Baixe o app para aproveitar ainda mais
Prévia do material em texto
Modelos de Equações Simultâneas 1 • Em uma equação de regressão, normalmente a relação de causa e efeito flui dos Xs para o Y. 2 iiii uXXY 1332211 • Em muitas situações, porém, não faz sentido tal relação causa e efeito de mão única, ou unidirecional. 3 • Pode existir situações em que o Y é determinado pelos Xs, e alguns dos Xs são, por sua vez, determinados por Y; →Ou seja, há uma relação de mão dupla, ou simultânea, entre Y e alguns dos Xs, que torna a distinção entre variáveis dependente e independentes duvidósa. 4 iiii uXYY 1111212101 iiii uXYY 2121121202 Exemplo de equações simultâneas • Nos modelos de equações simultâneas não podemos estimar os parâmetros de uma única equação, sem levar em conta as informações proporcionadas pelas demais equações do sistema. 6 • O que acontecerá se os parâmetros de cada equação forem estimados com a aplicação dos M.Q.O , desconsiderando outras equações no sistema? 7 • Uma das hipóteses dos MQO é que as variáveis independentes são não estocásticas ou, se forem estocásticas, estão distribuídas independentemente do termo de erro estocástico. 8 → Se essa condição não for atendida, os estimadores por M.Q.O serão viesados e inconsistentes. 9 iiii uXYY 1111212101 iiii uXYY 2121121202 Assim, no seguinte sistema hipotético de equações: 10 O método clássico dos M.Q.O não poderá ser aplicado a essas equações individualmente porque resultará em estimativas inconsistentes. 11 • Dessa forma, é melhor reunir um conjunto de variáveis que possam ser determinadas simultaneamente pelo conjunto restante de variáveis. 12 • No contexto dos modelos de equações simultâneas, as variáveis conjuntamente dependentes são denominadas variáveis endógenas. 13 • As variáveis verdadeiramente não estocásticas, ou que podem ser consideradas assim, são chamadas de variáveis exógenas ou predeterminadas. 14 • Nos modelos de equações simultâneas não podemos estimar os parâmetros de uma única equação, sem levar em conta as informações proporcionadas pelas demais equações do sistema. 15 iiii uXYY 1111212101 (18.1.1) iiii uXYY 2121121202 (18.1.2) Assim, no seguinte sistema hipotético de equações: 16 A menos que se possa mostrar que a variável explicativa estocástica Y2 em (18.1.1) seja distribuída independentemente de u1; iiii uXYY 1111212101 (18.1.1) e a variável explicativa estocástica Y1 em (18.1.2) seja distribuída independentemente de u2, iiii uXYY 2121121202 (18.1.2) 17 A aplicação do método clássico dos M.Q.O a essas equações individualmente resultará em estimativas inconsistentes. 18 Exemplos de Modelos de equações simultâneas 19 Função demanda tt d t uPQ 110 01 Função Oferta ttt uPQ 210 0 01 Condição de equilíbrio o t d t QQ Modelo de demanda e oferta. 20 Função Consumo: ttt uYC 10 Identidade da renda: tttt SICY Modelo Keynesiano de determinação da renda. 21 Modelos de Salário-preço Ẇ = tx variação dos salários nominais UN = tx de desemprego Ṗ = tx variação dos preços Ṙ = tx variação dos custos do capital Ṁ = tx variação do preço das matérias primas importadas tttt uPUNW 1210 ttttt uMRWP 23210 22 Modelo IS da Macroeconomia dtt YC 10 tt YT 10 tt rI 10 ttdt TYY GG t tttt GICY 23 Modelo LM ou equilíbrio do mercado monetário tt d t crbYaM MM S t S t d t MM 24 Modelos Econométricos função consumo função investimento (Demanda por mão de obra) Identidade Identidade Identidade ttttt uPWWPC 113210 )( ttttt uKPPI 2171654 tttt utWTYWTYW 31111098 )()( ttttt GICTY tttt PWWY ttt IKK 1 25 O Viés das equações simultâneas 26 • Sabe-se que o MQO não pode ser aplicado à estimação de uma única equação de um sistema de equações simultâneas se uma ou mais variáveis explanatórias estiverem correlacionadas ao termo de erro da equação, pois os estimadores assim obtidos seriam inconsistentes . 27 • Para demonstrar isso, pode-se recorrer ao exemplo da determinação do modelo Keynesiano simples de determinação da renda. 28 Suponha que queiramos estimar os parâmetros da função consumo. Função Consumo: ttt uYC 10 10 1 admitindo que: 0tuE 22 tuE 0 jttuuE j ≠ 0 0,cov tt uI 29 Demonstra-se primeiro que Yt e ut em ttt uYC 10 estão correlacionados e depois provamos que 1ˆ é um estimador inconsistente de β1. 30 Para provar que Yt e ut se correlacionam, procedemos da seguinte maneira: ttt uYC 10 (18.2.3) tttt SICY (18.2.4) 31 Substituindo (18.2.3) em (18.2.4) para obter: tttt IuYY 10 tttt uIYY 01 ttt uIY 011 ttt uIY 111 0 1 1 1 1 1 (18.3.1) 32 ttt uIY 111 0 1 1 1 1 1 Agora: tt IYE 11 0 1 1 1 (18.3.2) visto que: 0tuE e que tI sendo exógeno, ou predeterminado (porque é fixado antecipadamente), tem It como seu valor esperado. 