Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO TOCANTINS CÂMPUS DE PALMAS CURSO DE CIÊNCIAS ECONÔMICAS ECONOMETRIA II AMANDA VARGAS LIRA Resumo: Introdução à Econometria - Uma Abordagem Moderna (Caṕıtulo X) Palmas - TO 2021 1 Análise de regressão básica com dados de séries temporais 1.1 A natureza dos dados das séries temporais Os dados de séries temporais possuem uma ordenação temporal, devemos saber que os dados de 1970 precedem imediatamente os dados de 1971. Para a análise dos dados de séries temporais nas ciências sociais devemos reconhecer que o passado pode afetar o futuro, mas o contrário não acontece. As séries econômicas satisfazem aos requisitos intuitivos de serem resultados de variáveis aleatórias, que por sua vez são variáveis não conhecidas previamente. Por exemplo, não sabemos qual será a taxa de crescimento anual da produção do Canadá no ano que vem. Formalmente, chamamos essas variáveis aleatórias indexadas pelo tempo de processo estocástico ou processo de série tempo- ral. O tamanho da amostra de um conjunto de dados de séries temporais é o número de peŕıodos de tempo nos quais observamos as variáveis de interesse. 1.2 Exemplos de modelos de regressão de séries temporais Esta seção apresenta dois exemplos de modelos de séries temporais que tÊm sido úteis na análise emṕırica e que são facilmente estimados por MQO. 1.2.1 Modelos estáticos Suponha dados de séries temporais dispońıveis para duas variáveis, y e z, e elas são dotadas contemporaneamente. O modelo estático que relaciona y a z é: yt = β0 + β1Zt + ut, t = 1, 2, ..., n. (1) “modelo estático”vem do fato de estarmos modelando uma relação contemporânea entre y e z. Normalmente, esse modelo é demandado quando se acredita que uma mudança em z no peŕıodo t afetará imediatamente y : ∆yt = β1∆zp quando ∆ut = 0. São usados também quando há interesse em conhecer a relação de trocas entre y e z. Por exemplo, a curva de Phillips estática: inft = β0 + β1unemt + up (2) onde: inft - taxa de inflação anual; unemt - taxa de desemprego. Essa forma de curva de Phillips pressupõe uma taxa natural de desemprego e expectativas in- flacionárias constantes, e pode ser usada para estudar a relação contemporânea entre inflação e desemprego. Podemos ter diversos variáveis explicativas em um modelo estocástico de regressão, por exemplo, um modelo estático de regressão múltipla que explica as taxas de homićıdios: mrdrtet = β0 + β1convrte1 + β2unemt + β3yngmlet + ut (3) Por este modelo, podemos estimar, por exemplo, o efeito ceteris paribus de um aumento na taxa de condenações sobre a atividade criminosa. 1.2.2 Modelos de defasagem distribúıda finita Neste modelo, permitimos que uma ou mais variáveis afetem y com defasagens. Por exemplo, para observações anuais considere o seguinte modelo: gfrt = α0 + δ0pet + δ1pet−1 + δ2pet−2 + up (4) onde: gfrt - taxa geral de fertilidade; 2 pet - valor real em dólares da dedução de impostos pessoais. A ideia é ver, se em termos agregados, a decisão de ter filhos está relacionada ao valor da dedução de impostos de ter uma criança. Por esse modelo, pode-se analisar que, tanto por motivos biológicos como comportamentais, a decisão de ter filhos não resulta imediatamente de mudanças na isenção de impostos. 1.2.3 Convenção sobre o ı́ndice temporal Quando os modelos tem variáveis explicativas defasadas, pode surgir alguma confusão relativa ao tratamento das observações iniciais. 1.3 Propriedades de amostra finita do MQO sob as hipóteses clássicas 1.3.1 Inexistência de viés do MQO A primeira hipótese estabelece que o processo da série temporal segue um modelo linear em seus parâmetros. 1ª Hipótese Linear nos parâmetros O processo estocástico {(Xt1, Xt2, ..., Xtk, Yt) : t = 1, 2, ..., n} segue o modelo linear yt = β0 + β1Xt1 + ...+ βkXtk + Ut, (5) Na notação xtj, t é o peŕıodo de tempo e j é o indicador de uma das k variáveis explicativas. Para estabelecer e discutir muitas das hipóteses restantes, presumimos que xt = (x1, xt2, ..., xtk) representa o conjunto de todas as variáveis independentes da equação em t. X representa o conjunto de todas as variáveis independentes de todos os peŕıodos de tempo. 2ª Hipótese Inexistência de colinearidade perfeita Na amostra, nenhuma variável independente é consistente ou é uma combinação linear perfeita das outras. Essa hipótese que as variáveis explicativas sejam correlacionadas, mas exclui a correlação perfeita na amostra 3ª Hipótese Média condicional zero Pra cada t, o valor esperado do erro ut, dadas as variáveis explicativas de todos os peŕıodos de tempo, é zero. Matematicamente, E(ut|X) = 0, t = 1, 2, ..., n. (6) Essa hipótese é crucial e precisamos de uma compreensão intuitiva de seu significado. Implica o erro no tempo t, nt, não correlacionado com cada variável explicativa em todos os peŕıodos de tempo. 1.3.2 As variâncias dos estimadores MQO e o teorema de Gauss-Markov São necessárias duas hipóteses para completar as hipoteses de Gauss-Markov para regressões de séries temporais 4ª Hipótese Homoscedasticidade Condicional em X, a variância de ut é a mesma para todo t: V ar(ut|X) = V ar(ut = σ2 t = 1,2, ..., n. 3 Esta hipótese significa que V ar(ut|X) não pode depender de X - é suficiente que ut e X sejam independentes - e que V ar(ut seja constante ao longo do tempo. Quando essa hipótese não se man- tem dizemos que os erros são heteroscedásticos. 