Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Aula 3 ECONOMETRIA Profa. Dra. Margarida Garcia de Figueiredo margaridagf@ufmt.br mgfiguei@gmail.com 08/05/2014 2 RECAPITULANDO… • Objetivo da econometria: testar e/ou validar teorias econômicas intuitivas, através da análise dos bancos de dados econômicos. • Ferramenta importante: Análise de regressão: estimativa dos parâmetros de uma regressão, para tentar explicar o comportamento de uma determinada variável dependente (Y) em função do comportamento de algumas variáveis independentes (Xs). • Estimativa da função de regressão: com base na observação de uma amostra. • Estimadores: fórmula desenvolvida para estimar os valores dos verdadeiros parâmetros de uma população, com base na observação de dados amostrais. Resíduos: estimativa do erro. 3 RECAPITULANDO… • Método para estimativa dos parâmetros: Mínimos Quadrados Ordinários (MQO). • Vantagens: sob determinados pressupostos (hipóteses), os estimadores de MQO são considerados os melhores estimadores lineares não tendenciosos (variância mínima) – Estimador Blue. • Pressupostos básicos do MCRL: supõe-se estarem sendo todos obedecidos ao utilizarmos o estimadores de MQO. • Erros de Especificação: supõe-se que o modelo tenha sido corretamente especificado. 4 ESTIMADORES DE MQO DEIXAM DE SER BLUE QUANDO 1. VIOLAÇÃO DE UMA OU MAIS DAS PREMISSAS BÁSICAS INERENTES AO MCRL 2. ERRO DE ESPECIFICAÇÃO 5 ESTIMADOR DE MQO DEMONSTRAÇÃO DO VETOR DE ESTIMADORES DE MÍNIMOS QUADRADOS ORDINÁRIOS (MQO) 6 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS* O princípio que norteia os cálculos dos estimadores de MQO é “obter valores de parâmetros que minimizem a soma do quadrado dos resíduos – SQRes” O problema matemático é de otimizar, ou seja, minimizar o produto de um vetor linha por um vetor coluna ABORDAGEM MATRICIAL: 𝑴𝒊𝒏𝑺𝑸𝑹𝒆𝒔 𝑜𝑢 𝑴𝒊𝒏𝜺′𝜺 *Capítulo 7: Gujarati (2006) 7 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS: ABORDAGEM MATRICIAL Em notação matricial: 𝑌1 = 𝛽0 + 𝛽1𝑋11 + 𝛽2𝑋12 + ⋯ + 𝛽𝑘𝑋1𝑘 + 𝜀1 𝑌2 = 𝛽0 + 𝛽1𝑋21 + 𝛽2𝑋22 + ⋯ + 𝛽𝑘𝑋2𝑘 + 𝜀2 𝑌3 = 𝛽0 + 𝛽1𝑋31 + 𝛽2𝑋32 + ⋯ + 𝛽𝑘𝑋3𝑘 + 𝜀3 ⋮ 𝑌𝑛 = 𝛽0 + 𝛽1𝑋𝑛1 + 𝛽2𝑋𝑛2 + ⋯ + 𝛽𝑘𝑋𝑛𝑘 + 𝜀𝑛 𝑌1 𝑌2 ⋮ 𝑌𝑛 = 1 𝑋11 ⋯ 𝑋1𝑘 1 𝑋21 ⋯ 𝑋2𝑘 ⋮ 1 ⋮ 𝑋𝑛1 ⋱ ⋮ ⋯ 𝑋𝑛𝑘 𝛽0 𝛽1 ⋮ 𝛽𝑘 + 𝜀1 𝜀2 ⋮ 𝜀𝑛 𝑖 = 1,2, ⋯ , 𝑛 8 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS Vetor de erros transposto: Vetor de erros : Soma dos quadrados dos resíduos: 𝜀′ = 𝜀1 𝜀2 𝜀3 ⋯ 𝜀𝑛 1𝑥𝑛 𝜀 = 𝜀1 𝜀2 𝜀3 ⋮ 𝜀𝑛 𝑛𝑥1 𝜀′𝜀 = 𝜀1𝜀1 + 𝜀2𝜀2 + ⋯ + 𝜀𝑛𝜀𝑛 𝜀′𝜀 = 𝜀21+𝜀 2 2 + ⋯ + 𝜀 2 𝑛 9 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS 𝑌1 𝑌2 ⋮ 𝑌𝑛 = 1 𝑋11 ⋯ 𝑋1𝑘 1 𝑋21 ⋯ 𝑋2𝑘 ⋮ 1 ⋮ 𝑋𝑛1 ⋱ ⋮ ⋯ 𝑋𝑛𝑘 𝛽0 𝛽1 ⋮ 𝛽𝑘 + 𝜀0 𝜀1 ⋮ 𝜀𝑛 𝑌𝑛𝑥1 = 𝑋𝑛𝑥(𝑘+1)𝛽(𝑘+1)𝑥1 + 𝜀𝑛𝑥1 𝑌 = 𝑋𝛽 + 𝜀 10 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS De forma sucinta: XY Y observado Y estimado Erro aleatório Portanto: XY 11 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS • Sabendo-se que: • Então: XY )()'(' XYXY ))('''(' XYXY XXYXXYYY ''''''' XXXYYY '''2'' 12 ESTIMAÇÃO