econometria
DESCRIPTION
Econometria. Propriedades assintóticas dos estimadores MQO Inferência para grandes amostras Teste de Wald e LM. Econometria. Multicolinearidade Testes de hipóteses no modelo de regressão linear Propriedades assintóticas dos estimadores MQO. Propriedades assintóticas. - PowerPoint PPT PresentationTRANSCRIPT
Econometria1. Propriedades assintóticas dos estimadores MQO2. Inferência para grandes amostras3. Teste de Wald e LM
Econometria1. Multicolinearidade2. Testes de hipóteses no modelo de regressão linearPropriedades assintóticas dos estimadores MQO
Propriedades assintóticasO número de resultados estatísticos exatos, tais
como o valor esperado ou a distribuição verdadeira, em muitos modelos é baixo.
Usualmente, utilizamos resultados aproximados com base no que se sabe do comportamento de determinadas estatísticas de grandes amostras.
ConvergênciaDefinições, tipos de convergência quando n
cresce:
1. Para uma constante; exemplo, a média amostral,
2. Para uma variável aleatória; exemplo, uma estatística t com n -1 graus de liberdade.
x
Convergência para uma constante
Convergência de uma variável aleatória
O que significa uma variável aleatória convergir para uma constante?
Convergência da variância para zero.
A variável aleatória converge para algo que não é aleatório.
Resultados de convergênciaConvergência de uma sequência de variáveis aleatórias para
uma constante
A média converge para uma constante e a variância converge para zero.
Teorema de convergência para momentos amostrais. Momentos amostrais convergem em probabilidade para seus análogos populacionais.
(1/n)Σig(zi) converge para E[g(zi)].
211 , [ ] , Var[ ]= / 0n
n i i n nnx x E x x n
Convergência em probabilidade
. positivoalor qualquer v para 0Prlimsss constante uma para
adeprobabilid em converge aleatória A variável
cxobcx
nn
n
A probabilidade que a diferença entre xn e c seja maior do que ε para qualquer ε vai para zero.
Ou seja, xn fica perto de c.
Convergência em probabilidadeConvergência em probabilidade significa que os valores das variáveis que não estão próximos de c ficam cada vez mais improváveis à medida que o n cresce.
Exemplo: Suponha uma variável aleatória xn que assume dois valores, zero e n, com probabilidades (1-1/n) e (1/n), respectivamente.Quando n aumenta , o segundo valor é menos provável.Xn converge em probabilidade para zero.
Toda a massa da distribuição de probabilidade fica concentrada em pontos próximos de c.cxp n lim
Convergência em Média QuadráticaSe xn tem média μn e variância σ2 tal que os limites ordinários de μn e σ2 são c e 0, respectivamente, xn converge em “média quadrática“ para c, e
cxp n lim
Convergência em Média Quadrática
Convergência em probabilidade não implica convergência em média quadrática!!!
Exemplo dado: calcular o valor esperado: o valor esperado é igual a 1 para qualquer n.
As condições para a convergência em média são mais fáceis de verificar do que a forma geral de convergência em probabilidade.
Utilizaremos quase sempre convergência em média.
Consistência de um estimador
Se a variável aleatória, xn é um estimador (por exemplo, a média), e se:
plim xn = θ
xn é um estimador consistente de θ.
Teorema de SlutskySe xn é uma variável aleatória tal que plim xn
= θ. Onde θ é uma constante.g(.) é uma função contínua. g(.) não é
função de n.Conclusão: plim[g(xn)] = g[plim(xn)] e
g[plim(xn)] existe. Limite de probabilidade não
necessariamente funciona para esperanças. n n n nE[x ]= ; plim(x ) , E[1/x ]=?; plim(1/x )=1/
Corolários Slutsky
n n
n n
n n
n n
n n
x and y are two sequences of random variables withprobability limits and . Plim (x y ) (sum)Plim (x y ) (product)Plim (x / y ) / (product, if 0)Plim[g(x ,y )] g( , ) assuming it exists and g(.) iscontinuous with continuous partials, etc.
