fatores não observados que afetam a oferta de trabalho da mulher; ℎé horas trabalhadas (endógena); 𝑧2 contém atributos observáveis que afetam o nível de salário e 𝑢2 são os atributos não observados. Como salário ofertado depende das horas de trabalho e horas de trabalho também depende do salário, então, ambas são definidas conjuntamente em equilíbrio. O problema de endogeneidade ocorre porque ℎ pode estar correlacionado com 𝑢2 e 𝑤 com 𝑢1, ou seja, ℎ é endógena na Eq. 4 e 𝑤 na Eq.3 Viés de simultaneidade em MQO Quando há violação das hipóteses básicas do modelo clássico linear, o estimador MQO é viesado e inconsistente. Nesse caso, em simultaneidade as variáveis endógenas relacionadas com o termo de erro (𝑐𝑜𝑣(𝑥, 𝑢) ≠ 0). Quando uma variável explicativa que é determinada simultaneamente com a variável dependente geralmente é correlacionada com o termo de erro, gerando um viés e inconsistência do estimador MQO. Viés de simultaneidade em MQO Considerando o modelo estrutural de duas equações: 𝑦1 = 𝛼1𝑦2 + 𝛽1𝑧1 + 𝑢1 (5) 𝑦2 = 𝛼2𝑦1 + 𝛽2𝑧2 + 𝑢2 (6) Para mostrar que 𝑦2 geralmente é correlacionada com 𝑢, substituindo 𝑦1 em 𝑦2 temos: 𝑦2 = 𝛼2(𝛼1𝑦2 + 𝛽1𝑧1 + 𝑢1) + 𝛽2𝑧2 + 𝑢2 (7) Reorganizando: (1 − 𝛼2𝛼1)𝑦2= 𝛼2𝛽1𝑧1 + 𝛽2𝑧2 + 𝛼2𝑢1 + 𝑢2 (8) Para solucionar para 𝑦2 temos: 𝛼2𝛼1 ≠ 1 (9) Viés de simultaneidade em MQO Desde de que a condição - 𝛼2𝛼1 ≠ 1- se mantenha, podemos dividir (8) por (1 − 𝛼2𝛼1) e escrever 𝑦2como a equação na forma reduzida para 𝑦2: 𝑦2 = 𝜋21𝑧1 + 𝜋22𝑧2 + 𝑣2 (10) Parâmetros na forma reduzida (funções não lineares dos parâmetros estruturais): 𝜋21 = 𝛼2𝛽1 (1−𝛼2𝛼1) , 𝜋22 = 𝛽2 (1−𝛼2𝛼1) , 𝑣2 = (𝛼2𝑢1+𝑢2) (1−𝛼2𝛼1) Uma vez que 𝑣2 é uma função linear de 𝑢1 e 𝑢2 , 𝑦2 é correlacionada com o erro, e 𝛼1 é viesado (viés de simultaneidade). Viés de simultaneidade em MQO Como 𝑢1 e 𝑢2 são, individualmente, não correlacionados com 𝑧1 e 𝑧2, 𝑣2 também é não correlacionado com 𝑧1 e 𝑧2. Também existe uma forma reduzida de 𝑦1 sob a hipótese (𝛼2𝛼1 ≠ 1 ); a álgebra é semelhante à usada para obter (10). Ela tem as mesmas propriedades da forma reduzida da equação 𝑦2. Podemos usar a equação (𝑦2 = 𝜋21𝑧1 + 𝜋22𝑧2 + 𝑣2) para mostrar que , exceto sob hipóteses especiais, a estimação por MQO da equação (𝑦1 = 𝛼1𝑦2 + 𝛽1𝑧1 + 𝑢1) produzirá estimadores de 𝛼1 e 𝛽1 viesados e inconsistentes na equação (5). Como pressupomos que 𝑧1 e 𝑢1 são não correlacionados, o problema está em saber se 𝑦2 e 𝑢1 serão correlacionados se, e somente se, 𝑣2 e 𝑢1 forem correlacionados (pois 𝑧1 e 𝑧2 são considerados exógenos). Viés de simultaneidade em MQO Porém 𝑣2 é uma função linear de 𝑢1 e 𝑢2 → geralmente correlacionado com 𝑢1. Se considerarmos que 𝑢1 e 𝑢2 não correlacionados → 𝑣2 e 𝑢1 devem ser correlacionado sempre que 𝛼2 ≠ 0. Se 𝛼2 = 0 – significando que 𝑦1 não aparece na equação (𝑦2 = 𝛼2𝑦1 + 𝛽2𝑧2 + 𝑢2 ) - 𝑣2 e 𝑢1 serão correlacionados se 𝑢1 e 𝑢2 forem correlacionados. Se 𝛼2 = 0 e 𝑢1 e 𝑢2 forem não correlacionados, 𝑦2 e 𝑢1 também serão não correlacionados →requisitos bastante fortes. 