PELO MÉTODO DOS MÍNIMOS QUADRADOS ORDINÁRIOS • A condição necessária para mínimo é: 0 ' 0'2'2 XXYX YXXX '' YXXX '' 1 ^ Sistema de Equações Normais Vetor dos estimadores dos parâmetros da regressão 13 EXEMPLO NUMÉRICO – EQUAÇÃO DE DEMANDA Estimar a equação de demanda de carne de frango no Brasil em função do preço do frango e da renda, de acordo com os dados da tabela abaixo: Obs Ano Qf Pf R 1 1989 12,4 0,92 2893 2 1990 13,4 0,88 3042 3 1991 15 0,66 2617 4 1992 16 0,6 2526 5 1993 17 0,55 2892 6 1994 18,5 0,52 3675 7 1995 22,5 0,5 4602 8 1996 22 0,6 4738 9 1997 23 0,5 4739 Fonte: Santana (2003) 14 EXEMPLO NUMÉRICO – EQUAÇÃO DE DEMANDA Vetor Y = 12,4 13,4 15 16 17 18,5 22,5 22 23 9 x 1 Cte X1 X2 Matriz X = 1 0,92 2893 1 0,88 3042 1 0,66 2617 1 0,6 2526 1 0,55 2892 1 0,52 3675 1 0,5 4602 1 0,6 4738 1 0,5 4739 9 x 3 Matriz X' = 1 1 1 1 1 1 1 1 1 0,92 0,88 0,66 0,6 0,55 0,52 0,5 0,6 0,5 2893 3042 2617 2526 2892 3675 4602 4738 4739 3 x 9 15 EXEMPLO NUMÉRICO – EQUAÇÃO DE DEMANDA Matriz X' X = 9 5,73 31724 5,73 3,8493 19596,24 31724 19596,24 118807036 3 x 3 Inv (X' X) = 7,806714 -6,292668 -0,001047 -6,292668 6,692841 0,0005763 -0,001047 0,000576 1,928E-07 3 x 3 Matriz X' Y = 159,8 97,62 590236,5 3 x 1 YXXX '' 1 ^ 15,461 -12,032 0,00282 3 x 1 = Intercepto Beta 1 Beta 2 16 EXEMPLO NUMÉRICO – EQUAÇÃO DE DEMANDA Yobservado X1 X2 Yestimado e=Yobs-Yest 12,4 0,92 2893 15,46 - 12,032X1 +0,0028X2 = 12,56 12,4 - 12,56 = - 0,162 13,4 0,88 3042 15,46 - 12,032X1 +0,0028X2 = 13,46 13,4 - 13,46 = - 0,064 15 0,66 2617 15,46 - 12,032X1 +0,0028X2 = 14,91 15 - 14,91 = 0,089 16 0,6 2526 15,46 - 12,032X1 +0,0028X2 = 15,38 16 -15,38 = 0,624 17 0,55 2892 15,46 - 12,032X1 +0,0028X2 = 17,01 17 - 17,01 = -0,011 18,5 0,52 3675 15,46 - 12,032X1 +0,0028X2 = 19,58 18,5 - 19,58 = -1,083 22,5 0,5 4602 15,46 - 12,032X1 +0,0028X2 = 22,44 22,5 - 22,44 = 0,058 22 0,6 4738 15,46 - 12,032X1 +0,0028X2 = 21,62 22 - 21,62 = 0,377 23 0,5 4739 15,46 - 12,032X1 +0,0028X2 = 22,83 23 - 22,83 = 0,171 XXY 21 0028,0032,1246,15 Regressão Estimada 17 EXEMPLO NUMÉRICO – EQUAÇÃO DE DEMANDA Interpretando os parâmetros da regressão: XXY 22110 XXY 21 0028,0032,1246,15 Beta 1 = -12,032 significa que, se o preço do frango cair em 1 unidade (ou seja, em R$1,00), a quantidade consumida aumentará em 12,032 kg Beta 2 = 0,0028 significa que, se a renda da população cair em 1 unidade (ou seja, em R$1,00), a quantidade demandada de frango cairá em 0,0028 kg 18 Pelo fato de trabalharmos com dados amostrais, após estimar os valores dos parâmetros da regressão, é necessário verificar se o modelo tem suporte estatístico. Isto é feito através da realização do teste t, do teste F e da qualidade do ajustamento da regressão (R2) TESTES ESTATÍSTICOS APLICADOS À REGRESSÃO Antes de entrarmos na aplicação dos testes de hipóteses, faremos um parênteses para falar sobre a matriz de variância-covariância dos parâmetros da regressão. 