Resultados de Slutsky para MatrizesFunções de matrizes são funções contínuas
de elementos das matrizes.
Se plimAn = A e plimBn = B (elemento a elemento),
Plim(An-1) = [plim An]-1 = A-1
e plim(AnBn) = plimAnplim Bn = AB
Distribuições limitesConvergência para um tipo de VA e não para
uma constantexn é uma sequência de VA com Fn(xn). Se plim xn = θ (constante), Fn(xn) será um
ponto. Mas, Fn pode convergir para uma variável aleatória específica.
A distribuição desta VA será a distribuição limite de xn.
dn n n nx x F (x ) F(x)
Teorema de Slutsky para Variáveis Aleatórias
Se , e se g(Xn) é uma função continua com
derivadas contínuas e que não depende de n, temos que :
Exemplo:
t-student converge para uma normal padrão.
Quadrado de uma t-student converge para uma qui-quadrada.
XX dn
)()( XgXg dn
Uma extensão do Teorema de Slutsky
Se (Xn tem uma distribuição limite) e θ é uma
constante tal que (gn tem uma distribuição limite
que é função de θ),
e temos que:
Ou seja, substituir o θ por um estimador consistente leva a
mesma distribuição limite.
xx dn
gxg dn ),(
nyp lim gyxg dnn ),(
Aplicação do Teorema de SlutskyComportamento da estatística F para testar restrições em grandes amostras:
2
2
22
****
1)(´
)´´(
)(´)´´(
Jd
p
Jd
JF
knee
JJeeee
knee
Jeeee
F
Teorema do Limite CentralDescreve o comportamento de uma variável
aleatória que envolve soma de variáveis “Tendência para a normalidade.”
A média de uma amostra aleatória de qualquer população (com variância finita), quando padronizada, tem uma distribuição normal padrão assintótica.
Teorema do Limite CentralTeorema Lindeberg-Levy (versão simples do TLC):
Se x1, x2, … , xn é uma amostra aleatória de uma
população cuja distribuição de probabilidade tem
média μ e variância finita igual a σ2 e
temos que:
n
iin x
nx
1
1
)1,0(
:lim
)1,0(
Ns
xn
spSe
Nxn
d
nn
n
dn
Teorema do Limite CentralTeorema Lindeberg-Feller :
Suponha que é uma sequência de variáveis
aleatórias independentes com média μi e variâncias
positivas finitas σ2i
nix i ,...,1,
),0(
...1...1
2
3212
321
Nxn
n
n
dnn
nn
nn
Lindberg-Levy vs. Lindeberg-FellerLindeberg-Levy assume amostra aleatória –
observações possuem as mesmas média e variância.
Lindeberg-Feller – a variância pode ser diferente entre as observações, apenas com hipóteses de como elas variam.Soma de variáveis aleatórias, independente da sua distribuição, tenderão a ser normalmente distribuídas. E, mais, Lindeberg-Feller não requere que as variáveis na soma venham da mesma distribuição de probabilidade.
Estimadores em econometria – uso da versão Lindeberg-Feller do TLC.
Distribuição assintótica Uma distribuição assintótica é uma distribuição usada para a
aproximar a verdadeira distribuição de amostra finita de uma variável aleatória.
Construída a partir da distribuição limite da função de uma variável aleatória.
Se
é assintoticamente normalmente distribuído com média μ e variância σ2/n.
),(~
)1,0(
2nNx
Nxn
n
dn
Eficiência assintótica Comparação de variâncias assintóticas Como comparamos estimadores consistentes? Se
convergem para constante, ambas variâncias vão para zero.