33 Subtraindo (18.3.2) de (18.3.1): tt IYE 11 0 1 1 1 (18.3.2) ttt uIY 111 0 1 1 1 1 1 (18.3.1) ttt uYEY 11 1 (18.3.3) Sabemos que: ttt uuEu (18.3.4) 34 tttttt uEuYEYEuYCov , tt uuE 11 1 1 2 1 t uE 1 2 1 (18.3.5) Como 2 é positivo por hipótese, a covariância entre Y e u dada em (18.3.5) certamente vai ser diferente de zero. 35 Se 1 2 1 ),cov( tt uY , é de se esperar que Yt e ut em (18.2.3) sejam correlacionados: ttt uYC 10 (18.2.3) 36 Isso viola a hipótese do MCRL de que as perturbações (ut) são independentes, Ou, pelo menos, não tenham correlação com as variáveis explicativas. Os estimadores por MQO nesta situação são inconsistentes. 37 Para mostrar que o estimador de MQO 1ˆ é um estimador inconsistente de 1 por causa da correlação entre Yt e ut, procede-se da seguinte maneira: ttt uYC 10 21 ˆ YY YYCC t tt 21 ˆ t tt y yc 21 ˆ t tt y yC (18.3.6) 38 Substituindo Ct de (18.2.3) em 1ˆ , obtemos: 2 10 1 ˆ tttt y yuY 2 10 1 ˆ t ttttt y uyyYy 39 2 10 1 ˆ t ttttt y uyyYy Se: 0ty e 1 2 t tt y yY Então: 211 ˆ t tt y uy (18.3.7) 40 211 ˆ t tt y uy (18.3.7) Se tomarmos a expectativa de (18.3.7) em ambos os lados, obtemos: 211 ˆ t tt y uy EE (18.3.8) 41 Não podemos calcular 2 t tt y uy E , já que o operador de expectativas é um operador linear, ou seja: )( )( BE AE B A E . 42 Mas, intuitivamente, deve estar claro que, a menos que o termo 2 t tt y uy seja zero, 1ˆ é um estimador viesado de 1 . 43 • Como não podemos calcular a equação (18.3.8), também não podemos demonstrar que na equação (18.3.5), a covariância entre Y e u é diferente de zero e que portanto, é viesado. 1ˆ 211 ˆ t tt y uy EE (18.3.8) 1 2 1 ),cov( tt uY (18.3.5) 44 Mas se o tamanho da amostra aumentar indefinidamente, então podemos recorrer ao conceito de estimador consistente e verificar o que acontece com 1ˆ quando n, o tamanho da amostra, aumenta indefinidamente. 45 Em resumo, quando não podemos explicitamente calcular o valor esperado de um estimador, como em (18.3.8), podemos verificar o seu comportamento em grandes amostras. 211 ˆ t tt y uy EE (18.3.8) 46 Diz-se que um estimador é consistente se seu limite de probabilidade, ou plim, é igual a seu verdadeiro valor (na população). 47 Diz-se que 1ˆ é um estimador consistente se ele se aproxima do verdadeiro valor de 1 , conforme o tamanho da amostra fica cada vez maior. 48 Densidade Probabilidade n = 100 n= 25 β Figura – A distribuição de 1ˆ conforme aumenta o tamanho da amostra. 49 Portanto, para mostrar que 1ˆ de (18.3.7) é inconsistente, devemos mostrar que seu plim não é igual ao verdadeiro 1 . 211 ˆ t tt y uy (18.3.7) 50 • Observe que: • Observe também que: 51 11)lim( p )lim( )lim( lim Bp Ap B A p Aplicando as regras do limite de probabilidade a (18.3.7), obtemos: 211 ˆ t tt y uy (18.3.7) 211 limlimˆlim t tt y uy ppp ny nuy ppp t tt 211 limlimˆlim 52 Quando divide-se ttuy e 2ty pelo número total de observações na amostra (n), as quantidades entre parênteses são agora a covariância na amostra entre Y e u, e a variância na amostra de Y, respectivamente. nyp nuyp p t tt 211 lim lim ˆlim (18.3.9) 53 (18.3.9) mostra que o limite da probabilidade de 1ˆ é igual a 1 verdadeiro mais a razão entre o plim da covariância na amostra entre Y e u e o plim da variância na amostra de Y. nyp nuyp p t tt 211 lim lim ˆlim (18.3.9) 54 Assim, conforme o tamanho da amostra n aumenta indefinidamente, é de se esperar que a covariância na amostra entre Y e u se aproxime da verdadeira covariância na população tttt uEuYEYE , que é igual a 12 1 , de (18.3.5). 1 2 1 ),cov( tt uY (18.3.5) 55 Conforme n tende para o infinito, a variância de Y na amostra se aproxima de sua variância na população, digamos, 2 Y . Portanto, a equação (18.3.9) pode ser escrita como: 2 1 2 11 )1(ˆlim Y p nyp nuyp p t tt 211 lim lim ˆlim (18.3.9) 56 2 1 2 11 )1(ˆlim Y p 2 2 1 11 1 1ˆlim Y p (18.3.10) Suponhamos que 10 1 e que 22 e Y sejam ambos positivos, a equação (18.3.10) deixa evidente que 1ˆlim p será sempre maior que 1 , ou seja, 1ˆ superestimará o 1 verdadeiro. 57 Em outras palavras, 1ˆ é um estimador tendencioso, e o viés não desaparecerá por maior que seja a amostra, o que a torna inconsistente. 58 O PROBLEMA DA IDENTIFICAÇÃO 59 • O modelo geral de M equações com M variáveis endógenas (ou conjuntamente dependentes) pode ser escrito como a equação 19.1.1: 60 tktkttMtMttt uXXXYYYY 1121211113132121 .................... tktkttMtMttt uXXXYYYY 2222212123231212 ................ tktkttMtMttt uXXXYYYY 3323213132321313 ................... ... ... ... ... ... ... ... ... ... ... MtktMktMtMtMMMtMtMtMMT uXXXYYYYY ...... 2211,11,331211 Equações 19.1.1 61 em que: Y1, Y2, ...,YM = M variáveis endógenas, ou conjuntamente dependentes; X1, X2, ...,Xk = k variáves predeterminadas (uma destas variáveis X pode assumir valor de 1 para levar em conta o termo de intercepto em cada equação); 62 u1, u2, ...,uM = M perturbações estocásticas; t = 1, 2, 3, ..., T = número total de observações; s coeficientes das variáveis endógenas; s coeficientes das variáveis predeterminadas. 