𝑦2 não será simultaneamente determinado com 𝑦1. Se adicionarmos correlação zero entre 𝑢1 e 𝑢2 →eliminação de variáveis omitidas ou erro de medida em 𝑢1 que sejam correlacionados com 𝑦2 → Estimação por MQO. Quando 𝑦2 for correlacionado com 𝑢1 em razão as simultaneidade, dizemos que MQO sofre de viés de simultaneidade. O MQO é viesado e inconsistente quando aplicado a uma equação estrutural em um sistema de equações simultâneas. O método de MQ2E pode ser usado para solucionar o problema de variáveis explicativas endógenas. Identificação e estimação de uma equação estrutural Quando estimamos um modelo por MQO, a condição crucial de identificação é que cada variável explicativa seja não correlacionada com o termo de erro. De forma geral, essa condição não se mantém, para os SEMs. A mecânica do MQ2E é semelhante à do Capítulo de variáveis instrumentais. A diferença é que, como especificamos uma equação estrutural para cada variável endógena, podemos verificar se existem Vis suficientes para estimar qualquer equação. Se tivermos algumas variáveis instrumentais, poderemos ainda identificar (ou estimar consistentemente) os parâmetros em uma equação SEM, da mesma forma com variáveis omitidas ou erro de medidas. Identificação e estimação de uma equação estrutural Escreva o sistema na forma de equilíbrio (isto é, impondo 𝑞𝑠 = 𝑞𝑑 = 𝑞). O modelo: Oferta: 𝑞 = 𝛼1𝑝 + 𝛽1𝑧1 + 𝑢1 Demanda: 𝑞 = 𝛼2𝑝 + 𝑢2 Onde: 𝑞 é o consumo per capita de leite em nível municipal;𝑝 é o preço médio por galão de leite do município; 𝑧1 é o preço da alimentação do gado (exógeno). Qual delas é uma equação identificada? Equação de demanda é identificada a variável 𝑧1 será VI do preço na equação de demanda. Identificação e estimação de uma equação estrutural Identificação da Equação de Demanda P q Equação da demanda Equações de oferta Identificação e estimação de uma equação estrutural O fato de a equação de demanda ser identificada é uma consequência de termos uma variável observada 𝑧1 , que desloca a equação de oferta sem afetar a equação de demanda. Dada uma variação de 𝑧1 e nenhum erro, podemos desenhar a curva de demanda. A presença do deslocador não observado da demanda 𝑢2 faz com que estimemos a equação de demanda com erros, mas os estimadores serão consistentes, desde que 𝑧1 seja não correlacionado com 𝑢2. Condição de classificação para a identificação de uma equação estrutural Condição de classificação: a primeira equação em um modelo de equações simultâneas com duas