Eficiência assintótica: Um estimador é assintoticamente normal, este estimador é eficiente assintoticamente se a matriz de covariância de qq outro estimador consistente e assintoticamente normal exceder (1/n)V por uma matriz definida não negativa.
n̂
),0()ˆ( VNn dn
Eficiência assintóticaExemplo: Amostra aleatória de uma distribuição
normal,
A média amostral é assintoticamente normal com [μ,σ2/n]
Mediana é assintoticamente normal com [μ,(π/2)σ2/n]
Média é assintoticamente mais eficiente.
Propriedades assintóticas do EMQA hipótese de normalidade não é necessária
para derivarmos as propriedades assintóticas.
Hipóteses: Convergência de XX/n para uma matriz Q positiva definida.
Convergência de X’/n para 0. Suficiente para a consistência.
Hipóteses: Convergência de (1/n)X’ para um vetor com distribuição normal – normalidade assintótica.
EMQEMQ pode ser escrito da seguinte forma: (XX)-1Xy = (XX)-1ixiyi = + (XX)-1ixiεi Um vetor de constantes mais um vetor de
variáveis aleatórias. Os resultados para a amostra finita são
estabelecidos conforme regras estatísticas para esta soma.
Como esta soma de variáveis se comporta em grandes amostras?
1n
i ii 1
1n
i i i ii 1
We use 'convergence in mean square. Adequate for almost all problems, not adequate for some time series problems.
1 1n n
1 1 1( ' 'n n n
b X'X x
b- b- X'X x x
1ni 1
1 1n
i i j j2 i 1
1n
1 1 1 'n n nIn E[( '| ] in the double sum, terms with unequalsubscripts have expectation zero.
E[( '
nj=1
X'X
X'X x x X'X
b- b- X
b- b-
1 1
n 2i j i2 i 1
1 1 12 2
1 1 1| ] 'E[ | ]n n n1 1 1 1 n n n n n n
X X'X x x X X'X
X'X X'X X'X X'X
Limite de probabilidade
Convergência em média quadrática
E[b|X]=β para qualquer X.Var[b|X]0 para um X específicob converge para βb é consistente
Limite de probabilidade
1n
i ii 1
1 1n
i ii 1
1
1
1 1n n1 1 1 1n n n n
1 1Plim( ) plim n n
1 1 1 plim plim plimn n n
b X'X x
b- X'X x X'X X'
b- X'X X'
X'X X' X'X
1
1
1plim n1 plim assuming well behaved regressors.n
1What must be assumed to get plim ?n
X'
Q X'
X' 0
Este plim deverá ser zero
A inversa é uma função contínua da matriz original.
Limite de probabilidade
wpQbp
wwn
xnn
X
nXp
n
ii
n
iii
limlim
11'
'lim
111
Devemos encontrar o plim do último termo:
Para isto, devemos formular algumas hipóteses.
Hipótese crucial do modeloO que devemos assumir para que plim(1/nX’ε)=0?
1) xi = vetor aleatório com média e variâncias finitas e com distribuições idênticas.
2) εi = variável aleatória com uma distribuição constante com média e variância finitas e E(εi)=0
3) xi e εi são estatisticamente independentes. wi = xiεi = uma observação em uma amostra aleatória, com matriz de covariância constante e o vetor de média igual a zero.
converge para sua esperança.
iwn1
Limite de probabilidade
0)(1)(1)1()(
0)( exata aexpectativ a forma Desta
0
)(
111
i
ii
ii
i
iiix
iiixi
ixi
wEn
wEn
wn
EwE
wExExE
xxEEx
wEEwE
Pela hipótese de exogeneidade e pela lei das expectativas iteradas:
Limite de probabilidade
(2) '1|''1
|''1'1|'var
I |' usamos termo primeiro ocalcular ara
(1) 0varvarvar)var(
2
2
nXX
nnXXEX
n
XXn
Xn
EXwwEXw
XEPX
wEX
wEXwEw
Pela decomposição da variância:
Limite de probabilidade
0.lim
0' plim
:forma desta zero, para quadráticamédia em converge zero, para converge variânciasua e zero é média a Como
0.0)var(lim.suficiente
será Q para converge X/n)(X' plim que de hipótese A constante. matriz umaparaconvergir parênteses entre esperança a se zero para irá aA variânci
''var)var(
:(1) em (2) doSubstituin
1
22
Qbpn
X
wwn
Qw
nXXE
nnXX
nEX
wEw
EMQ é consistente!!