63 • Como mostra as equações (19.1.1), as variáveis que introduzem um modelo de equação simultânea são de dois tipos: • Endógenas • Exógenas 64 • Variáveis Endógenas, ou seja, as determinadas (seus valores são determinados) dentro do modelo; são variáveis estocásticas. • Variáveis Predeterminadas, ou seja, as determinadas fora do modelo; são variáveis não-estocásticas. 65 • As variáveis predeterminadas se dividem em duas categorias: →Exógenas (atuais e defasadas) e →Endógenas defasadas. 66 Assim, das equações (19.1.1): MtktMktMtMtMtMMMtMtMtMtMMT uXXXXYYYYYY ...... )1(132211,11,)1(14331211 X1t é uma variável exógena corrente X1(t-1) é uma variável exógena defasada 67 Novamente (19.1.1): MtktMktMtMtMtMMMtMtMtMtMMT uXXXXYYYYYY ...... )1(132211,11,)1(14331211 Y(t-1) é uma variável endógena defasada, mas, como seu valor é conhecido no instante corrente t, é considerada como não-estocástica, e, consequentemente, umavariável predeterminada. 68 Novamente (19.1.1): MtktMktMtMtMtMMMtMtMtMtMMT uXXXXYYYYYY ...... )1(132211,11,)1(14331211 Y(t-1) é uma variável endógena defasada. Aqui supomos implicitamente que os erros estocásticos (u) estão serialmente não correlacionados. Se esse não for o caso, Yt-1 será correlacionado com o termo de erro do período corrente ut. Portanto, não podemos tratá-lo como predeterminado. 69 • Em suma, as variáveis exógena corrente, exógena defasada e endógena defasada são julgadas predeterminadas; seus valores não são determinados pelo modelo no período atual 70 As equações que aparecem em (19.1.1) são conhecidas como equações estruturais ou comportamentais porque podem retratar a estrutura de uma economia ou o comportamento de um agente econômico. tktkttMtMttt uXXXYYYY 1121211113132121 .................... tktkttMtMttt uXXXYYYY 2222212123231212 ................ tktkttMtMttt uXXXYYYY 3323213132321313 ................... ... ... ... ... ... ... ... ... ... ... MtktMktMtMtMMMtMtMtMMT uXXXYYYYY ...... 2211,11,331211 71 MtktMktMtMtMtMMMtMtMtMtMMT uXXXXYYYYYY ...... )1(132211,11,)1(14331211 Os s e s são conhecidos como coeficientes ou parâmetros estruturais. 72 Com base nas equações estruturais, pode-se solucionar as variáveis endógenas M e derivar as equações de forma reduzida e os coeficientes de forma reduzida associados. 73 • Uma equação na forma reduzida é a que expressa uma variável endógena unicamente em termos das variáveis predeterminadas e perturbações estocásticas. 74 Para ilustrar, considere o modelo keynesiano de determinação de renda: Função Consumo: ttt uYC 10 10 1 (18.2.3) Identidade da renda: tttt SICY (18.2.4) C e Y são variáveis endógenas; I é variável exógena ou predeterminada. 75 Substituindo (18.2.3) em (18.2.4) obtemos: tttt IuYY )( 10 tttt uIYY 01 tttt uIY 0)1( 111 0 11 1 1 ttt u IY ttt wIY 10 (19.1.2) 76 Ela expressa a variável endógena Y unicamente como uma função da variável exógena ou predeterminada I e do termo de erro u. 0 e 1 são os coeficientes na forma reduzida associados. 77 Substituindo o valor de Y de (19.1.2) em C de (18.2.3), obtemos uma outra equação na forma reduzida: ttt uYC 10 10 1 (18.2.3) ttt wIY 10 (19.1.2) tttt uwIC )( 1010 78 tttt uwIC )( 1010 t t tt u u IC 111 0 10 11 1 1 1 11110100 1 ttttt uuuI C 11 1 1 0 111 ttt u IC ttt wIC 32 (19.1.4) 79 Os coeficientes na forma reduzida, tais como 1 e 3 , são conhecido como multiplicadores de impacto, ou de curto prazo. 80 ttt wIY 10 (19.1.2) ttt wIC 32 (19.1.4) • Nas equações de forma reduzida, estão presentes apenas as variáveis predeterminadas e os distúrbios estocásticos, e são presumidas como não correlacionadas com os termos de distúrbio 81 • Nesse caso, o método dos MQO pode ser aplicado para estimar os coeficientes das equações de forma reduzida (os π) 82 • Com base nos coeficientes de forma reduzida estimados pode-se estimar ou recuperar os coeficientes estruturais (os β). • Esse procedimento é conhecido como mínimos quadrados indiretos (MQI) 83 • Como se podem estimar ou recuperar os coeficientes estruturais por meio dos coeficientes de forma reduzida? • A resposta é dada através do problema da identificação. 84 O problema da identificação 85 • Por problema de identificação queremos dizer se estimativas numéricas dos parâmetros de uma equação estrutural podem ser obtidos dos coeficientes estimados na forma reduzida. 86 Função Consumo: ttt uYC 10 10 1 (18.2.3) Identidade da renda: tttt SICY (18.2.4) ttt wIY 10 (19.1.2) ttt wIC 32 (19.1.4) 87 • Se isso for possível, dizemos que a equação estrutural que está sendo considerada está identificada. • Se não for possível, dizemos que a equação estrutural que está sendo considerada não é identificada, ou seja, ela será subidentificada. 