19 ESTIMADORES DE VAR-COV O estimador da variância dos resíduos será s2, para os (n-p) Graus de Liberdade • n = número de observações • p = número de parâmetros da regressão estimada .. ReRe'2 LG sSQ pn sSQ pn ee s 21 ESTIMADORES DE VAR-COV Matriz de variância-covariância dos parâmetros: Sabendo-se que: e que: XY )')(()( ^^^ ECovVar YXXX '' 1 ^ '''''')('' 1111^ XXXIXXXXXXXXXXX '' 1 ^ XXX '' 1 ^ XXX 22 ESTIMADORES DE VAR-COV )'()'( 11 ^ '')( XXXX XXECovVar )')(()( ^^^ ECovVar Matriz de variância-covariância dos parâmetros: Substituindo na expressão: )( ^ Mas como X são fixas, independentes dos resíduos, o valor esperado se reduz a: )'()'( 11 ^ )'(')( XXXX XEXCovVar 23 ESTIMADORES DE VAR-COV Matriz de variância-covariância dos parâmetros: )'()'( 121 ^ ')( XXXX XXCovVar )'()'( 112 ^ ')(XXXX XXCovVar )'()'()( 1212 ^ XXXXICovVar )'()( 12 ^ XXCovVar 24 ESTIMADORES DE VAR-COV Portanto, a partir da estimativa da variância dos resíduos (s2) é possível calcular a matriz de var-cov dos parâmetros da regressão: )'()( 12 ^ XXsCovVar 25 Retomando o Exemplo Numérico Equação de Demanda de frango 296,0 6 78,12 s e = -0,162 -0,064 0,089 0,624 -0,011 -1,083 0,058 0,377 0,171 9x1 e' = -0,162 -0,064 0,089 0,624 -0,011 -1,083 0,058 0,377 0,171 1x9 e’e = 1,78 n – p = 9 – 3 = 6 pn ee s '2 Estimativa da variância do erro 26 Retomando o Exemplo Numérico Equação de Demanda de frango )( ^ CovVar )'( 12 ^ )( XXsCovVar Matriz de variância-covariância dos parâmetros: 0,296 . 7,8067136 -6,292668 -0,001047 -6,292668 6,692841 0,000576 -0,001047 0,000576 1,93E-07 3 x 3 )( ^ CovVar 2,31 -1,86319422 -0,00030990 -1,86319422 1,98 0,00017065 -0,00030990 0,00017065 0,00000006 3x3 27 Retomando o Exemplo Numérico Equação de Demanda de frango Matriz de variância-covariância dos parâmetros: )( ^ CovVar Var Beta 0 Var Beta 1 Var Beta 2 2,3114876 -1,8631942 -0,0003099 -1,8631942 1,9816815 0,0001707 -0,0003099 0,0001707 0,0000001 3 x 3 28 QUADRO RESUMO DOS ESTIMADORES DE MQO YXXX '' 1 ^ )'( 12 ^ )( XXsCovVar pn ee s '2 Estimador dos parâmetros Estimador da variância do erro Estimador da var- cov dos parâmetros 29 TESTES ESTATÍSTICOS APLICADOS À REGRESSÃO Teste de hipóteses do tipo t-Student Teste de hipóteses do tipo F Qualidade do ajustamento da regressão R2 30 Testando os parâmetros da regressão: Isso pode ser feito utilizando-se um teste de hipóteses do tipo t-Student Como testar a significância estatística individual de cada parâmetro? Testando a significância estatística individual de cada parâmetro da regressão 31 Teste de hipóteses do tipo t-Student: Hipótese nula Hipótese alternativa ss t jj j j j calc ^ ^ ^ ^ Testando a significância estatística individual de cada parâmetro da regressão 1o Passo: estabelecer as hipóteses 𝐻0: 𝛽𝑗 = 0 𝐻𝐴: 𝛽𝑗 ≠ 0 2o Passo: calcular o valor da estatística t Verificar se o valor calculado da estatística t encontra-se dentro da região de aceitação da hipótese nula ou não. 3o Passo: conclusão 32 Consultar Tabela Teste de hipóteses do tipo t-Student Testando