Distribuição assintótica
1
ni ii 1
1 1n n
The limiting behavior of is the same as that of the statistic that results when the moment matrix is replaced by its limit. Weexamine the behavior of the modified
b X'X x
b
n1i ii 1
sum1nQ x
O comportamento limite de b é o mesmo da estatística resultante da substituição da matriz de momentos pelo seu limite. Examinamos o comportamento da seguinte soma modificada:
Resultados Assintóticos
n1i ii 1
1n
What is the mean of this random vector?What is its variance?Do they 'converge' to something? We use this method to find the probability limit.What is the asymptotic distribu
Q x
tion?
Qual a média desta variável aleatória?
Qual sua variância?
Esta soma converge para algo? Podemos achar o limite de probabilidade.Qual a distribuição assintótica?
Distribuição assintótica b β em probabilidade. Como descrever
esta distribuição? Não tem uma distribuição limite
Variância b 0 Como estabilizar a variância? Var[n b] ~ σ2Q-1
Mas, E[n b]= n β que diverge n (b - β) é uma variável aleatória com
média e variância finitas (transformação que estabiliza)
b aproximadamente β +1/ n vezes a variável aleatória.
Distribuição limite n (b - β) = n (X’X)-1X’ε = (X’X/n)-1(X’ε/ n)No limite, isto é igual a (plim):
Q-1(X’ε/ n)Q é uma matriz positiva definida. Comportamento depende da variável
aleatória (X’ε/ n)
Distribuição no limite: Normal
iiiii
iii
QxxEx
xwnw
wEwnXn
22 )'()var(:a igual variânciae zero média têm vetoresEstes
:tesindependen aleatórios vetores de média a é acima. aleatória variávelda limite ãodistribuiç a
obter para TLC doFeller -Lindeberg versãoausar Podemos
)(')1(
Distribuição no limite: Normal
QQn
xn
xn
nwnwn
QxxExS
n
ni
iiii
iiiii
22
22
22
lim
)var(1)1var()var()var(
)'()var(e
Distribuição no limite: Normal
21
12111
2
2
,0)(
,0'1
,0'1. a igual variância
e zero média com osdistribuíd tesindependen vetoressão :)( vetor o para TLC o aplicarmos para elementos todos Temos
QNbn
QQQQNXn
Q
QNXn
Qx
wn
d
d
d
i
ii
Distribuição assintótica
TLC. do iaconsequênc com distúrbios dos enormalidad dadepende não EMQ do aassintótic enormalidad :importante Resultado
,~
:que temos finita variânciae zero média com osdistribuíd tementeindependen são Se
tesindependen sobservaçõe com b de aassintótic ãoDistribuiç :Teorema,0)(
21
2
21
nQNb
QNbn
i
d
Consistência de s2
2
2
1 1 n 1s n K n K n K nn 1n K
1 1 1plims plim plim ( )n n n1 1 1 1plim plim plim ( ) plimn n n n1plimn
What must be a
-1
-1
-1
e'e 'M 'M
'M ' 'X X'X X'
' 'X X'X X'
' 0'Q 0
2 21ssumed to claim plim = E[ ] ?n '
Consistência de s2
12
12
1212
)'(var
var
)'(lim
XXsbest
Qn
b
QnXXsp
Eficiência assintótica
Um estimador é assintoticamente eficiente se é consistente, assintoticamente normalmente distribuído, e tem uma matriz de covariância que não é maior que uma matriz de covariância de qualquer outro estimador consistente e com distribuição assintótica normal.