88 • Uma equação identificada pode tanto ser exatamente identificada ou sobreidentificada. 89 • Diz-se que uma equação estrutural é exatamente identificada se for possível obter para ela valores numéricos exato de seus parâmetros estruturais. 90 • Diz-se que uma equação estrutural é superidentificada ou sobreidentificada se mais de um valor numérico puder ser obtido para alguns dos parâmetros das equações estruturais. 91 • O problema da identificação surge porque diferentes conjuntos de coeficientes estruturais podem ser compatíveis com o mesmo conjunto de dados. 92 Regras para Identificação 93 Condições de identificação por ordem e posto 94 • Para entender as condições de ordem e posto, usaremos as seguintes notações: M = número de variáveis endógenas do modelo. m = número de variáveis endógenas em dada equação. K = número de variáveis predeterminadas do modelo, incluindo o intercepto. k = número de variáveis predeterminadas em uma dada equação. 95 A condição de ordem para Identificação 96 • Uma condição de identificação necessária (mas não suficiente) é conhecida como a condição de ordem. 97 • No caso de um modelo de M equações simultâneas, para que uma equação possa ser identificada, é preciso que exclua no mínimo M – 1 das variáveis (tanto endógenas quanto predeterminadas) que aparecem no modelo. 98 • Se excluir exatamente M – 1 variáveis, a equação será exatamente identificada. • Se excluir mais de M – 1 variáveis, será superidentificada. 99 Para que uma equação seja identificada, em um modelo de M equações simultâneas, o número de variáveis predeterminadas excluídas da equação não poderá ser menor que o número de variáveis endógenas incluídas nessa equação menos 1. Isto é: 1 mkK (19.3.1) 100 Se 1 mkK , a equação será exatamente identificada. Se 1 mkK , ela será superidentificada. 101 • Aplicando as definições de M, m, K e k, e fazendo R igual ao número de variáveis excluídas (tanto endógenas como predeterminadas) de uma equação dada, então, R = (M - m) + (K - k) >= (M – 1). • Subtraindo (M – m) de cada lado, temos (K – k) >= m - 1 102 Exemplos 103 tt d t uPQ 110 01 (18.2.1) ttt uPQ 210 0 01 (18.2.2) Este modelo tem duas variáveis endógenas (M), P e Q Nenhuma variável predeterminada (k) 104 1 mkK 0 - 0 < 2 - 1 0 < 1 • Cada equação estrutural possui duas variáveis endógenas e nenhuma variável predeterminada. • Para serem identificadas, cada uma das equações deve excluir ao menos a variável M – 1 = 1. Neste caso, nenhuma equação é identificada. 105 Função de demanda: tttt uIPQ 1210 0,0 21 (19.2.12) Função de oferta: ttt uPQ 210 01 (19.2.13) 106 • 1ª equação: • 1 – 1 = 2 - 1 • 0 < 1 a função de demanda não é identificada • 2ª equação: • 1 – 0 = 2 - 1 • 1 = 1 a função de oferta é exatamente identificada, porque exclui exatamente a M -1 = 1 variável, It. 107 Demanda: tttt uIPQ 1210 0,0 21 (19.2.12) Oferta: tttt uPPQ 21210 01 02 (19.2.22) 108 • 1ª equação: • 2 – 1 = 2 - 1 • 1 = 1 exatamente identificada, exclui exatamente uma variável Pt-1 . • 2ª equação: • 2 – 1 = 2 – 1 • 1 = 1 exatamente identificada, exclui exatamente uma variável It . 109 Demanda: ttttt uRIPQ 13210 (19.2.28) Oferta: tttt uPPQ 21210 01 02 (19.2.22) 110 • 1ª equação: • 3 – 2 = 2 - 1 • 1 = 1 exatamente identificada, exclui a variável Pt-1 • 2ª equação: • 3 – 1 = 2 – 1 • 2 > 1 sobreidentificada, exclui as variáveis It e Rt. 111 • Portanto, a identificação de uma equação em um modelo de equações simultâneas é possível se essa equação exclui uma ou mais variáveis presentes em outras equações do modelo. 112 • Essa situação é conhecida como critério de exclusão ou critério de restrições zero. 113 Condição de posto para identificação 114 Mesmo que a condição de ordem ( 1 mkK ) seja atendida em uma equação, ela pode não ser identificada porque as variáveis predeterminadas excluídas dessa equação, mas presentes no modelo, podem não ser todas independentes, de modo que não haja uma correspondência um a um entre os coeficientes estruturais (os ) e os coeficientes na forma reduzida (os ). 115 • Isto é, podemos não conseguir estimar os parâmetros estruturais a partir dos coeficientes na forma reduzida. • Portanto, precisamos de uma condição necessária e suficiente para a identificação. • Esta é dada pela condição de posto para a identificação. 116 A condição de posto de identificação • Em um modelo que contenha M equações em M variáveis endógenas, uma equação é identificada se, e apenas se, ao menos um determinante diferente de zero de ordem (M – 1)(M – 1) puder ser construído por meio dos coeficientes das variáveis (tanto endógenas quanto predeterminadas) excluídas da equação especificada, mas incluídas em outras equações do modelo. 