a significância estatística individual de cada parâmetro da regressão 33 Testando a significância estatística individual de cada parâmetro da regressão: consultando valores críticos na tabela ⋮ ⋮ ⋮ ⋮ ⋮ Valores de 𝜶 para teste bicaudal GL da SQR n - p 34 Decisão H0 é verdadeira H0 é falsa Rejeitar Erro tipo I Não há erro Não Rejeitar Não há erro Erro tipo II Situação Probabilidade de um erro do Tipo I = 𝛼 = Nível de Significância 1 - 𝛼 = Nível de Confiança Testando a significância estatística individual de cada parâmetro da regressão Significado de 𝜶 A abordagem clássica do teste de hipóteses consiste em fixar 𝜶 em níveis como 0,01 ; 0,05 e 0,1. 35 Testando os parâmetros 𝜷𝟏e 𝜷𝟐 Teste t de Student RETOMANDO O EXEMPLO DA DEMANDA DE FRANGO XXY 22110 36 O teste de hipóteses do tipo t-Student, utilizado para esta finalidade, vai verificar se cada parâmetro da regressão, de forma individual, é igual a zero XXY 22110 0 0 Se = 0 1 A variável X1 não estaria explicando as variações da variável Y Se = 0 2 A variável X2 não estaria explicando as variações da variável Y Retomando o exemplo da demanda de frango testando significância estatística individual dos parâmetros 37 15,461 -12,032 0,00282 3 x 1 e' e = 1,78 n - p = 9 - 3 = 6 s2= 1,78/6 = 0,296 2,31 -1,86319422 -0,00030990 -1,86319422 1,98 0,00017065 -0,00030990 0,00017065 0,00000006 3x3 Var-Cov Par. = Estimativa da variância dos resíduos Var (𝜷𝟎) = 2,31 Var (𝜷𝟏) = 1,98 Var (𝜷𝟐) = 0,00000006 𝒔𝜷𝟎= 1,52 𝒔𝜷𝟏= 1,408 𝒔𝜷𝟐= 0,00024 Resumo dos resultados 𝛽 = Retomando o exemplo da demanda de frango 38 1o) Estabelecer as hipóteses 2o) Calcular valor da estatística t 3o) Estabelecer o intervalo de aceitação G.L. = 9 - 3 = 6 Alfa = 0,01 tcrítico = 3,707 tabelado 54,8 408,1 032,12 ^ ^ 1 1 s tcalc 𝐻0: 𝛽1 = 0 𝐻𝐴: 𝛽1 ≠ 0 Retomando o exemplo da demanda de frango Testando o parâmetro Beta 1 (teste t): 39 Testando a significância estatística individual de cada parâmetro da regressão: consultando valores críticos na tabela ⋮ ⋮ ⋮ ⋮ ⋮ Valores de 𝜶 para teste bicaudal GL da SQR n - p 40 tcalculado está fora do intervalo de aceitação, portanto, rejeita-se H0, concluindo que o parâmetro Beta 1 é estatisticamente significativo a 1% 3,707- 3,707 Retomando o exemplo da demanda de frango 41 1o) Estabelecer hipóteses 2o) Calcular valor da estatística t 3o) Estabelecer o intervalo de aceitação G.L. = 9 - 3 = 6 Alfa = 0,01 tcrítico = 3,707 tabelado 75,11 00024,0 00282,0 ^ ^ 2 2 s t calc 𝐻0: 𝛽2 = 0 𝐻𝐴: 𝛽2 ≠ 0 Retomando o exemplo da demanda de frango Testando o parâmetro Beta 2 (teste t): 42 tcalculado está fora do intervalo de aceitação, portanto, rejeita-se H0, concluindo que o parâmetro Beta 2 é estatisticamente significativo a 1% 3,707- 3,707 Retomando o exemplo da demanda de frango 43 Teste de hipóteses do tipo t-Student Regra prática para a tomada de decisão: Se 𝑡𝑐𝑎𝑙𝑐𝑢𝑙𝑎𝑑𝑜 > 𝑡𝑡𝑎𝑏𝑒𝑙𝑎𝑑𝑜 Rejeita-se H0 concluindo que o parâmetro em questão é estatisticamente significativo, ao nível