Econometria1. Propriedades assintóticas dos estimadores MQO
(continuação)Inferência – grandes amostras
Estatísticas de testesComo estabelecemos a distribuição assintótica de
b, podemos construir estatísticas de testes. Baseamos os testes na estatística de Wald.
F[J,n-K] = (1/J)(Rb - q)’[R s2(XX)-1R]-1(Rb - q) Esta é a estatística de teste usual para testar
hipóteses lineares no modelo de regressão linear, seguindo uma distribuição F exata se os erros são normalmente distribuídos.
Qual o resultado mais geral? Quando não se assume normalidade.
Estatística de WaldAbordagem geral considerando uma distribuição univariada
Quadrado de uma variável normal padrão qui-quadrada com 1 grau de liberdade.
Suponha z ~ N[0,2] , desta forma (z/)2 é uma qui-quadrada com 1 gl.
Suponha z~N[,2].[(z - )/]2 é uma qui-quadrada com 1 gl. Esta é a distância
normalizada entre z e , onde a distância é medida em unidades de desvios padrão.
Suponha zn não é exatamente normalmente distribuída, mas (1) E[zn] = , (2) Var[zn] = 2, (3) a distribuição limite de zn é normal. (zn - )/ N[0,1], que é uma distribuição limite , não é uma distribuição exata em uma amostra finita.
ExtensõesLogo: n
2 = [(zn - )/]2 {N[0,1]}2, ou 2[1]. Novamente, uma distribuição limite, não é uma
distribuição exata.Suponha desconhecido, e substituímos por um estimador
consistente para , ou seja sn, tal que plim sn = . O que acontece com este “análogo empírico”? tn = [(zn - )/sn]?Como plim sn = , o comportamento desta estatística em uma
grande amostra será igual ao comportamento da estatística original usando ao invés de sn.
tn2 = [(zn - )/sn]2 converge para uma qui-quadrada[1].
tn e n convergem para a mesma variável aleatória.
Forma Quadrática
Se um vetor aleatório x (dimensão k) tem uma distribuição normal multivariada com vetor de média igual a e matriz covariância igual a , a variável aleatória W = (x - )-1(x - ) tem uma distribuição qui-quadrada com K graus de liberdade..
Prova1/2 é uma matriz tal que: 1/2 1/2 = . Logo, V = (1/2)-1 é a inversa da raiz
quadrada, tal que V V = -1/2 -1/2 = -1.Se z = (x - ). O z tem média 0, matriz covariância , e
distribuição normal. O vetor aleatório w = Vz tem média V0 = 0 e matriz
covariância VV = I. w tem uma distribuição normal com´média 0 e matriz
covariância I. ww = kwk
2 onde cada elemento é o quadrado de uma normal padrão, logo uma qui-quadrada(1). A soma de qui-quadradas é igual a uma qui-quadrada, logo:
ww = (x - ) -1(x - ).
Construindo a estatística de teste WaldSuponha que a hipótese de normalidade
permanece, mas ao invés de termos a matriz de parâmetros usamos a matriz Sn que é consistente (plim Sn = ).
O resultado exato da qui-quadrada não se aplica, mas a distribuição limite é a mesma se usarmos .
Estatística de WaldSuponha que a estatística é construída com um x
que não tem uma distribuição normal exata, mas com xn que tem distribuição normal limite.
(xn - ) Sn-1(xn - ) 2[K]
Nada depende da distribuição normal. Usamos a consistência de (Sn) e TLC para xn.