117 • O termo posto se refere ao posto da matriz e é dado pela matriz quadrada de mais alta ordem, cujo o determinante é diferente de zero. Ou seja, o posto de uma matriz é o maior número de linhas ou colunas independentes dessa matriz. 118 • Como ilustração da condição de posto para a identificação, vejamos o seguinte sistema hipotético de equações simultâneas em que as variáveis Y são endógenas e as variáveis X são predeterminadas. 119 ttttt uXYYY 1111313212101 (19.3.2) ttttt uXXYY 2222121323202 (19.3.3) ttttt uXXYY 3232131131303 (19.3.4) ttttt uXYYY 4343242141404 (19.3.5) 120 • Para facilitar a identificação, escrevamos esses sistemas como na tabela 19.1: 121 ttttt uXYYY 1111313212101 (19.3.2) ttttt uXXYY 2222121323202 (19.3.3) ttttt uXXYY 3232131131303 (19.3.4) ttttt uXYYY 4343242141404 (19.3.5) 122 Tabela 19.1 Equação n° 1 Y1 Y2 Y3 Y4 X1 X2 X3 (19.3.2) 10 1 12 13 0 11 0 0 (19.3.3) 20 0 1 23 0 21 22 0 (19.3.4) 30 31 0 1 0 31 32 0 (19.3.5) 40 41 42 0 1 0 0 43 Tabela 19.1 Equação n° 1 Y1 Y2 Y3 Y4 X1 X2 X3 (19.3.2) 10 1 12 13 0 11 0 0 (19.3.3) 20 0 1 23 0 21 22 0 (19.3.4) 30 31 0 1 0 31 32 0 (19.3.5) 40 41 42 0 1 0 0 43 123 • Agora apliquemos a condição de ordem para a identificação como mostra a tabela 19.2: 124 125 Tabela 19.2. Equação n° Número de variáveis predeterminadas excluídas (K – k) Número de variáveis endógenas incluídas menos 1 (m – 1) Identificada? (19.3.2) 2 2 Exatamente (19.3.3) 1 1 Exatamente (19.3.4) 1 1 Exatamente (19.3.5) 2 2 Exatamente Tabela 19.1 Equação n° 1 Y1 Y2 Y3 Y4 X1 X2 X3 (19.3.2) 10 1 12 13 0 11 0 0 (19.3.3) 20 0 1 23 0 21 22 0 (19.3.4) 30 31 0 1 0 31 32 0 (19.3.5) 40 41 42 0 1 0 0 43 Tabela 19.2. Equação n° Número de variáveis predeterminadas excluídas (K – k) Número de variáveis endógenas incluídas menos 1 (m – 1) Identificada? (19.3.2) 2 2 Exatamente (19.3.3) 1 1 Exatamente (19.3.4) 1 1 Exatamente (19.3.5) 2 2 Exatamente 126 • Segundo a condição de ordem, todas as equações são identificadas. 127 • Agora vamos reconferir com a condição de posto. • Na primeira equação, exclui-se as variáveis Y4, X2 e X3 (representado pelos zeros na primeira linha da tabela 19.1). 128 • Para que essa equação seja identificada, precisamos obter pelo menos um determinante diferente de zero de ordem 3 x 3 a partir dos coeficientes das variáveis excluídas dessa equação, mas incluídas nas demais. 129 Tabela 19.1 Equação n° 1 Y1 Y2 Y3 Y4 X1 X2 X3 (19.3.2) 10 1 12 13 0 11 0 0 (19.3.3) 20 0 1 23 0 21 22 0 (19.3.4) 30 31 0 1 0 31 32 0 (19.3.5) 40 41 42 0 1 0 0 43 130 Para obter o determinante, começamos obtendo a matriz dos coeficientes das variáveis Y4, X2 e X3, incluídas nas outras equações: 43 32 22 01 00 00 A (19.3.6) 131 Tabela 19.1 Equação n° 1 Y1 Y2 Y3 Y4 X1 X2 X3 (19.3.2) 10 1 12 13 0 11 0 0 (19.3.3) 20 0 1 23 0 21 22 0 (19.3.4) 30 31 0 1 0 31 32 0 (19.3.5) 40 41 42 0 1 0 0 43 132 Podemos ver que o determinante dessa matriz é zero: 43 32 22 01 00 00 det A (19.3.7) Como o determinante é zero, o posto da matriz (19.3.6), denotado por )(A , é menor que 3. 133 • Portanto, a equação (19.3.2) não satisfaz a condição de posto e, em conseqüência, não é identificada. • A condição de posto é uma condição necessária e suficiente para a identificação. • Assim, embora a condição de ordem mostre que a equação (19.3.2) é identificada, acondição de posto nos diz que ela não o é. 134 • Aparentemente, as colunas ou linhas da matriz dadas na equação (19.3.6) não são linearmente independentes, significando que há alguma relação entre as variáveis Y4 , X2 , e X3. 135 • Como resultado, não temos informações suficientes para estimar os parâmetros da equação (19.3.2) 136 ttttt uXYYY 1111313212101 (19.3.2) • As equações da forma reduzida para o modelo mostrarão que não é possível obter os coeficientes estruturais da equação com base nos coeficientes na forma reduzida. 137 ttttt uXYYY 1111313212101 (19.3.2) As condições de ordem e de posto para a identificação nos levam aos seguintes princípios gerais de identificação de uma equação estrutural: 1 – se 1 mkK e o posto da matriz A for M – 1, a equação é superidentificada. 2 – se 1 mkK e o posto da matriz A for M – 1, a equação é exatamente identificada. 138 3 – se 1 mkK e o posto da matriz A for menor que M – 1, a equação é subidentificada. 4– se 1 mkK , a equação estrutural não é identificada. O posto da matriz A, neste caso, tende a ser menor que M – 1. 139 Um teste de simultaneidade 140 • Se não houver problema de simultaneidade, os estimadores de MQO geram estimadores consistentes e eficientes. • Se houver problema de simultaneidade, os estimadores de MQO não são sequer consistentes. 