Hipóteses do Modelo de Regressão Linear Clássico · PDF...

20
Hipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências Econômicas Departamento de Economia ECO 166 Introdução à Econometria

Transcript of Hipóteses do Modelo de Regressão Linear Clássico · PDF...

Page 1: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipóteses do Modelo de

Regressão Linear Clássico

Gervásio F. Santos

Universidade Federal da Bahia

Faculdade de Ciências Econômicas

Departamento de Economia

ECO 166 – Introdução à Econometria

Page 2: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Propriedades dos estimadores de MQO

• As estimativas de βj , com base na amostra de yj e xj, podem ser

utilizadas para fezer análises (ou inferências) sobre a popualção

• Um estimador de βj precisa ter algumas propriedades estatísticas

desejáveis:

Não viesado

Eficiente (variância mínima)

Consistente

• As hipóteses do modelo de regressão linear clássico garantem que

essas propriedades sejam mantidas

• A violação de alguma das hipótese acarretará na perda de algumas

dessas propriedades

• Neste caso, procedimentos ou métodos alternativos ao MQO podem

ser aplicadas para que as propriedades sejam mantidas

^

Page 3: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Propriedades estatísticas dos estimadores

de MQO

• Não viesado

• Eficiente (variância mínima)

• Consistente

jjE ββ )(^

)()( _

^^

jkqualquerj VarVar ββ

jjp ββ )lim(^

Page 4: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipóteses do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC1: Linearidade nos parâmetros:

yi = β0 + β1x1i + ui

• HRLC2: Amostragem aleatória

n observações de {(x1i , yi): i = 1, 2, ….., n}

• HRLC3: Média condicional zero

E(u/x1i) = 0

Page 5: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipóteses do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC4: Variância Amostral na variável independente

… na amostra, as variáveis xi, i=1,...,n não são todas iguais a uma mesma constante, logo x varia na população

Se HRLC1-HRLC4 -> estimadores não viesados

• HRLC5: Homocedasticidade:

Existem n observações de {(x1i, yi): i = 1, 2, ….., n}

• HRLC6: Normalidade

O erro populacional u é independente das variáveis explicativas e u~N(0, σ2)

Page 6: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 1 do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC1: Linearidade nos parâmetros:

yi = β0 + β1x1i + ui

• Funções lineares nos parâmetros

yi = β0 + β1x1i + β2x2

2i (Quadrática)

yi = e{β1x1i + β2x2i} ( Exponencial)

yi = β0 + β1x1i + β2x2

2i + β3x3

3i + ui (Cúbica)

yi = β0 x1i β1x2i

β2ui (Cobb-Douglas)

yi = β0 x1i β1x2i

β2eui (Cobb-Douglas)

Yi = A[δKi-β + (1-δ)Li

-β]-1/β (não linear) (CES)

Page 7: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 2 do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC2: Amostragem aleatória

n observações de {(x1i , yi): i = 1, 2, ….., n}

x, y e u são variáveis aleatórias

… em alguns casos a aleatoriedade da amostra é violada e

métodos alternativos de estimaçao (correção) precisam ser

aplicados

Page 8: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 3 do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC3: Média condicional zero

E(u/x1i) = 0

… esta hipótese permite que os estimadores sejam não viesados

• x é considerado fixo em amostras repetidas….

...Escolhe-se n valores amostrais para cada variável x, que podem, inclusive, ser repetidos. Dados esses valores de x, escolhe-se uma amostra de y. O processo resulta em uma amostra aleatória de u. Utilizando os mesmos valores de x (são fixados), obtém-se uma outra amostra de y ….e assim por diante…

Page 9: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 4 do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC4: Variância Amostral na variável independente

… na amostra, as variáveis x1i, i=1,...,n não são todas iguais a

uma mesma constante, logo x varia na população

.....Se x não variar o estimador βj não poderá ser calculado

n

i

i xx1

_

11 0)(

n

i

i

i

n

i

i

xx

yyxx

1

2_

11

__

1

1

1^

1

)(

))((

β

Page 10: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

em termos de coeficientes populacionais e

dos erros

i

n

i

i

x

x

i

n

i

ixx

x

i

n

i

ii

n

i

ix

x

i

n

i

ii

n

i

i

n

i

i

x

i

n

i

ii

n

i

i

n

i

i

x

ii

n

i

i

x

i

n

i

i

n

i

i

i

n

i

i

udSQT

SQT

uxxSQTSQT

SQT

uxxxxxxSQT

SQT

uxxxxxxx

SQT

uxxxxxxx

SQT

uxxx

SQT

yxx

xx

yyxx

1

1

^

1

_

1

10^

1

_

1

__

1

10^

1

_

1

_

1

1

_

1

0^

1

_

1

1

_

1

0

_

10

^

1

10

_

1

_

1

1

2_

__

1^

1

1

)(

)()()(

)()()(

)()()(

))(()(

)(

))((

ββ

ββ

β

ββ

β

ββ

β

ββ

ββ

ββ

β

^

Page 11: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Teorema: inexistência de viés em MQO

• Sob as hipóteses 1 a 4:

1

^

1

1

1

^

1

1

1

^

1

1

1

1

1

^

1

)(

0.1

)(

)(1

)(

1)(

1)(

ββ

ββ

ββ

βββ

E

dSQT

E

uEdSQT

E

udSQT

EEudSQT

EE

n

i

i

x

i

n

i

i

x

i

n

i

i

x

i

n

i

i

x

?)(^

jjE ββ

E(ui/x1i)=E(ui)=0

Page 12: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Teorema: inexistência de viés em MQO