Resultado geral para a distância de Wald
Medida de distância de Wald: Se plim xn = , xn é assintoticamente normalmente distribuído com média e variância , e se Sn é um estimador consistente para , a estatística de Wald, que é uma medida de distância generalizada converge para uma qui-quadrada
(xn - ) Sn-1(xn - ) 2[K]
A estatística FH0: R - q = 0 F[J, n-K] = [(e*’e* - e’e)/J] / [e’e / (n-K)]F[J,n-K] = (1/J) (Rbn - q)[R s2(XX)-1 R’]-1 (Rbn -
q).Onde m = (Rbn - q). Sob Ho, plim m=0. n m N[0, R(2/n)Q-1R’]Var estimada : R(s2/n)(X’X/n)-1R’](n m )’ [Est.Var(n m)]-1 (n m )Se plim bn = , plim s2 = 2, JF[J,n-K] 2[J].
Distância de WaldTeste mais geral sobre um único parâmetro. Estimativa amostral: bkValor hipotético: βkO quão distante βk está de bk? Se muito
longe, a hipótese é inconsistente com a evidência amostral.
Medida de distância em unidades de desvios-padrão:t = (bk - βk)/estimativa de vk.
Se t is “grande” (maior que o valor crítico), rejeitamos a hipótese.
Estatística de WaldNa maioria dos testes são utilizadas medidas
de distâncias de Wald.W=(vetor aleatório-valor
hipotético)’(variância da diferença)-1(vetor aleatório-valor hipotético)
W= medida de distância normalizada
1) A distância deve ser normalmente distribuída
2) A matriz de covariância é a verdadeira e não a estimada.
20
100 ~][var' Jqqqqqq
Teste de Robustez O teste de Wald geralmente será (quando
devidamente construído)mais robusto que o teste t e F
Razão: Baseado nos estimadores robustos da variância e nos resultados assintóticos.
Teste de hipótese: caso geral H0: R - q = 0 (J restrições lineares)Duas abordagens(1) Rb - q está perto de 0? Defina: m = Rb - q. Usando o critério
de Wald: Critério de Wald: m(Var[m])-1m tem uma distribuição qui-quadrada com J graus de liberdade Mas, Var[m] = R[2(X’X)-1]R. Se usarmos a estimativa de 2, teremos uma F[J,n-K]. (ee/(n-K) é a estimativa de 2.)
(2) Quando impomos uma restrição, o ajuste do modelo é reduzido. R2 necessariamente irá diminuir. Será que diminui muito? (I.e., de forma significativa?).
R2 = modelo irrestrito, R*2 = modelo restrito. F = { (R2 - R*2)/J } / [(1 - R2)/(n-K)] = F[J,n-K].No modelo linear, estas duas abordagens são iguais.
Estatística do Multiplicador de Lagrange
Lembrando do MQO restrito, o multiplicador de lagrange é igual a:
= [R(XX)-1R]-1 (Rb – q)= = [R(XX)-1R]-1 m.
Suponha que queremos testar H0: = 0, usando o critério de Wald.
A estatística de teste será JF
Aplicação
LogG = 1 + 2logY + 3logPG + 4logPNC + 5logPUC + 6logPPT + 7logPN + 8logPD + 9logPS + Período = 1960 - 1995. Um evento importante ocorreu em 1973.
Queremos saber se o modelo de 1960 a 1973 é o mesmo de 1974 a 1995. Todos os coeficientes do modelo são elasticidades.