141 • Se aplicarmos métodos alternativos quando não houver, de fato, simultaneidade, esses métodos nos proporcionarão estimativas consistentes, mas não eficientes (com variância menor). • Por isso é importante verificar a existência do problema de simultaneidade, antes de descartar os MQO. 142 • O problema de simultaneidade surge porque alguns dos regressores são endógenos e, portanto, tendem a estar correlacionados com o termo de erro. • Para verificar o problema de simultaneidade, podemos utilizar o teste de especificação de Hausman. 143 Seja o modelo de duas equações: Demanda: ttttt uRIPQ 13210 (19.4.1) Oferta: ttt uPQ 210 (19.4.2) 144 • Para verificar se é isto o que ocorre, o teste de Hausman segue as etapas a seguir: 145 a) obtemos de (19.4.1) e (19.4.2) as equações na forma reduzida: tttt vRIP 210 (19.4.3) tttt wRIQ 543 (19.4.4) 146 ttttt uRIPQ 13210 (19.4.1) ttt uPQ 210 (19.4.2) b) estimando (19.4.3) por MQO, obtemos: tttt vRIP 210 (19.4.3) ttt RIP 210 ˆˆˆ ˆ (19.4.5) portanto: ttt vPP ˆ ˆ (19.4.6) 147 c) substituindo (19.4.6) em (19.4.2), obtemos: ttt vPP ˆ ˆ (19.4.6) ttt uPQ 210 (19.4.2) tttt uvPQ 2110 ˆ ˆ (19.4.7) 148 Agora, sob a hipótese nula de que não há simultaneidade, a correlação entre tvˆ e tu2ˆ deveria, assintoticamente, ser igual a zero. Assim, se estimamos a regressão (19.4.7) e verificamos que o coeficiente de vt em (19.4.7) é estatisticamente igual a zero, podemos concluir que não há problema de simultaneidade. 149 Essencialmente, então, o teste de Hausman envolve os seguintes passos: Primeiro passo: Fazer a regressão de Pt contra It e Rt para obter tvˆ . (19.4.5) 150 Segundo Passo: Fazer a regressão de Qt contra tPˆ e tvˆ e aplicar um teste t ao coeficiente de tvˆ . (19.4.7) 151 Se o coeficiente de tvˆ for significativo, não rejeitamos a hipótese de simultaneidade. Para estimação eficiente, regredir Qt contra tP e tvˆ , de acordo com Pindyck e Rubinfeld. 152 • Teste de Exogeneidade • É de responsabilidade do pesquisador a especificação de quais variáveis são endógenas e quais são exógenas. • É possível elaborar um teste estatístico, para examinar a exogeneidade de variáveis em um sistema de equações simultâneas. • Suponha que tenhamos um modelo com três equações e três variáveis endógenas, Y1, Y2 e Y3, e que há três variáveis exógenas, X1, X2 e X3. • A primeira equação do modelos será: iiiii uXYYY 111332201 • Se Y2 e Y3 forem de fato endógenas, não podemos estimar por meio dos MQO. iiiii uXYYY 111332201 • Para realizar o teste, procede-se da seguinte maneira: • 1 – Obter as equações na forma reduzida para Y2 e Y3. • 2 - A partir delas obtém-se e , os valores previstos de Y2i e Y3i, respectivamente. iY2 ˆ iY3 ˆ • 3 – Agora estima-se por MQO: iiiiiii uYYXYYY 1332211332201 ˆˆ • 4 – Testa a hipótese de que λ2 = λ3 = 0 através do teste de F dos mínimos quadrados restritos. (Y2 e Y3 são exógenos) (Y2 e Y3 são endógenos) 0: 320 H 0: 321 H Métodos de equações simultâneas 163 1 – MODELOS RECURSIVOS E MÍNIMOS QUADRADOS ORDINÁRIOS 164 • Devido à interdependência entre o termo de erro estocástico e a(s) variável(is) independente(s) endógena, o método dos MQO não é apropriado para a estimação de uma equação em um sistema de equações simultâneas. 165 • Se aplicarmos MQO a essa situação, os estimadores não serão apenas viesados (em pequenas amostras), mas também inconsistentes, mesmo em grandes amostras. 166 • Porém, no caso de modelos recursivos, triangulares ou causais, pode-se aplicar MQO 167 • Considere o seguinte sistema de três equações (20.2.1): 168 tttttt ttttt tttt uXXYYY uXXYY uXXY 3232131232131303 2222121121202 1212111101 • Os Ys são variáveis endógenas e os Xs variáveis exógenas. • Os erros de mesmo período em equações diferentes não são correlacionadas 169 0),cov(),cov(),cov( 323121 tttttt uuuuuu • Observe a primeira equação de (20.2.1): • O lado direito da equação é composta apenas de variáveis exógenas, não correlacionadas com u1t , e portanto pode ser estimada por MQO. 170 tttt uXXY 1212111101 • Observe a segunda equação de (20.2.1): • Os MQO podem ser aplicados, desde que Y1t e u2t sejam não correlacionados. • Veja a hipótese de cov(u1t,u2t) • O mesmo vale para a terceira equação. 171 ttttt uXXYY 2222121121202 • Então, no sistema recursivo, os MQO podem ser aplicados a cada uma das equações separadamente. • Não temos um problema de simultaneidade no sistema recursivo 172 O modelo recursivo pode ser demonstrado graficamente: 173 • Embora os modelos recursivos sejam úteis, a maioria dos modelos de equações simultânea não exibe relação unilateral de causa e efeito. 174 • Nos modelos recursivos, presume-se o erro presente nas equações são contemporaneamente não correlacionados. • Se este não for o caso, tem-se que recorrer à técnica de estimação de regressões aparentemente não correlacionadas, (SURE). 