equações será identificada se, e somente se, a segunda equação contiver ao menos uma variável exógena (com um coeficiente diferente de zero) que é excluída da primeira equação → condição necessária e suficiente identificação da equação. Condição de ordem: é necessária para a condição de classificação. A condição de ordem para a identificação da primeira equação estabelece que pelo menos uma variável exógena seja excluída dessa equação. Estimação por MQ2E Uma vez que tenhamos determinado que uma equação é identificada, podemos estimá-la por Mínimos Quadrados em dois estágios - MQ2E. As VIs consistirão das variáveis exógenas que aparecem em cada equação. Oferta de Mão de Obra de Mulheres Casadas que Trabalham. Em lugar da função de demanda, escrevemos a oferta de salários como uma função de horas e das variáveis de produtividade habituais. ℎ𝑜𝑟𝑎𝑠 = 𝛼1 log 𝑠𝑎𝑙á𝑟𝑖𝑜ℎ + 𝛽10 + 𝛽11𝑒𝑑𝑢𝑐 + 𝛽12𝑖𝑑𝑎𝑑𝑒 + 𝛽13𝑐𝑟𝑖𝑎𝑛𝑚𝑒𝑑6 + 𝛽14𝑛𝑒𝑠𝑝𝑟𝑒𝑛𝑑 + 𝑢1 log 𝑠𝑎𝑙á𝑟𝑖𝑜ℎ = 𝛼2ℎ𝑜𝑟𝑎𝑠 + 𝛽20 + 𝛽21𝑒𝑑𝑢𝑐 + 𝛽22𝑒𝑥𝑝𝑒𝑟 + 𝛽23𝑒𝑥𝑝𝑒𝑟 2 + 𝑢2 𝑐𝑟𝑖𝑎𝑛𝑚𝑒𝑑6= número de filhos menores de 6 anos de idade. 𝑛𝑒𝑠𝑝𝑟𝑒𝑛𝑑 = renda de outra pessoa da família que não da mulher. Todas as variáveis, com exceção de ℎ𝑜𝑟𝑎𝑠 e log(𝑠𝑎𝑙á𝑟𝑖𝑜ℎ) são consideradas exógenas. A primeira equação é função da oferta. Ela satisfaz a condição de ordem: 2 variáveis exógenas 𝑒𝑥𝑝𝑒𝑟 e 𝑒𝑥𝑝𝑒𝑟2, são omitidas da equação de oferta de mão de obra. Exemplo Objetivo: utilizar dados sobre mulheres casadas que trabalham para estimar a equação da oferta de mão de obra por MQ2E Instruments: educ age kidslt6 nwifeinc exper expersq Instrumented: lwage _cons 2225.662 574.5641 3.87 0.000 1096.298 3355.026 nwifeinc -10.16959 6.614743 -1.54 0.125 -23.17154 2.832359 kidslt6 -198.1543 182.9291 -1.08 0.279 -557.72 161.4115 age -7.806094 9.378013 -0.83 0.406 -26.23953 10.62734 educ -183.7513 59.09981 -3.11 0.002 -299.918 -67.58463 lwage 1639.556 470.5757 3.48 0.001 714.5914 2564.52 hours Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 257311020 427 602601.92 Root MSE = 1354.2 Adj R-squared = . Residual 773893110 422 1833869.93 R-squared = . Model -516582090 5 -103316418 Prob > F = 0.0046 F( 5, 422) = 3.44 Source SS df MS Number of obs = 428 Instrumental variables (2SLS) regression . ivreg hours (lwage = exper expersq ) educ age kidslt6 nwifeinc Exemplo A curva de oferta de mão de obra é: Mostra que a curva de oferta de mão de obra tem inclinação para cima. O coeficiente estimado de log(𝑠𝑎𝑙á𝑟𝑖𝑜) tem a seguinte interpretação: mantendo fixo os outros fatores → ∆ ℎ𝑜𝑟𝑎𝑠 ≈ 16,4(%∆𝑠𝑎𝑙á𝑟𝑖𝑜ℎ). Exemplo Podemos calcular as elasticidades de oferta de mão de obra multiplicando ambos os lados dessa equação por 100/ℎ𝑜𝑟𝑎𝑠: 100 × ∆ ℎ𝑜𝑟𝑎𝑠 ℎ𝑜𝑟𝑎𝑠 ≈ 1.640 ℎ𝑜𝑟𝑎𝑠 (%∆𝑠𝑎𝑙á𝑟𝑖𝑜ℎ) Ou %∆ ℎ𝑜𝑟𝑎𝑠 ≈ 1.640 ℎ𝑜𝑟𝑎𝑠 (%∆𝑠𝑎𝑙á𝑟𝑖𝑜ℎ) O