Modelo completo----------------------------------------------------------------------Ordinary least squares regression ............LHS=LG Mean = 5.39299 Standard deviation = .24878 Number of observs. = 36Model size Parameters = 9 Degrees of freedom = 27Residuals Sum of squares = .00855 <******* Standard error of e = .01780 <*******Fit R-squared = .99605 <******* Adjusted R-squared = .99488 <*******--------+-------------------------------------------------------------Variable| Coefficient Standard Error t-ratio P[|T|>t] Mean of X--------+-------------------------------------------------------------Constant| -6.95326*** 1.29811 -5.356 .0000 LY| 1.35721*** .14562 9.320 .0000 9.11093 LPG| -.50579*** .06200 -8.158 .0000 .67409 LPNC| -.01654 .19957 -.083 .9346 .44320 LPUC| -.12354* .06568 -1.881 .0708 .66361 LPPT| .11571 .07859 1.472 .1525 .77208 LPN| 1.10125*** .26840 4.103 .0003 .60539 LPD| .92018*** .27018 3.406 .0021 .43343 LPS| -1.09213*** .30812 -3.544 .0015 .68105--------+-------------------------------------------------------------
Testando um parâmetro
O preço do transporte público é importante? H0 : 6 = 0.IC: b6 t(.95,27) erro padrão = .11571 2.052(.07859) = .11571 .16127 = (-.045557 ,.27698)
Contém 0, logo não rejeito a hipóteseMedida de distância: (b6 - 0) / sb6 = (.11571 - 0) / .07859 = 1.472 < 2.052.O ajuste cai se eliminamos? Sem LPPT, R-quadrado = .99573 Compare R2, .99605,F(1,27) = [(.99605 - .99573)/1]/[(1-.99605)/(36-9)] = 2.187 = 1.4722
Teste de hipóteses: Soma de coeficientes
Será que as elasticidades preço agregadas somam zero?H0 :β7 + β8 + β9 = 0R = [0, 0, 0, 0, 0, 0, 1, 1, 1], q = [0]
Variable| Coefficient Standard Error t-ratio P[|T|>t] Mean of X--------+------------------------------------------------------------- LPN| 1.10125*** .26840 4.103 .0003 .60539 LPD| .92018*** .27018 3.406 .0021 .43343 LPS| -1.09213*** .30812 -3.544 .0015 .68105
Teste Wald
O valor crítico da qui-quadrada com 1 grau de liberdade é 3,84, logo a hipótese nula é rejeitada.
Impondo uma restrição----------------------------------------------------------------------Linearly restricted regressionLHS=LG Mean = 5.392989 Standard deviation = .2487794 Number of observs. = 36Model size Parameters = 8 <*** 9 – 1 restriction Degrees of freedom = 28Residuals Sum of squares = .0112599 <*** With the restrictionResiduals Sum of squares = .0085531 <*** Without the restrictionFit R-squared = .9948020Restrictns. F[ 1, 27] (prob) = 8.5(.01)Not using OLS or no constant.R2 & F may be < 0--------+-------------------------------------------------------------Variable| Coefficient Standard Error t-ratio P[|T|>t] Mean of X--------+-------------------------------------------------------------Constant| -10.1507*** .78756 -12.889 .0000 LY| 1.71582*** .08839 19.412 .0000 9.11093 LPG| -.45826*** .06741 -6.798 .0000 .67409 LPNC| .46945*** .12439 3.774 .0008 .44320 LPUC| -.01566 .06122 -.256 .8000 .66361 LPPT| .24223*** .07391 3.277 .0029 .77208 LPN| 1.39620*** .28022 4.983 .0000 .60539 LPD| .23885 .15395 1.551 .1324 .43343 LPS| -1.63505*** .27700 -5.903 .0000 .68105--------+-------------------------------------------------------------F = [(.0112599 - .0085531)/1] / [.0085531/(36 – 9)] = 8.544691
Hipóteses conjuntasHipóteses conjuntas: elasticidade renda = +1, elasticidade preço = -1.A hipótese implica que logG = β1 + logY – logPg + β4 logPNC + ...Estratégia: regrida logG – logY + logPg nas outras variáveis e compare a soma quadrado dos resíduos.Com as duas restriçõesSQR = 0.0286877R-quadrado = 0.9979006IrrestritoSQR = 0.0085531R-quadrado = 0.9960515
F = ((.0286877 - .0085531)/2) / (.0085531/(36-9)) = 31.779951O valor crítico para a F com 95% com 2,27 gl é 3.354. A hipótese nula é rejeitada.
Os resultados são consistentes?? O R2 realmente aumenta com as restrições?
Baseando o teste no R2
F = ((.9960515 - .997096)/2)/((1-.9960515)/(36-9)) = -3.571166 (!)
O que está errado?