Baixe o app para aproveitar ainda mais
Prévia do material em texto
AN02FREV001/REV 4.0 63 PROGRAMA DE EDUCAÇÃO CONTINUADA A DISTÂNCIA Portal Educação CURSO DE ECONOMETRIA Aluno: EaD - Educação a Distância Portal Educação AN02FREV001/REV 4.0 64 CURSO DE ECONOMETRIA Atenção: O material deste módulo está disponível apenas como parâmetro de estudos para este Programa de Educação Continuada. É proibida qualquer forma de comercialização ou distribuição do mesmo sem a autorização expressa do Portal Educação. Os créditos do conteúdo aqui contido são dados aos seus respectivos autores descritos nas Referências Bibliográficas. AN02FREV001/REV 4.0 65 MÓDULO IV 5 USO DE VARIÁVEIS ESPECIAIS 5.1 USO DA VARIÁVEL TEMPO O tempo pode ser considerado como variável explicativa em um modelo econométrico. O tempo em si não constitui um elemento que possa influenciar no comportamento de um fenômeno e sim as mudanças que ocorrem ao longo do tempo que poderão ser importantes elementos explicativos. A variável tempo (T) em um modelo indica a existência de uma tendência de crescimento ou decrescimento da variável dependente. 5.2 VARIÁVEIS DUMMIES OU BINÁRIAS As variáveis dummies são muito utilizadas em Econometria Aplicada. Permitem distinguir o comportamento de um fenômeno em períodos de tempo com diversas características. AN02FREV001/REV 4.0 66 5.2.1 Conceito e objetivos Variável Dummy ou Binária: também chamada de artificial ou binária, indica a ocorrência ou não de um fenômeno ou mesmo presença e ausência. Geralmente assumem dois valores: 1, indica uma situação e 0, indica outra situação. São exemplos: efeitos temporais, como mudança de estações; efeitos de variáveis qualitativas, como sexo, cor, nacionalidade, estado civil, etc. 5.2.2 Incorporar variáveis binárias ao modelo Uma variável poderá ser incorporada ao modelo na forma aditiva, multiplicativa ou mista. a) Forma Aditiva: ocorre quando a mudança temporal ou a condição altera apenas o termo constante do modelo, a variável será incorporada aditivamente. AN02FREV001/REV 4.0 67 FIGURA 10 FONTE: MATOS (1995, pág. 109). b) Forma Multiplicativa: é utilizada quando ocorre mudança na capacidade de gerar efeito de uma ou mais variáveis explicativas do modelo. AN02FREV001/REV 4.0 68 FIGURA 11 FONTE: MATOS (1995, pág. 109) c) Combinação das Formas Aditiva e Multiplicativa: é utilizada quando ocorre mudança na capacidade de gerar efeito de uma ou mais variáveis explicativas do modelo. FIGURA 12 FONTE: MATOS (1995, pág. 109). AN02FREV001/REV 4.0 69 5.3 EXEMPLOS NUMÉRICOS DO USO DE VARIÁVEIS ESPECIAIS 5.3.1 O tempo como variável explicativa Exemplo 1: Com os dados do Produto Interno Bruto (Y) constantes na base dos dados da tabela abaixo e o uso da variável tempo (t) (1,2,3,...,10) calcular a taxa de crescimento de Y. Tabela – Consumo Total (C), produto interno bruto (Y) e fluxo líquido de ativos não monetários (A) – 1978 a 1987. Ano 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 C 8,3 9,0 9,8 9,2 9,5 9,3 9,6 10,2 11,1 10,9 Y 10,6 11,3 12,4 11,9 11,9 11,5 12,1 13,1 14,1 14,6 A 0,37 0,22 -0,57 0,93 0,85 0,97 0,63 1,38 -0,72 3,75 FONTES: IBGE e FGV Solução: A taxa de crescimento de uma variável por unidade de tempo pode ser calculada pela relação Y = f(t) na forma exponencial: tLnBLnALnYouABY t )( aplicando o logaritmo neperiano. A estimação gera a seguinte equação: 966,25)10,5()50,67( 765,0286,03518,2ˆ 2 F RtYLn AN02FREV001/REV 4.0 70 Calculando-se o antilogaritmo, tem-se: tY 290,1*5045,10ˆ A taxa de crescimento será, então, g = (1,290 – 1) ou 29,0%. 6 MULTICOLINEARIDADE Grande parte dos dados utilizados para estimar relações econômicas são não experimentais. Dessa forma, muitas variáveis econômicas podem ser influenciadas pela multicolinearidade. Multicolinearidade refere-se à correlação entre duas variáveis explicativas ou entre uma delas e as demais incluídas na equação de um modelo. Significa que a multicolinearidade ocorre quando, por exemplo, duas variáveis x1 e x2 medem aproximadamente a mesma coisa, ou seja, a correlação entre elas é quase perfeita. Uma forma simples de detectar relações colineares é utilizar o coeficiente de correlação amostral entre os pares de variáveis explicativas. Comumente, um coeficiente de correlação entre duas variáveis explicativas, superior a 0,80 ou 0,90 em valor absoluto indica forte associação linear e uma relação de colinearidade prejudicial. Quanto à correlação é alta, a eficiência dos parâmetros estimados diminui e em consequência disso, a variância da estimativa aumenta. A multicolinearidade é tratada através da análise de três casos: 1) Ausência de multicolinearidade: ocorre quando a correlação entre as variáveis explicativas é nula. Essa é a situação ideal. AN02FREV001/REV 4.0 71 2) Multicolinearidade Perfeita: nesse caso, a correlação entre as variáveis explicativas é igual a 1 ou -1. O cálculo das estimativas dos parâmetros é matematicamente impossível nessas circunstâncias. 