que implica que a elasticidade da oferta de mão de obra (com relação a salário) é: 1.640/ℎ𝑜𝑟𝑎𝑠 [a elasticidade não é constante nesse modelo porque ℎ𝑜𝑟𝑎𝑠, e não log(ℎ𝑜𝑟𝑎𝑠), é a variável dependente]. Na média de horas trabalhadas, 1,303, a elasticidade estimada é 1.640/1,303≈ 1,26 →um aumento maior que 1% nas horas trabalhadas, dado um aumento de 1% no salário. Essa é uma grande elasticidade estimada. Exemplo Estimação por MQO: Coeficiente log 𝑠𝑎𝑙á𝑟𝑖𝑜 = − 2,05 com (𝑒𝑝 = 54,88) →não existe nenhum efeito do salário sobre horas trabalhadas. _cons 1523.775 305.5755 4.99 0.000 923.1352 2124.414 nwifeinc -5.918458 3.683341 -1.61 0.109 -13.15844 1.321522 kidslt6 -328.8584 101.4573 -3.24 0.001 -528.2831 -129.4338 age .562254 5.140012 0.11 0.913 -9.540961 10.66547 educ -6.621869 18.11627 -0.37 0.715 -42.23123 28.98749 lwage -2.0468 54.88014 -0.04 0.970 -109.9193 105.8257 hours Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 257311020 427 602601.92 Root MSE = 766.63 Adj R-squared = 0.0247 Residual 248020491 422 587726.283 R-squared = 0.0361 Model 9290528.53 5 1858105.71 Prob > F = 0.0082 F( 5, 422) = 3.16 Source SS df MS Number of obs = 428 . reg hours lwage educ age kidslt6 nwifeinc Para confirmar que log(𝑠𝑎𝑙á𝑟𝑖𝑜) é de fato endógeno, podemos aplicar o teste de endogeneidade . Quando adicionamos os resíduos da forma reduzida ො𝑣2 na equação e a estimamos por MQO, a estatística 𝑡 de ො𝑣2 é -6,61 , que é muito significante e, portanto, log(𝑠𝑎𝑙á𝑟𝑖𝑜) parece ser endógeno. Sistemas com mais de duas equações Os testes de endogeneidade, heteroscedasticidade, a correlação de série e restrições sobre-identificação podem ser obtidas, assim como no capítulo 15. Modelos de equações simultâneas podem consistir de mais de 2 equações. O estudo da identificação geral desses modelos é difícil e requer álgebra matricial. Qualquer sistema com dois ou mais equações está especificado corretamente e certo pressupostos adicionais serão válidas, os métodos de estimação do sistema são geralmente mais eficiente do que a estimação de cada equação por MQ2E. O sistema mais comum método de estimação no contexto de SEMs é 3SLS. Sistemas com mais de duas equações Identificação em Sistemas com Três ou mais Equações 𝑦1 = 𝛼12𝑦2 + 𝛼13𝑦3 + 𝛽11𝑍1 + 𝑢1(11) 𝑦2 = 𝛼21𝑦1 + 𝛽21𝑧1 + 𝛽22𝑍2 + 𝛽23𝑧3 + 𝑢2 (12) 𝑦3 = 𝛼32𝑦2 + 𝛽31𝑧1 + 𝛽32𝑍2 + 𝛽33𝑧3 + 𝛽34𝑧4 + 𝑢3 (13) Em que os 𝑦𝑔 são as variáveis endógenas e 𝑧𝑗 são exógenas. Exercícios 1. Quando usamos modelos de equação simultâneas? O que é o viés de simultaneidade em MQO? Como identificar e estimar a equação estrutural? 2. Desenvolva um modelo de equações simultâneas para a oferta e demanda de dentistas no Brasil. Especifique as variáveis endógenas e exógenas do modelo.
Compartilhar