de signicância considerado para consultar o valor crítico na tabela. DISTRIBUIÇÃO SIMÉTRICA AO REDOR DE ZERO 44 A qualidade do ajustamento da regressão - R2 • Uma boa equação de regressão é aquela que ajuda a explicar uma grande proporção da variação de Y. • Resíduos grandes implicam que a adequação é ruim, enquanto resíduos pequenos implicam que ela é boa. Dividir a variação de Y em duas partes: • (i) uma parte explicada pela equação de regressão • (ii) outra não explicada pelo modelo (termo de erro) 45 Y A qualidade do ajustamento da regressão - R2 ^ Y i Y i representa o valor amostral (observado) representa o valor previsto (pela regressão estimada) representa o valor médio (esperado) de Y ^ Y i Y Y i 46 A qualidade do ajustamento da regressão - R2 )()() ^^ ( YY YYYY iiii )( 2 YY i )( ^ 2 YY ii )( ^ 2 YY i = + variação total de Y variação residual de Y variação explicada de Y SQTot SQRes SQReg= + 47 A qualidade do ajustamento da regressão - R2 O coeficiente de determinação R2 (R-squared) é utilizado para medir quanto da variação total de Y é explicada pela regressão (por variações de X), ou seja, mede a qualidade do ajustamento do modelo. A definição é dada por: SQTot sSQ SQTot gSQ R Re 1 Re2 0 < R2 < 1 48 A qualidade do ajustamento da regressão - R2 YnYYSQTot 2 ' YXYYeesSQ ''''Re ^ YnYYgSQ 2 ^^ 'Re Em notação matricial tem-se: 49 A qualidade do ajustamentoda regressão - R2 Outro indicador útil, principalmente para comparações entre modelos, é o R2 ajustado. Ele recebe este nome, pois se faz um ajustamento de SQRes e de SQTot quanto aos graus de liberdade da respectiva variação: )1( )( Re 1 2 n SQTot pn sSQ R Quanto maior o número de variáveis X, maior é o valor de R2, mas para o R2 ajustado esta regra não vale. Para evitar a inclusão equivocada de variáveis explicativas é que se usa o R2 ajustado. A inclusão de uma variável irrelevante poderá elevar o valor de R2, mas não necessariamente elevará o valor de R2 ajustado. Obs: Se R2 for muito diferente do R2ajustado, isto aponta certa inconsistência do modelo. 50 Retomando o exemplo da demanda de frango Cálculo do R2: 6 78,1 39 'Re ee pn sSQ YnYYgSQ 2 ^^ 'Re YnYYSQTot 2 ' = 2.963,0435 – 9 (315,26) = 125,7057 = 2.964,82 – 9 (315,26) = 127,48 R2 = 125,71/127,48 = 0,99 Cálculo do R2 ajustado: = 0,2961 19 48,127 1 n SQTotal = 15,94 R2Ajust =1-(0,296/15,94) = 0,98 51 IMPORTÂNCIA DO R2 Mede a qualidade do ajustamento da regressão Não deve ser exclusivamente utilizado como base para a tomada de decisão sobre o modelo Exemplo: quando se trabalha com dados em corte transversal e amostras grandes, os valores podem ser bastante dispersos, fazendo muitas vezes com que o valor do R2 seja bem baixo Isto não é motivo para descartar o modelo, é mais importante considerar os resultados do testes t e F 52 Análise da significância global do modelo (teste F) • Outro indicador da qualidade do ajuste da regressão é o Teste F, através do qual se procura saber se