Baixe o app para aproveitar ainda mais
Prévia do material em texto
Propriedades Estatísticas do Estimador MQO no Modelo de Regressão Simples: esperança dos estimadores Aula 06, Introdução à Econometria Prof. Moisés A. Resende Filho Capítulo 02, parte 4 23 de março de 2018 Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 1 / 25 1. Valores Esperados dos Estimadores MQO Questão de estatística matemática: como as estimativas MQO se comportam em diferentes amostras de dados? Em média, chegaríamos à resposta certa se repetíssemos o processo de amostragem e estimação MQO repetidas vezes? Para responder isso, precisamos obter os Valores Esperados dos Estimadores MQO - ou seja, a média das estimativas MQO de todas as possíveis amostras aleatórias dos dados - e determinar se em média estamos certos ou não. Essa ideia remete à noção de não (en)viesamento de um estimador. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 2 / 25 1.1. Hipóteses do MRLS Hipótese RLS 1 (Linearidade nos Parâmetros): o modelo populacional ou processo gerador dos dados (pgd) é y = β0 + β1x + u (1) em que β0 e β1 são parâmetros populacionais de valor desconhecido ou não observado e x e u são variáveis aleatórias, o que faz de y também uma variável aleatória. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 3 / 25 Hipóteses do MRLS Hipótese RLS.2 (Amostragem Aleatória): dispomos de uma amostra aleatória de tamanho n, f(xi , yi ) : i = 1, ..., ng, proveniente do modelo populacional (1), que escrito em termos da amostra é: yi = β0 + β1xi + ui , i = 1, ..., n (2) e, como as observações são independentes umas das outras, pois as amostras são aleatórias, então (xi , ui ) é independente de (xj , uj ) para todo i 6= j e, assim, garante-se a normalização: E (ui jxj ) = E (ui ) = 0, i , j = 1, ..., n; i 6= j Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 4 / 25 Hipóteses do MRLS Hipótese RLS.3 (Variação Amostral em x): os valores de x na amostra diferem, ou seja: ∑ni=1(xi � x)2 > 0 há variabilidade em x ou a variância amostral de x difere de zero na amostra. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 5 / 25 Hipóteses do MRLS Hipótese RLS.4 (Média Condicional Zero do Erro): E (ui jxi ) = 0, 8i ou, simplesmente, E (ujx) = 0 (3) Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 6 / 25 1.2. Valor Esperado do Estimador MQO da Inclinação Queremos mostrar que, sob certas hipóteses, bβ1 é um estimador não viesado de β1, ou seja: E (bβ1jx) = β1 Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 7 / 25 Valor Esperado do Estimador MQO da Inclinação Passo 1: sob RLS.1 e RLS.2 é factível/viável obter uma estimativa de β1com o estimador MQO de bβ1: bβ1 = ∑ni=1(xi � x¯)yi∑ni=1(xi � x¯)2 (4) que, convenientemente, pode ser reescrito como bβ1 = ∑ni=1(xi � x¯)yiSQTx (5) em que SQTx = ∑ni=1(xi � x¯)2 é a Soma dos Quadrados Total de x (SQTx ) que deve ser estritamente positiva, Hipótese RLS.3. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 8 / 25 Valor Esperado do Estimador MQO da Inclinação Passo 2: substitua y i=β0 + β1xi + ui (2) no numerador do estimador (5), obtendo: ∑ni=1(xi � x¯)yi = ∑ n i=1(xi � x¯)(β0 + β1xi + ui ) = β0 n ∑ i=1 (xi � x¯) + β1 n ∑ i=1 (xi � x¯)xi + n ∑ i=1 (xi � x¯)ui = 0+ β1∑ n i=1(xi � x¯)2 +∑ n i=1(xi � x¯)ui = β1SQTx +∑ n i=1(xi � x¯)ui (6) Usamos aqui dois fatos: ∑ni=1(xi � x¯) = 0 e ∑ni=1(xi � x¯)xi = ∑ni=1(xi � x¯)2 = SQTx . Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 9 / 25 Valor Esperado do Estimador MQO da Inclinação Substituindo agora a equação (6) no estimador (5), obtemos: bβ1 = β1SQTx +∑ni=1(xi � x¯)uiSQTx = β1 + ∑ni=1(xi � x¯)ui SQTx (7) em que o segundo termo da soma é o coe ciente de inclinação da regressão MQO de ui em xi , i = 1, ..., n, mas que não pode ser estimado, pois ui , i = 1, ..., n são não observáveis. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 10 / 25 Valor Esperado do Estimador MQO da Inclinação De na wi � (xi � x¯)SQTx , i = 1, ..., n que são os pesos de cada observação e, com base nisso, reescreva a equação (7) como: bβ1 = β1 +∑ni=1 wiui (8) que é uma função linear dos valores ui , i = 1, ..., n ponderados pelos pesos wi , i = 1, ..., n que são funções de fx1, ..., xng na amostra. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 11 / 25 Valor Esperado do Estimador MQO da Inclinação Passo 3: encontre E (bβ1jx), sabendo que sob RLS.2 e RLS.4 e condicional em fx1, ..., xng na amostra: E (wiui ) = wiE (ui ) = 0 (9) ou E (wiui jx1, ..., xn) = wi E (ui jx1, ..., xn)| {z } =0 por RLS.2 e RLS.4 = 0 (10) pois wi , i = 1, ..., n são funções somente de fx1, ..., xng. Como E (ui jx1, ..., xn) = 0 implica Cov(xi , uj ) = 0, i , j = 1, 2, ...n, se na população u e x são correlacionados, então, RLS.2 e RLS.4 são falsas e, consequentemente, o resultado (9) deixa de valer. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 12 / 25 Valor Esperado do Estimador MQO da Inclinação Finalmente, aplicando esperança condicional à equação (8), obtemos: E (bβ1jx1, ..., xn) = E �(β1 +∑ni=1 wiui jx1, ..., xn)� = β1 +∑ n i=1 E (wiui jx1, ..., xn) = β1 +∑ n i=1 wiE (ui jx1, ..., xn) = β1, pelo resultado (9) pois o valor esperado de uma soma é a soma dos valores esperados e o valor esperado de uma constante, no caso β1, é a própria constante. CQD. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 13 / 25 1.3. Valor Esperado do Estimador MQO do Intercepto Passo 1: sob RLS.1 e RLS.2, o estimador MQO de β0 é bβ0 = y � bβ1x (11) e que como yi = β0 + β1xi + ui , i = 1, ..., n, então, y = β0 + β1x + u (12) Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 14 / 25 Valor Esperado do Estimador MQO do Intecepto Passo 2: substituindo o processo gerador dos dados (12) em (11), obtemos: bβ0 = β0 + β1x + u � bβ1x (13) e, com isso, E (bβ0jx1, ..., xn) = β0 + β1x + E (ujx1, ..., xn)� xE (bβ1jx1, ..., xn) = β0 pois E (bβ1jx1, ..., xn) = β1 e E (ujx1, ..., xn) = 1n ∑ni=1 E (ui jx1, ..., xn) = 0 por RLS.2 e RLS.4 CQD. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 15 / 25 2. Teorema da Inexistência de Viés de MQO TEOREMA 2.1 Inexistência de viés de MQO: sob RLS.1 a RLS.4 e condicional em fx1, ..., xng na amostra, E (bβ0) = β0 e E (bβ1) = β1 Como em toda amostra esse resultado será verdadeiro, então, incondicionalmente, E (bβ0) = β0 e E (bβ1) = β1. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 16 / 25 Teorema da Inexistência de Viés de MQO Inexistência de viés é uma propriedade do estimador MQO sob RLS.1 a RLS.4 e não da estimativa MQO. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 17 / 25 Teorema da Inexistência de Viés de MQO Por exemplo, após estimar por MQO a regressão [lwage = 1, 142+ 0, 099 educ n = 759, R2 = 0, 165 é tentador a rmar que a estimativa pontual o retorno da escolaridade0, 099� 100 = 9, 9% é não viesada , o que é tecnicamente incorreto. Na verdade, pode-se a rmar tão somente que o estimador usado na obtenção das estimativas bβ0 = 1, 142 e bβ1 = 0, 099 é não viesado. É correto a rma que as estimativas obtidas com os estimadores MQO retornam em média os valores corretos dos parâmetros populacionais Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 18 / 25 3. Simulação Monte Carlo da Inexistência de Viés de MQO no Stata Utilizaremos o Stata para gerar amostras de tamanho 100 com base nos seguintes processosgeradores dos dados: xi � iidN( 0|{z} média , 5|{z} desvio ) (14) e yi � iidN(1+ 10xi| {z } média , 1|{z} desvio ) (15) em que iidN denota independentemente e identicamente normalmente distribuídos. Note que para obter yi , temos que obter primeiro xi . Assim, o processo (15) estabece que a média de yi é E (yi jx1, ..., xn) = E (yi jxi ) = 1+ 10xi . Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 19 / 25 Simulação Mote Carlo da Inexistência de Viés de MQO no Stata Com base nos processos (14) e (15) e na de nição de erro ui = yi � E (yi jx1, ..., xn), os erros erros serão calculados como: ui = yi � (1+ 10xi ), i = 1, ..., 100 e como E (ui jx1, ..., xn) = E (yi jx1, ..., xn)� E (1+ 10xi jx1, ..., xn) = 1+ 10xi � (1+ 10xi ) = 0, garantimos o atendimento das hipóteses RLS 2 e RLS.4 em toda amostra. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 20 / 25 Simulação Mote Carlo da Inexistência de Viés de MQO no Stata Mandaremos o Stata repetir o processo por 1000 vezes, gerando assim 1000 amostras aleatórias f(xi , yi ) : i = 1, ..., ng de tamanho n = 100, ou seja: ffxi ,1, yi ,1g100i=1, fxi ,2, yi ,2g100i=1, ..., fxi ,1000, yi ,1000g100i=1g Como E (ui jx1, ..., xn) = 0 em cada repetição, então na população E (ui jx1,1, ..., xn,1, x1,2, ..., xn2 , ..., x1,1000, x2,1000, ..., xn,1000) = 0. Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 21 / 25 Simulação Mote Carlo da Inexistência de Viés de MQO no Stata Em cada rodada, estimaremos e armazenaremos as estimativas MQO de β0 e β1. Ao nal, analisaremos se, de fato, há indícios fortes de que E (bβ0) = β0 e E (bβ1) = β1. Ou seja, se de fato ∑1000j=1 bβ0,j/1000� 1 e ∑1000j=1 bβ1,j/1000 � 10? Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 22 / 25 Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 23 / 25 Histograma da Distribuição Amostral de Beta 1 0 2 4 6 8 10 Pe rc en t 9.9 9.95 10 10.05 10.1 r(b1) Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 24 / 25 Simulação Mote Carlo da Inexistência de Viés de MQO no Stata b1r 1000 9.998949 .0208954 9.931671 10.07222 b0r 1000 .9978875 .0984951 .6611579 1.300292 Variable Obs Mean Std. Dev. Min Max . sum b0r b1r ∑1000j=1 bβ0,j/1000 = 0.9978875 � 1 e ∑1000j=1 bβ1,j/1000 = 9.998949 � 10 Moisés Resende Filho (ECO/UnB) Esperanças dos Estimadores MQO 23/03/2018 25 / 25 x'1. Valores Esperados dos Estimadores MQO 1.1. Hipóteses do MRLS 1.2. Valor Esperado do Estimador MQO da Inclinação 1.3. Valor Esperado do Estimador MQO do Intercepto 2. Teorema da Inexistência de Viés de MQO 3. Simulação Monte Carlo do Teorema da Inexistência de Viés de MQO no Stata
Compartilhar