175 2 - O MÉTODO DE MÍNIMOS QUADRADOS DE DOIS ESTÁGIOS (MQ2E) 176 Considere o seguinte modelo: Função renda: ttttt uXXYY1212111211101 (20.4.1) Função oferta de moeda: ttt uYY 2121202 (20.4.2) 177 ttttt uXXYY 1212111211101 ttt uYY 2121202 em que: Y1 = renda Y2 = estoque de moeda X1 = gastos com investimentos X2 = gastos do governo em bens e serviços 178 Será necessário encontrar uma Proxy para Y1, de forma que ela não seja correlacionada com u2. Essa Proxy é conhecida como variável instrumental. 179 • Como podemos obter a variável instrumental? → uma resposta é dada pelo método dos mínimos quadrados de dois estágios. → esse método envolve duas aplicações sucessivas de MQO. 180 • Estágio 1. Para ficarmos livres da provável correlação entre Y1 e u2, em primeiro lugar, fazemos a regressão de Y1 sobre todas as variáveis predeterminadas em todo o sistema, e não apenas naquela equação. 181 No presente caso, isso significa fazer a regressão de Y1 sobre X1 e X2, da seguinte maneira: tttt uXXY ˆˆˆˆ 221101 (20.4.3) Onde ut são os resíduos de MQO costumeiros. 182 Pela equação (20.4.3), obtemos: ttt XXY 221101 ˆˆˆˆ (20.4.4) Onde t Y 1 ˆ é uma estimativa do valor médio de Y condicionado aos X fixados. 183 Agora, a equação (20.4.3) pode ser expressa como: tttt uXXY ˆˆˆˆ 221101 (20.4.3) ttt uYY ˆˆ 11 (20.4.5) que mostra que o Y1t estocástico consiste em duas partes: t Y 1 ˆ , que é uma combinação linear dos X não estocásticos e de um componente aleatório ût. Segundo a teoria dos MQO, t Y 1 ˆ e ût não são correlacionados. 184 Estágio 2. A equação de oferta de moeda é: ttt uYY 2121202 (20.4.2) e da equação (20.4.5): ttt uYY ˆ ˆ 11 Agora pode-se escrever: 185 * 121202 212121202 2121202 ˆ )ˆ(ˆ )ˆˆ( ttt tttt tttt uYY uuYY uuYY (20.4.6) onde ttt uuu ˆ 212 * 186 Qual é a vantagem de (20.4.6)? → t Y 1 ˆ em (20.4.6) é assintoticamente não correlacionados com * t u ; → isto é, em amostras grandes (ou, mais exatamente, a medida que o tamanho da amostra aumenta indefinidamente). 187 • A idéia básica que fundamenta os MQ2E é “purificar” a variável explanatória estocástica Y1 da influência do termo de erro estocástico u2. 188 • Esse objetivo é atingido executando- se a regressão na forma reduzida de Y1 sobre todas as variáveis predeterminadas no sistema (estágio 1), obtendo-se as estimativas e substituindo-se Y1t na equação original pela estimada, e então aplicando-se os MQO à equação assim transformada (estágio 2). 189 • →Os estimadores obtidos desse modo são consistentes; isto é, eles convergem para seus valores verdadeiros à medida que o tamanho da amostra aumenta indefinidamente. 190 Para ilustrar os MQ2E, considere o modelo renda-oferta de moeda da seguinte maneira: Função renda: ttttt uXXYY 1212111212101 (20.4.7) Função oferta de moeda: ttttt uXXYY 2424323121202 (20.4.8) em que: X1 = gasto de investimentos X2 = gastos do governo em bens e serviços. X3 = renda no período de tempo anterior; X4 = oferta de moeda no período anterior. X1, X2, X3 e X4, são predeterminadas. As equações (20.4.7) e (20.4.8) são superidentificadas. 191 Para aplicar os MQ2E, procedemos da seguinte maneira: 192 No estágio 1 fazemos a regressão das variáveis endógenas sobre todas as variáveis predeterminadas do sistema. Assim: tttttt uXXXXY 1414313212111101 ˆˆˆˆˆˆ (20.4.9) tttttt uXXXXY 2424323222121202 ˆˆˆˆˆˆ (20.4.10) 193 No estágio 2, substituímos Y1 e Y2 nas equações (estruturais) originais por seus valores estimados obtidos nas duas regressões anteriores e, então, executamos as regressões por MQO como segue: * 1212111212101 ˆ ttttt uXXYY (20.4.11) * 2424323121202 ˆ ttttt uXXYY (20.4.12) onde: ttt uuu 2121 * 1 ˆ ttt uuu 1122 * 2 ˆ As estimativas assim obtidas serão consistentes. 194 Note as seguintes características do MQ2E: • 1 – Ele pode ser aplicado a uma equação individual no sistema sem levar diretamente em conta qualquer outra equação (ou equações) no sistema. Por conseguinte, para resolver modelos econométricos que envolvam um grande número de equações, o MQ2E oferece um método econômico. 195 • 2 – diferentemente do MQI, que fornece estimativas múltiplas dos parâmetros nas equações superidentificadas, o MQ2E provê somente uma estimativa por parâmetro. 196 • 3 – é fácil de aplicar porque basta saber o número total de variáveis exógenas ou predeterminadas no sistema sem conhecer quaisquer outras variáveis do sistema. 197 • 4 – embora especialmente projetado para tratar equações superidentificadas, o método também pode ser aplicado a equações exatamente identificadas. 198 • 5 – Se os valores de R2 nas regressões na forma reduzida (isto é, regressões do estágio I) forem muito altos, digamos, maiores que 0,8, as estimativas de MQO clássicas e as estimativas de MQ2E serão muito próximas. 199 • Isso ocorre porque, se o valor de R2 no primeiro estágio for muito alto, significa que os valores estimados das variáveis endógenas estão muito próximos de seus valores reais, e por conseguinte, é menor a probabilidade desses últimos serem correlacionados com os termos de erro estocásticos nas equações estruturais originais. 