3) Multicolinearidade Imperfeita: ocorre quando a correlação entre as variáveis está entre 0 e 1 ou -1 e 0. Esse é o caso mais comum. 6.1 INDICADORES DA PRESENÇA DE MULTICOLINEARIDADE 1) Ocorrência de valores próximos de 1 ou -1, para os valores de coeficiente de correlação linear que é calculado da seguinte forma: 2,1, )()( ))(( 1 22 1 , ji xxxx xxxx r n k jkjiki n k jkjiki ji ou mais precisamente 22 , * ji ji ji xx xx r 6.2 DIAGNÓSTICOS DAS MULTICOLINEARIDADE O diagnóstico da multicolinearidade pode ser feito de várias formas. Geralmente, as consequências mais prejudiciais são: a) Ocorram não significâncias de variáveis explicativas com sinais incorretos para algumas delas, ainda que R2 seja elevado; AN02FREV001/REV 4.0 72 b) Aumento da correlação simples entre as variáveis explicativas; c) Inconsistência dos parâmetros estimados, podendo ser devido ao tamanho da amostra e adição ou omissão de variáveis ao modelo; d) O determinante da matriz de coeficientes com tendência a valores próximos de zero; A forma mais comum de diagnosticar a multicolinearidade é constatar que nenhuma das variáveis explicativas é estatisticamente explicativa. Alguns testes são feitos para detectar a multicolinearidade. São eles: Estatística de FARRAR e GLAUBER que é definida pela seguinte fórmula: 1 ...1 ...1 det* )52(6 1 1 21 221 112 2 kk k k rr rr rr Ln k nX Onde: n = tamanho da amostra; k = número de variáveis explicativas; Ln = logaritmo neperiano; det = determinante ri,j = coeficiente de correlação simples entre Xi e Xj, isto é, 22 , * ji ji ji xx xx r A Estatística X2 tem distribuição qui-quadrado com [k(k-1)]/2 graus de liberdade. AN02FREV001/REV 4.0 73 6.3 TRATAMENTO DA MULTICOLINEARIDADE A solução da multicolinearidade dependerá de vários fatores como a extensão do problema, disponibilidade de outras fontes de dados (amostras maiores), importância das variáveis multicolineares e de outras considerações. Quando os coeficientes estimados são seriamente afetados pela multicolinearidade, é preciso encontrar a solução mais adequada. A multicolinearidade não é um problema de simples solução, e os procedimentos para sua correçãodevem estar bem fundamentados. Alguns procedimentos são: aumentar o tamanho da amostra, usar informações a priori sobre o valor da estimativa dos parâmetros e exclusão das variáveis colineares. É importante ressaltar que a exclusão de variáveis explicativas tentando diminuir a multicolinearidade poderá acarretar erros de especificação, se a variável for importante. 6.4 MEDIDAS CORRETIVAS PARA RESOLVER O PROBLEMA DA MULTICOLINEARIDADE 1) Aumentar os dados com novas observações especialmente planejadas, visando corrigir eventuais dependências que foram verificadas entre as variáveis do modelo. Essa recomendação nem sempre é aplicada devido aos custos ou restrições técnicas. 2) Recorrer a testes mais robustos. AN02FREV001/REV 4.0 74 7 AUTOCORRELAÇÃO 7.1 CONCEITO As variáveis que apresentam correlação ao longo do tempo são denominadas autocorrelacionadas. Autocorrelação significa então, dependência temporal dos valores sucessivos dos resíduos. É considerado um dos problemas mais sérios em Econometria, pois em muitos modelos econométricos, o erro aleatório ei são variáveis autocorrelacionadas. FIGURA 13 FONTE: MATOS (1995, pág. 134). AN02FREV001/REV 4.0 75 7.2 FONTES DE AUTOCORRELAÇÃO São fontes de autocorrelação a omissão de alguma variável importante, a má especificação da forma matemática e do termo aleatório e ajustes imperfeitos de observações específicas. As consequências dessas fontes de autocorrelação serão descritas abaixo: 1) Omissão de variável explicativa: como as variáveis econômicas são geralmente autocorrelacionadas, a omissão de uma ou mais variáveis explicativas refletirá nos resíduos, cujos valores tendem a ser autocorrelacionados. 