Baixe o app para aproveitar ainda mais
Prévia do material em texto
MÓDULO V-EXTENSÕES DO MODELO DE REGRESSÃO SIMPLES AULA 13 DIA 05-10-2018 DISCIPLINA:ECONOMETRIA 1 PROFª: Graciela Profeta 5- MÓDULO V- EXTENSÕES DO MODELO DE REGRESSÃO SIMPLES 5.3- FORMAS FUNCIONAIS DOS MODELOS DE REGRESSÃO Uma importante premissa do MRLC é que os modelos de regressão devem ser lineares nos parâmetros, mas eles podem ou não ser lineares nas variáveis: Neste módulo abordaremos os seguintes pontos. i) Modelo LOG-LINEAR; ii) Modelos SEMILOGARÍTIMOS; e, iii)Modelos RECÍPROCOS; 5.3- FORMAS FUNCIONAIS DOS MODELOS DE REGRESSÃO 5.3.1- Modelo Log- Linear – (elasticidades) Em que ln significa logaritmo natural (e) e (Log significa logaritmo na base 10); O modelo (137) é linear nos parâmetros (𝜶 e 𝜷𝟐), linear nos logaritmos das variáveis Y e X e pode ser estimado por MQO; Dado a linearidade, o modelo (137) também é chamado de: log-log, duplo-log. (137) ln que em ,lnln (136) lnlnln lexponencia modelo(135) 12 21 1 2 βuXβY uXββY eXY iii iii u ii i =++= ++= →= 5.3.1- Modelo Log- Linear e log-log – (elasticidades) Se as premissas do MRLC forem atendidas, 𝑙𝑛𝑌𝑖 = 𝛼 + 𝛽2𝑙𝑛𝑋𝑖 + 𝑢𝑖 (137 ′) pode ser estimado por MQO, fazendo: 𝑌𝑖 ∗ = 𝛼 + 𝛽2𝑋𝑖 ∗ + 𝑢𝑖 (138) Os estimadores de MQO ( ො𝛼 e መ𝛽2) da equação (138) serão BLUE. 5.3.1- Modelo Log- Linear ou Log-log- (elasticidades) O modelo Log-log tem grande aplicabilidade em estudos econômicos, principalmente aqueles relacionados a comportamentos de preços, demanda, oferta, etc. Geralmente em estudos desta natureza, o pesquisador busca informações sobre as elasticidades (preço, cruzada, renda). No caso do modelo (137) o coeficiente de beta 2, mede justamente a elasticidade de Y em relação a X; O beta 2 nos informa qual é a variação percentual de Y correspondente a uma dada variação percentual (pequena) em X. 𝑙𝑛𝑌𝑖 = 𝛼 + 𝛽2𝑙𝑛𝑋𝑖 + 𝑢𝑖 5.3.1- Modelo Log- Linear – (elasticidades) O coeficiente de elasticidade (𝛽2) entre Y e X , permanece constante. (Porque?) 5.3.1- Modelo Log- Linear – (elasticidades) Vale lembrar que embora ො𝛼 e መ𝛽2 sejam estimativas não tendenciosas de 𝛼 e 𝛽2 , 𝜷𝟏 (o parâmetro que entra no modelo original), ao ser estimado como 𝜷𝟏 = 𝒂𝒏𝒕𝒊𝒍𝒐𝒈 (ෝ𝜶), é um estimador tendencioso. Contudo, dado que na prática, o interesse de pesquisa não se concentra em saber a relação do intercepto com o regressando, não é necessário se preocupar em obter um estimativa não tendenciosa do 𝛽1. (137) ln que em ,lnln (136) lnlnln lexponencia modelo(135) 12 21 1 2 βuXβY uXββY eXY iii iii u ii i =++= ++= →= 5.3.1- Modelo Log- Linear – (elasticidades) Exemplo: Suponha dados de despesas totais de consumo (destotais) e despesas com bens duráveis (desdur). Trata-se de dados trimestrais de 1993 a 1998 compreendendo 23 observações. Suponha que desejamos encontrar a elasticidade das despesas com bens duráveis em relação às despesas totais. Os resultados estimados foram: 5.3.1- Modelo Log- Linear – (elasticidades) 𝑙𝑛𝐷𝐸𝑆𝐷𝑈𝑅𝑡 = −9,6971 + 1,9056𝑙𝑛𝐷𝐸𝑆𝑇𝑂𝑇𝐴𝐼𝑆𝑡 ep = (0,4341) (0,0514) t= (-22,337)* (37,0962)* 𝑟2 = 0,9849 Nota: (*) significa um