200 • Se os valores de R2 nas regressões do primeiro estágio forem muito baixos, as estimativas por MQ2E praticamente não terão significado, porque estaremos substituindo os Y originais na regressão do segundo estágio pelos estimados pelas regressões do primeiro estágio que, em essência, representarão os termos de erro nas regressões do primeiro estágio. • Em outras palavras, nesse caso, os serão proxies muito precários dos Y originais. 201 Yˆ 6 - Os erros padrão estimados nas regressões do segundo estágio precisam ser modificados porque, como podemos ver pela equação (20.4.6), o termo de erro * t u é, na verdade, o termo de erro original u2t mais t uˆ 21 . Por conseguinte, a variância de * t u não é exatamente igual à variância do u2t original. 202 Equação (20.4.6): 203 * 121202 212121202 2121202 ˆ )ˆ(ˆ )ˆˆ( ttt tttt tttt uYY uuYY uuYY → estimação de erros padrão de estimadores MQ2E. • O objetivo é mostrar que os erros padrão das estimativas obtidas pela regressão do segundo estágio do procedimento de MQ2E, usando a fórmula aplicável na estimativa por MQO, não são estimativas “adequadas” dos erros padrão “verdadeiros”. 204 • Para demonstrar, utilizaremos o modelo de oferta de renda-moeda: 205 ttttt uXXYY 1212111211101 Função renda (20.4.1) ttt uYY 2121202 Função oferta de moeda (20.4.2) • Estima-se os parâmetros da função oferta de moeda superidentificada com base na regressão de segundo estágio como: (20.4.6) em que: 206 * 121202 ˆ ttt uYY ttt ûuu 212 * • Agora, quando operamos a regressão (20.4.6), o erro padrão de, por exemplo, é obtido por meio da seguinte expressão: em que:207 21 ˆ 2 1 2 21 ˆ ˆ )ˆvar( * t u y 2 )ˆˆˆ( 2 ˆ 2 121202 2* 2 * n YY n û ttt u • Mas não é a mesma coisa que , em que o último é uma estimativa não tendenciosa da variância verdadeira de u2. • Essa diferença pode ser prontamente verificada por meio da equação 208 2 *u 2 2 ˆ u ttt ûuu 212 * • Para obter o verdadeiro , procedemos como se segue: em que e são as estimativas por meio da regressão de segundo estágio. 209 2 2 ˆ u ttt YYû 1212022 ˆˆ 20 ˆ 21 ˆ • Portanto: 210 2 )ˆˆ( ˆ 2 1212022 2 n YY tt u • Perceba a diferença entre a equação (1) (2) Na equação (2), utilizamos o Y1 real em vez do Y1 estimado por meio da regressão de primeiro estágio. 211 2 )ˆˆˆ( ˆ 2 1212022 * n YY tt u 2 )ˆˆ( ˆ 2 1212022 2 n YY tt u • Tendo estimada a equação o caminho mais fácil para corrigir os erros padrão dos coeficientes estimados na regressão de segundo estágio é multiplicar cada um deles por 212 2 )ˆˆ( ˆ 2 1212022 2 n YY tt u * 2 ˆ ˆ u u • Observe que, se Y1 e forem muito próximos, isto é, o R2 na regressão de primeiro estágio for muito alto, o fator de correção será próximo de 1, caso em que os erros padrão estimados na regressão de segundo estágio podem ser tomados como estimativas verdadeiras. 213 t Y 1 ˆ * 2 ˆ ˆ u u • Mas, em outras situações, deveríamos usar o fator de correção anterior. 214 7 – Ao utilizar os MQ2E, tenha em mente as seguintes observações: a) A justificativa estatística do MQ2E considera que se trabalha com grandes amostras. 215 7 – Ao utilizar os MQ2E, tenha em mente as seguintes observações: b) Quando não há variáveis endógenas defasadas, os estimadores de MQ2E são consistentes se as variáveis exógenas são constantes em amostras repetidas e se o(s) erros são independentemente distribuídos com médias zero e variâncias finitas. 216 7 – Ao utilizar os MQ2E, tenha em mente as seguintes observações: c) Quando o sistema de equações contém variáveis defasadas, a consistência e a normalidade da amostra grande dos estimadores de MQ2E requerem uma condição adicional, que, à medida que a amostra cresce, o quadrado médio dos valores assumidos por uma variável endógena defasada converge, em probabilidade, para um limite positivo. 217 7 - Ao utilizar os MQ2E, tenha em mente as seguintes observações: d) Se os erros não são independentemente distribuídos, variáveis endógenas defasadas não são independentes da operação corrente do sistema da equação, o que significa que essas variáveis não são realmente predeterminadas. 218 7 - Ao utilizar os MQ2E, tenha em mente as seguintes observações: e) Se essas variáveis são, no entanto, tratadas como predeterminadas no procedimento de MQ2E, os estimadores resultantes não são consistentes. 219 • Uma característica notável dos MQ2E é que as estimativas obtidas são consistentes, isto é, à medida que o tamanho da amostra aumenta indefinidamente, as estimativas convergem para os valores reais da população. • Em amostras pequenas, as inferências obtidas dos MQ2E devem ser interpretados com o devido cuidado. 220 Bibliografia: GUJARATI, D. N. e PORTER, C. P. Econometria Básica. 5ª edição, McGraw-Hill e Artmed. 2011. 221
Compartilhar