o modelo tem suporte estatístico. Este é conhecido como o teste de significância global da regressão, o qual procura responder se os X’s em conjunto explicam Y de forma significativa. • A hipótese nula é de que todos os parâmetros em conjunto são nulos, sendo que a hipótese alternativa prevê que pelo menos um dos parâmetros não seja nulo 53 Análise da significância global do modelo (teste F) 54 Retomando o exemplo da demanda de frango 84,211 2967,0 855,62 6 78,1 2 71,125 Re 1 Re pn sSQ p gSQ F calc Ftab 2,6 = 10,9 Fcalc > Ftab Rejeita-se H0, concluindo que o modelo é estatisticamente significativo a 1% 55 Retomando o exemplo da demanda de frango ⋮⋮ ⋮ Dist. assimérica com calda positiva ESTIMANDO MODELO ECONOMÉTRICO NO GRETL 56 http://ricardo.ecn.wfu.edu/pub/gretl/gretl_install.exe 57 Exemplo Numérico – Equação de Demanda de Frango • Estimar a equação de demanda de carne de frango no Brasil em função do preço do frango e da renda, de acordo com os dados da Tabela abaixo: Obs Ano Qf Pf R 1 1989 12,4 0,92 2893 2 1990 13,4 0,88 3042 3 1991 15 0,66 2617 4 1992 16 0,6 2526 5 1993 17 0,55 2892 6 1994 18,5 0,52 3675 7 1995 22,5 0,5 4602 8 1996 22 0,6 4738 9 1997 23 0,5 4739 Fonte: Santana (2003) 58 Exemplo da demanda de frango Implementação no GretL O primeiro passo para implementação no GretL é montar uma planilha com os dados em Excel, a qual será posteriormente importada para o GretL. Esta planilha deve ser salva em Office 2003 (“Pasta de Trabalho do Excel 97-2003”), com um nome curto e simples, e deve conter apenas os dados a serem importados, conforme exemplificado a seguir 59 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Preparar a planilha no Excel da mesma forma que preparamos para o Eviews, ou seja, somente com dados, desde a primeira linha e coluna, e salvar em Office 2003 Demanda de frango 60 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Dê um duplo click no ícone do GretL 61 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Abrirá esta janela 62 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Clicar em Arquivo Abrir Dados Importar Excel... 63 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL O GretL automaticamente abre uma janela para você localizar a planilha nas suas pastas... 64 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Ao localizar (e dar um duplo click no nome) aparecerá esta janela para você especificar coluna e linha iniciais, e também a planilha dentro do arquivo. Dê um OK 65 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL No caso deste exemplo que estamos utilizando, os dados são datados, trata-se de uma série temporal. Então, clicar em Sim. APARECERÁ ESTA JANELA... 66 QUANDO OS DADOS FOREM UMA SÉRIE TEMPORAL... Marcar Série Temporal e Avançar ESTIMANDO MODELO ECONOMÉTRICO NO GRETL 67 QUANDO OS DADOS FOREM UMA SÉRIE TEMPORAL... Marcar a frequência e Avançar ESTIMANDO MODELO ECONOMÉTRICO NO GRETL 68 QUANDO OS DADOS FOREM UMA SÉRIE TEMPORAL... ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Especificar a data da observação inicial e Avançar 69 QUANDO OS DADOS FOREM UMA SÉRIE TEMPORAL... Clicar em OK ESTIMANDO MODELO ECONOMÉTRICO NO GRETL 70 Variáveis Esta é a janela com os dados já importados para o GretL Para estimativa dos parâmetros Clicar neste Beta ESTIMANDO MODELO ECONOMÉTRICO NO GRETL 71 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Clicar na variável dependente e depois na seta azul Acrescentar cada uma das variáveis independentes 72 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Janela da equação estimada 73 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Para guardar a equação estimada como um dos ícones na sessão de ícones, clicar em: Arquivo Guardar para sessão como ícone (i) 74 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Clicar aqui para abrir a sessão de ícones 75 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Sessão de ícones O GretL chamou o modelo estimado de Modelo 1 Podemos alterar o nome do modelo... 76 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Basta clicar com a direita sobre o ícone para mudar o nome do modelo 77 ESTIMANDO MODELO ECONOMÉTRICO NO GRETL Interpretando os resultados Parâmetros estimados Teste t Teste F R2 78 Teste t – Saída dos Programas 1. Para testar a significância estatística individual de cada parâmetro: teste de hipóteses do tipo t-Student 𝐻0: 𝑜 𝑝𝑎𝑟â𝑚𝑒𝑡𝑟𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛ã𝑜 é 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝐻𝐴: 𝑜 𝑝𝑎𝑟â𝑚𝑒𝑡𝑟𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 é 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 Na saída dos programas, olhar o valor p e multiplicar por 100 𝑆𝑒 𝟎 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟏: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 1% 𝑆𝑒 𝟏 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟓: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 5% 𝑆𝑒 𝟓 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟏𝟎: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 10% 79 2. Para testar a significância estatística global do modelo: teste de hipóteses do tipo F 𝐻0: 𝑜 𝑚𝑜𝑑𝑒𝑙𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 𝑛ã𝑜 é 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝐻𝐴: 𝑜 𝑚𝑜𝑑𝑒𝑙𝑜 𝑒𝑠𝑡𝑖𝑚𝑎𝑑𝑜 é 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 Na saída dos programas, olhar o valor p e multiplicar por 100 𝑆𝑒 𝟎 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟏: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 1% 𝑆𝑒 𝟏 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟓: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 5% 𝑆𝑒 𝟓 < 𝒑 × 𝟏𝟎𝟎 ≤ 𝟏𝟎: 𝑒𝑠𝑡𝑎𝑡𝑖𝑠𝑡𝑖𝑐𝑎𝑚𝑒𝑛𝑡𝑒 𝑠𝑖𝑔𝑛𝑖𝑓𝑖𝑐𝑎𝑡𝑖𝑣𝑜 𝑎 10% Teste F – Saída dos Programas 80 ESTIMANDO MODELO ECONOMÉTRICONO GRETL Ao fechar a janela o programa pergunta se deseja gravar (salvar) a sessão Clicar em “Sim” e localizar a pasta para salvar
Compartilhar