5ª Hipótese Inexistência de Correlação Serial Condicional em X, os erros em dois peŕıodos de tempo diferentes são não correlacionados Corr(Ut, US|X) = 0, para todos t 6= s. A maneira mais fácil de entender essa hipótese é ignorar a condicionalidade em X. Então a Hipótese 5 passa a ser simplesmente Corr(ut, us) = 0, para todo t 6= s. (7) 1.3.3 Inferência sob as hipóteses do modelo linear clássico 6ª Hipótese Normalidade Os erros ut são independentes de X e são idêntica e independentemente distribúıdos como Normal (0, σ2 Essa hipótese implica que as hipóteses 3, 4 e 5, mas é mais forte em razão das hipóteses de independência e normalidade. 1.4 Forma funcional, variáveis dummy e números-́ındices Todas as formas funcionais ja aprendidas nos caṕıtulos anteriores podem ser usadas nas regressões de séries temporais, sendo o mais importante o logaritmo natural: regressões de séries temporais com efeitos percentuais constantes aparecem com frequência no trabalho aplicado. 1.5 Tendência e sazonalidade 1.5.1 Caracterização de séries temporais com tendência Muitas séries temporais econômicas têm uma tendência comum de crescer ao longo do tempo. Temos de saber reconhecer que algumas séries contêm uma tendência temporal , com o prpósito de obter inferência causal usando dados de séries temporais. Em muitos casos, dois processos de séries temporais parecem ser correlacionados somente porque ambos estão apresentando a mesma tendência ao longo do tempo, por causa de razões relacionadas com outros fatores não observados. 1.5.2 Usando variáveis de tendência na análise de regressão O fenômeno de descobrir uma relação entre duas ou mais variáveis explicativas com tendência, simplesmente em razão do fato de cada uma delas estar crescendo ao longo do tempo, é um exemplo de um problema de regressão espúria. A adição de uma tendência temporal elimina esse problema. Considere um modelo em que dois fatores observados, xt1 e xt2 afetem yt. Além disso, existem fatores não observados que estão crescendo ou decrescendo ao longo do tempo. O modelo abaixo demonstra isso yt = β0 + β1xt1 + β2xt2 + β3t + ut. (8) Este modelo se encaixa na estrutura da regressão linear múltipla com xt3 = t. A permissão para a tendência nessa equação é reconhecer explicitamente que yt, pode estar crescendo ou decrescendo ao longo do tempo, por razões essencialmente não relacionadas comxt1 e xt2 Se omitirmos t da regressão e regressando yt sobre xt1 e xt2 geralmente obteremos estimadores viesados de β1 e β2: efetivamente, omitimos uma variável importante, t, da regressão. Isso é verdade, especialmente se 4 xt1 e xt2 apresentarem tendência, pois podem ser altamente correlacionadas com t. 1.5.3 Interpretação sobre a retirada da tendência de regressões com a inclusão de uma tendência temporal A inclusão de uma tendência temporal em um modelo de regressão cria uma interpretação inte- ressante em termos da retirada da tendência da série de dados originais antes de usá-los na análise de regressão. Quando regredimos yt sobre xt1, xt2 et, obtemos a equação estimada ŷt = β̂0 + β̂1xt1 + β̂2xt2 + β̂3t (9) Se t for omitida da equação, não ocorrerá remoção da tendência, e yt poderá parecer relacionada com uma ou mais das variáveis xtj simplesmente porque cada uma contém uma tendência. Se o termo tendência for estatisticamente significante e os resultados mudarem de maneira importante quando uma tendência temporal for adicionada a uma regressão, os resultados iniciais sem uma tendência devem ser tratados com desconfiança. β̂1 e β̂2 mostram que é uma boa ideia incluir uma tendência na regressão se qualquer variável independente tiver uma tendência, mesmo se a variável yt não tiver. Se yt não tem uma tendência observável e xt1 está crescendo ao longo do tempo, então a exclusão de uma tendência da regressão pode fazer parecer que xt1 não tem efeito em yt. 1.5.4 Cálculo do R-Quadrado quando a variável dependente apresenta tendência Normalmente apresentam valores elevados em regressões de séries temporais. Os R-Quadrados usuais e ajustados de regressões de séries temporais podem ser artificialmente elevados quando a variável dependente apresentar uma tendência. Lembre-se de que R2 é uma medida de quão grande é a variável do erro em relação à variação de y. 1.5.5 Sazonalidade Quando uma série temporal é observada em intervalos mensais ou trimestrais, ela pode apresentar sazonalidade. Embora muitas apresentem, nem todas o fazem. Por exemplo, não existe padrão sazonal observável nas taxas mensais de juros ou de inflação. Séries que apresentam padrão sazonal, são frequentemente ajustadas sazonalmente antes de serem publicadas. Algumas vezes trabalhamos com dados não ajustados, e é bom sabermos que existem métodos simples para o tratamento da sazonalidade em modelos de regressão, geralmente podemos incluir um conjunto de variáveis dummy sazonais para explicar a sazonalidade nas variáveis. Séries temporais que exibem padrões sazonais também podem ter tendências, em cujo caso, devemos estimar um modelo de regressão com uma tendência temporal e variáveis dummy sazonais. As regressões podem ser interpretadas como regressão cujas séries tiveram tanto uma tendência como a sazonalidade removidas. 5 [1] Referências [1] Jeffrey M Wooldridge. Introdução à econometria. São Paulo: Thomson Learning, 2006. 6
Compartilhar