• Sob as hipóteses 1 a 4:

0

^

0

^

11

_

__^

110

^

0

__^

110

^

0

_^

1

__

10

^

0

_^

1

_^

0

)(

0)(__0)(_

)()()(

)(

ββ

ββ

ββββ

ββββ

ββββ

ββ

E

EeuEComo

uExEE

ux

xux

xy

?)( 0

^

0 ββ E

Page 13: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Exemplo 2.12 Efeito de um programa governamental de merenda escolar sobre a

porcentagem de alunos do primeiro ano do ensino médio aprovados em

um exame de matemática (MEAP93.RAW).

mate10 = β0 + β1prgalm + u

_cons 31.37569 1.035011 30.31 0.000 29.34061 33.41077 prgalm -.2940271 .0363079 -8.10 0.000 -.3654172 -.222637 mate10 Coef. Std. Err. t P>|t| [95% Conf. Interval]

Total 39871.1492 380 104.924077 Root MSE = 9.4701 Adj R-squared = 0.1453 Residual 33989.7372 379 89.682684 R-squared = 0.1475 Model 5881.41198 1 5881.41198 Prob > F = 0.0000 F( 1, 379) = 65.58 Source SS df MS Number of obs = 381

. reg mate10 prgalm

• Sinal não esperado para o parâmetro e provável correlação entre o termo de

erro e a variável prgalm

• Que outros fatores afetam a aprovação no exame de matemática? (Pense!)

Código Stata

Page 14: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 5 do MRLC

Dado o modelo: yi = β0 + β1x1i + ui

• HRLC5: Homocedasticidade

Essa hipótese implica que o método MQO tenha certas propriedades de

eficiência a partir do suposto de que a variância do termo de erro é

constante.

Var(u/x) = [E(u2/x)] – [E(u/x)2]

Var(u/x) = E(u2/x)

Var(u/x) = E(u2)= σ2

• σ2 é a variância não condicional de u e também é chamada de

variância do erro.

• é o erro padrão. Se σ for grande, sigifica que a distribuição

dos fatores não observáveis que afetam y é dispersa

σσ 2

Page 15: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 5 do MRLC

• Se a Var(u/x) = f(y/x) o termo de erro é considerado

heterocedástico (variância não constante)

• Ex.: função consumo (dependendo da renda)

23

45

67

0 .2 .4 .6 .8 1x

Fitted values y

Page 16: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 5 do MRLC

Variância dos estimadores de MQO

x

x

x

n

i

i

x

i

n

i

i

x

i

n

i

i

x

i

n

i

i

x

i

n

i

i

x

SQTVar

SQTSQT

Var

uVarqueSendodSQT

Var

uVardSQT

Var

udVarSQT

Var

uEdSQT

Var

uEdSQT

2^

1

2

2^

1

22

2

1

2^

1

2

1

2^

1

1

2^

1

2

1

1

^

1

^

1

1

1

^

1

)(

1)(

)(____1

)(

)(1

)(

)(1

)(

)(1

)()(

)(1

σβ

σβ

σσβ

β

β

βββ

ββ

Page 17: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Hipótese 5 do MRLC

Variância dos estimadores de MQO

Análise

• Quando maior a variância do erro, maior a variância do

estimador

• Quanto maior a variação na variável explicativa, menor a

variância do estimador

xSQTVar

2^

1)(

σβ

x

n

i

i

SQT

n

x

Var

1

2

2

^

0 )(

σ

β

Page 18: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Estimativa da variância do erro σ

)2()2(

:

)_)2_(___(0.__0:

______,___

:__

_____,

______,_,)(

1

^

2^

2

1

^

1

^

^

1

^2

1

2

2

222

n

SQR

n

u

σ

σ

glnrestariamsóuxeu

restrçõesduassatisfazerprecisaupoisviesadoén

SQRMas

n

SQR

n

u

seriaaalternativUma

uconhecemosnãomasn

u

seriadevisesadonãoestimadorumLogouE

n

i

i

n

i

ii

n

i

i

i

n

i

i

i

n

i

i

_viesado_denãoEstimador_

Restrições

σ

σσ

Em termos de média

populacional

Em termos de média

Amostral

Exercício

Demonstrar o teorema 2.3

Estimação não-viesada de σ2.

Page 19: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Estimação não-viesada da

Substituindo

)(__)(^

1

^

1 ββ epeVar

2^2 __ σσ por

x

x

n

i

SQTep

SQTVardaEstimador

EPR

n

SQR

n

u

daEstimador

2^^

1

^

1

2^^

1

^

1

2^^

1

2^

2^2

)(_:_

)(_:__

:)_(

)2()2(:)_(__

σββ

σββ

σσ

σσ

adoro_do_estimErro_padrã

ordo_estimad_variâcia_

ssãoo_da_regreErro_padrã

do_errovariância_

.. O mesmo vale para

o estimador de β0

Page 20: Hipóteses do Modelo de Regressão Linear Clássico · PDF fileHipóteses do Modelo de Regressão Linear Clássico Gervásio F. Santos Universidade Federal da Bahia Faculdade de Ciências

Nota: regressão pela origem

n

i

i

n

i

ii

n

i

ii

n

i

i

n

i

x

yx

parasolvendo

xyx

CPOeseguasatisfazerprecisaDerivando

xySQRu

somaeseguaimizardeveMQOmétodoO

xy

1

2

1~

1

~

1

1

~

1

~

1

1

2~

1

1

2^

~

1

_

:___Re

0)(

:_int_____

)(

:_int__min____

β

β

β

β

β

β