valor p extremamente baixo Interpretação! Rodar no Eviews ou gretl Na próxima aula (11-10) 5.3.2- Modelos semilogarítimos - Log- Lin e Lin-Log A) Modelo log-lin: medir taxa de crescimento As vezes nos interessa conhecer as taxas de crescimento de variáveis como: população, PIB, oferta e demanda por moeda, taxa de juros, inflação, etc. Suponha que desejamos conhecer a taxa de crescimento das despesas pessoais em serviços no período t (Yt). Para tanto, considere o seguinte modelo: ( ) (139) 10 t t rYY += em que Y0 é a despesa inicial; r é a taxa de crescimento geométrica A) Modelo log-lin: medir taxa de crescimento Tomando o logaritmo natural de (139), temos: Observe que no modelo (141) os parâmetros (betas) são lineares; o regressando é lnYt e o regressor é o tempo. Que assumirá os valores 1, 2, 3....etc.. ( ) (141) ln : temoserro, de termoo incluindo e r)(1ln ln Fazendo (140) )1(lnlnln 1 21 2 01 00 it t t t utY Y rtYYrYY ++= += = ++=→+= semilogarítmo A) Modelo log-lin: medir taxa de crescimento Algumas propriedades da equação (141) → 𝒍𝒏𝒀𝒕 = 𝜷𝟏 + 𝜷𝟐𝒕 + 𝒖𝒕 O coeficiente angular ( 𝜷𝟐 ) mede a variação proporcional (ou relativa) constante em Y para dada variação absoluta no valor do regressor (neste caso, t). Matematicamente: Se multiplicarmos 𝜷𝟐 por 100, teremos a taxa de crescimento de Y (regressando). O resultado desta operação é conhecido por semi-elasticidade de Y em relação a X (no caso t). (142) regressor no absoluta variação oregressand no relativa variação 2 = Modelo de tendência linear Ás vezes o pesquisador esta interessado em estimar um modelo de tendência e não um modelo de taxa de crescimento: Se o 𝛽2 do modelo (143) for positivo, então Y apresenta tendência crescente (vice-versa); Vimos que para o modelo (141’) é possível obter as taxas de crescimento relativas, já no modelo de tendência as taxa de crescimento (decrescimento) são absolutas. tendênciade modelo (143) ocresciment de taxade modelo )(141' ln 21 21 →++= →++= it it utY utY tendênciade modelo (143) ocresciment de taxade modelo )(141' ln 21 21 →++= →++= it it utY utY Modelo de tendência linear Exemplo: Suponha que desejamos estudar as despesas com serviços e obtivemos os seguintes resultados: Interpretação: entre o 1º trimestre de 1993 e o 3º trimestre de 1998, as despesas com serviços aumentaram, em média, a uma taxa absoluta de cerca de 20 bilhões de dólares por trimestre. Qual modelo escolho (141) ou (143)? Posso comparar o r2 do modelo (141) com o do modelo (143)? 𝑫𝑬𝑺𝑷𝑺𝑬𝑹𝑽𝒕 = 𝟐. 𝟒𝟎𝟓, 𝟖𝟒𝟖 + 𝟏𝟗, 𝟔𝟗𝟐𝟎𝒕 t = (322,9855) (36,22479) 𝒓𝟐 = 𝟎, 𝟗𝟖 5.3.2- Modelos semilogarítimos - Log- Lin e Lin-Log B) Modelo lin-log No modelo Log-lin o interesse era conhecer o crescimento percentual de Y dado uma variação absoluta em X. Já para os modelos Lin-log, o interesse é conhecer a variação absoluta de Y dada uma variação percentual em X. Suponha o seguinte modelo: 𝑙𝑛𝑌𝑡 = 𝛽1 + 𝛽2𝑡 + 𝑢𝑡 → log-lin B) Modelo lin-log: (145) :logo, X de relativa variação Y de variação lnX de variação Y de variação log-lin modelo(144) ln 22 2 21 =→ = == →++= X X Y X X Y uXY iii A equação (145) nos diz que uma variação absoluta em Y é igual ao coeficiente angular multiplicado por uma variação relativa em X. B) Modelo lin-log: Voltando ao modelo (144)→ 𝑌𝑖 = 𝛽1 + 𝛽2𝑙𝑛𝑋𝑖 + 𝑢𝑖→ lin-log Importante: Ao interpretarmos os resultados obtidos pela estimação da equação (144), devemos multiplicar o valor do coeficiente angular (𝜷𝟐) por 0,01, ou dividir por 100 (que é a mesma coisa). B) Modelo lin-log: Exemplo: Suponha o estudo das despesas com alimentação. Os resultados do modelo lin-log, foi: 𝐷𝐸𝑆𝑃𝐴𝐿𝑖 = −1,283,912 + 257,2700𝑙𝑛𝐷𝐸𝑆𝑇𝑂𝑇𝐴𝑙𝑖 t = (-4,3848)* (5,6625)* 𝑟2 = 0,37 Interpretação:o aumento de 1% da despesa total implica em um amento de aproximadamente 2,57 (que é 257,27/100) unidades monetárias nas despesas com alimentos das famílias estudadas. 5- MÓDULO V- EXTENSÕES DO MODELO DE REGRESSÃO SIMPLES 5.3.3- Modelos Recíprocos Observe que o modelo (146) a seguir é linear nos parâmetros (então é um MRL) e não linear na variável X, pois X está representada de modo inverso (ou recíproco). Quando X (PIB) aumenta indefinidamente, o termo 𝛽2 1 𝑋𝑖 se aproxima de zero (𝛽2 constante); e Y (mortalidade) se aproxima assintoticamente de 𝛽1; (146) 1 21 u X Y i i i + += 5- MÓDULO V- EXTENSÕES DO MODELO DE REGRESSÃO SIMPLES 5.3.3- Modelos Recíprocos Exemplo: Suponha que desejamos estudar a relação entre PNB per capta e a mortalidade infantil de 64 países. O resultado do modelo estimado é: 𝑴𝑰𝒊 = 𝟖𝟏, 𝟕𝟗 + 𝟐𝟕. 𝟐𝟕𝟑, 𝟏𝟕 𝟏 𝑷𝑵𝑩𝒑𝒄𝒊 t = (7,5511) (7,2535) 𝒓𝟐 = 𝟎, 𝟒𝟓𝟗 Interpretação! Na medida que o 𝑃𝑁𝐵𝑝𝑐𝑖 aumenta de forma indefinida, a mortalidade infantil (𝑀𝑖 ) se aproxima de seu valor assintótico de cerca de 82 óbitos por mil 5.3.3- Modelos Recíprocos Modelo da Hipérbole logarítmica ou modelo logarítmico recíproco Observe que inicialmente Y aumenta a uma taxa crescente (isto é, a curva é inicialmente convexa) e a seguir aumenta a uma taxa decrescente (isto é, a curva se torna côncava). (147) 1 ln 21 u X Y i i i + += Função de produção de curto prazo, com K constante 5- MÓDULO V- EXTENSÕES DO MODELO DE REGRESSÃO SIMPLES 5.3.4- Escolha da forma Funcional Dado essas formas funcionais, a pergunta agora é: Qual devo escolher? No caso de duas variáveis apenas (Y e X) uma dica é “plotar” essas variáveis em um gráfico e verificar qual o modelo é mais adequado; Confiar no know-how (experiência do pesquisador); Existem teste para verificar se a especificação do modelo está correta (Reset); Por enquanto, segue orientações básicas e gerais. 5.3.4- Escolha da forma Funcional 1. A teoria pode sugerir a forma funcional: ✓ Curva de Philips; 2. As vezes para um mesmo conjunto de dados, podemos ter duas ou mais formas funcionais que se ajustam bem. ✓ Se isto ocorrer, pode-se “desempatar” pela análise de r2, teste F, AIC e SIC, por exemplo. 5.3.4- Escolha da forma Funcional Cuidado com o uso do r2: ✓Não podemos comparar modelos pelo r2 se não se tratar da mesma variável dependente e mesmo tamanho de amostra; ✓O r2 tende a ser maior quanto maior for o número de regressores inseridos no modelo e isto pode gerar problemas de multicolinearidade;
Compartilhar