2) Má especificação da forma matemática: dependendo da estrutura dos dados, é necessário realizar uma análise exploratória dos dados para que assim o modelo mais apropriado ao estudo seja escolhido. 3) Ajuste imperfeito das séries estatísticas: muitos dados publicados contêm interpolações ou suavização, as quais poderão tornar as disturbâncias aleatórias correlacionadas entre si ao longo do tempo. 7.3 DIAGNÓSTICO DA AUTOCORRELAÇÃO E CORREÇÃO DO PROBLEMA O diagnóstico da autocorrelação é relativamente fácil. A literatura indica dois testes que foram propostos por Durbin e Watson (1951) e por Godfrey (1978 e 1987). Uma vez diagnosticada a autocorrelação, é possível eliminar seus efeitos por meio de transformações das variáveis. AN02FREV001/REV 4.0 76 Para a correção da autocorrelação três métodos destacam-se: a estimativa de Cochrane-Orcutt; método de dois estágios de Durbin e método das primeiras diferenças. 8 HETEROCEDASTICIDADE No estudo de um modelo econométrico, deseja-se que a variância dos resíduos gerados pela estimação do modelo seja constante. Se isso acontece, o pressuposto de homocedasticidade é satisfeito. Quando esse pressuposto é violado, a variância dos resíduos não é constante e ocorre a heterocedasticidade. A presença de heterocedasticidade na estimação do modelo pelo método dos mínimos quadrados gera parâmetros não eficientes, acarretando erro em todas as análises. A existência de variâncias diferentes ou heterocedasticidade ocorre frequentemente em dados de corte transversal definido anteriormente. Por outro lado, a heterocedasticidade não ocorre apenas em dados de corte transversal, com dados de séries temporais (dados ao longo do tempo) também é possível que ocorra. Há diversos testes para detectar a presença ou ausência de heterocedasticidade. Os mais comuns são os propostos por: Goldfeld Quandt (1965), mais apropriado para grandes amostras; Park (1966); Glejser (1969); e Pesaran (1987), tem a vantagem de ser um teste simples. Não serão apresentados os cálculos das estatísticas. A figura (a) abaixo ilustra um caso em que a variância é constante, ou seja, presença de homocedasticidade. AN02FREV001/REV 4.0 77 FIGURA 14 FONTE: MATOS (1995, pág. 148) A relação entre consumo ( C ) e renda disponível (Y) na figura (b) abaixo é um exemplo clássico de dispersão de resíduos diretamente correlacionada à variável explicativa. A ocorrência se deve pela hipótese de que os valores do consumo ( C ) e consequentemente dos resíduos da equação estimada, aumente com o nível de renda disponível. FIGURA 15 FONTE: MATOS (1995, pág. 148). AN02FREV001/REV 4.0 78 A relação inversamente proporcional entre a dispersão dos resíduos e a variável explicativa pode ser ilustrada pela equação de regressão da taxa de rentabilidade (R) sobre o tamanho da empresa (T) conforme figura (c) abaixo. Isso ocorre em virtude da variância da taxa de rentabilidade e, também dos resíduos decresceram com o aumento do porte da empresa. FIGURA 16 FONTE: MATOS (1995, pág. 148). AN02FREV001/REV 4.0 79 9 EXERCÍCIOS – MÓDULO IV 1) De que forma se pode considerar o efeito da mudança do tempo na especificação de um modelo econométrico? __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ 2) O que você entende por variáveis binárias ou dummies? __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ __________________________________________________________ AN02FREV001/REV 4.0 80 __________________________________________________________ __________________________________________________________ 3) O que é multicolinearidade e quais as suas consequências? _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ 4) O que você entende por autocorrelação? _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ __________________________________________________________________________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ AN02FREV001/REV 4.0 81 5) Quais as fontes mais comuns de autocorrelação? _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ _____________________________________________________________ AN02FREV001/REV 4.0 82 REFERÊNCIAS BIBLIOGRÁFICAS GUJARATI, Domodar N. Econometria Básica. 5. ed. Porto Alegre: AMGH, 2011. HILL, R. Carter; GRIFFITHS, William E.; JUDGE, George G. Econometria. 2. ed. São Paulo: Saraiva, 2003. MATOS, Orlando Carneiro de. Econometria Básica – Teoria e Aplicações. São Paulo: Atlas, 1995. DIAGRAMA DE DISPERSÃO. Disponível em: <http://www.econometricsociety.org/>. Acesso em: 11 fev. 2013. FIM DO CURSO
Compartilhar