econometria - daniellecarusi.files.wordpress.com · não existe dependência linear:nenhuma...

1

Econometria

1. O Paradigma da Econometria19/8

Econometria: Paradigma

� Fundamentos teóricos� Microeconometria e macroeconometria� Modelagem comportamental: otimização, oferta de

trabalho, equações de demanda, etc.

� Fundamentos estatísticos� Elementos matemáticos� Construção do ‘Modelo’ – o modelo

econométrico

Porque usar econometria?

� Entender a covariância� Entender as relações:

� Estimar quantidades de interesse, comoelasticidades

� Predição de resultados de interesse� Controlar resultados futuros tendo em vista o

conhecimento de relações


� Inexistência de dados experimentais(experimentos controlados) em economia

� Necessidade de usar dados não experimentais, ou melhor, dados observados para se fazerinferências.

� Testar a teoria econômica com dados darealidade.

2


� A análise empírica usa dados para estimarrelações entre variáveis.

� Um modelo econômico formal pode ser testado.

� Econometria pode ser utilizada para avaliarprogramas de políticas públicas e para fazerprevisões.

Mensuração como observação

População MensuraçãoTeoria

Características das escolhascomportamentais

Inferência

População Mensuração

EconometriaCaracterísticas das escolhascomportamentais

Passos para uma análise

econométrica

� Formulação da questão de interesse� Formulação das hipóteses: construção de um modelo

econômico formal (equações que descrevem umarelação)

� Construção do modelo econométrico (parametrização)� Definir forma funcional;� Quantificar variáveis do modelo;� Formular hipóteses sobre os parâmetros do modelo

� Aplicação: Existe relação entre investimento e capital de estoque?

3

Inferência Clássica


Econometria

Inferência imprecisa sobrea população inteira –teoria de amostragem, teoria assintótica


Inferência Bayesiana


Econometria

Inferência exata sobre umaamostra – densidade posterior


Estrutura dos dados

� Mecanismos de observação� Passivo, não experimental� Ativo, experimental� Os chamados ‘experimentos naturais’

� Tipos de dados� Cross section� Séries de tempo� Dados em painel/longitudinais

Modelos Econométricos

� Lineares; estáticos e dinâmicos� Escolhas discretas� Dados censurados ou truncados� Modelos estruturais ou sistemas de

equações.

4

Métodos de estimação

� Mínimos Quadrados – OLS, GLS, LAD, quantílica� Máxima Verossimilhança

� Máxima Verossimilhança Formal� Máxima Verossimilhança Simulada

� Variáveis instrumentais e GMM (Método de Momentos Generalizados)

� Estimação Bayesiana – Cadeia de Markov, Monte Carlo

14

A Questão da Causalidade

� Estabelecer relações entre variáveis não é suficiente para a análise econômica.

� Usualmente, o interesse está na causalidadeentre as variáveis: “se aumenta a taxa de juros, o crescimento econômico cai?”

� Para encontrarmos o efeito causal, outrasvariáveis devem estar constantes – o chamado“efeito ceteris paribus”

� É difícil estabelecer causalidade!!

15

Exemplo: Retornos Educação

� Modelo de capital humano: mais educaçãofaz com que as pessoas obtenhamrendimentos mais elevados.

� Simplificando, seria esta equação:

ueducY ++= 10 ββ

16

Exemplo:

� A estimativa de b1, é o retorno daescolaridade, mas pode ser considerada um efeito causal?

� Tudo depende do termo de erro, u, queinclui outros fatores que afetam o rendimento.

� Fatores não observados e observadospodem estar presentes neste termos de erro.

5

Econometria

1. Alguns tópicos importantes de Álgebra Linear

Operações básicas de vetores

� Adição� Suponha dois vetores x e y com n componentes

cada:


� Multiplicação escalar� x é um vetor com n componentes, α é um escalar.


� Multiplicação

6

Independência de vetores

� Considere os seguintes m vetores de dimensãon:

� Podemos escrevê-los da seguinte forma{x1, x2, . . . , xm}

Independência de vetores

� O conjunto de m vetores é dito independentese nenhum deles pode ser escrito como umacombinação linear dos demais.

� Se {x1,x2,…,xm} são vetores independentes nãoexiste um conjunto de escalares diferentes de zero {a1, a2, . . . ,am} tais que:

a1x1 + a2x2 + . . . + amxm = 0

Ortogonalidade

� Dois vetores x e y são ortogonais se e somentese:

x'y = 0

� Isto implica que o ângulo formado entre estesdois vetores tem coseno igual a zero.

Base de um espaço vetorial

� Um conjunto de vetores {x1,…,xm} que sãoindependentes formam um espaço vetorial V de dimensão m.

� Por exemplo, se m = 3

7

Base de um espaço vetorial

� Os três vetores podem ser usados paraconstruir qualquer vetor no espaço R3.

� Qualquer vetor de dimensão M pode ser construído como uma combinação linear dos vetores x1,x2,…xm se estes vetores sãoindependentes.

� Um conjunto de m vetores que forma um espaço V de dimensão m constitui a base desteespaço.

Norma

� O tamanho da norma de um vetor x é definido como:

� Dois vetores são ditos ortonormais se e somente se:

( ) ( ) 212

12 'xxxx i == ∑

0'

1

===

yx

yx

Matrizes: operações

� Adição: as matrizes devem ter a mesma dimensão.


� Propriedades da Adição

Se A = [aij]mxn, B = [bij]mxn, C = [cij]mxn, a, b escalares:

1. A = B sss aij = bij para todo i, j 2. C = A ± B sss cij = aij ± bij para todo i, j 3. aA = [a×aij]mxn4. a(A + B) = aA + aB 5. aA + bA = (a + b)A 6. A ± B = B ± A (lei comutativa) 7. A ± (B ± C) = (A ± B) ± C (lei associativa)

8


� Multiplicação: � Se A é uma matriz mxn e B uma matriz nxm (o número de

colunas de A deve ser igual ao número de linhas de B):


� Exemplo:


� Propriedades da Multiplicação

1. A(B + C) = AB + AC 2. (A + B)C = AC + BC 3. AB = 0 ≠ A = 0 ou B = 0 4. AB = AC ≠ B = C5. AB ≠ BA na maioria dos casos

Matrizes: determinantes

� Matriz 2×2:

21122211 aaaaA −=

9


� Matriz 3×3:


� Matriz 3×3:

( )( ) ( )22132312311332331221

3223332211

bbbbbbbbbb

bbbbbB

−+−−−−=

Determinantes: interpretação

geométrica

� Exemplo:

�

Matrizes: transposta

� Se a matriz A é mxn, sua transposta, A', será nxm, i.e., se A = [aij] então A' = [aji].

� Exemplo:

10

Matrizes: transposta

� Propriedades:

1. (A + B)' = A' + B‘

2. (AB)' = B'A‘

3. Uma matriz A tal que A’A=A é dita matriz idempotente

Matrizes: posto

� Seja A uma matriz mxn. O posto de A é dado pelamaior ordem possível das submatrizes quadradas de A, com determinantes diferentes de zero.

� O posto da linha de A é o maior número de linhaslinearmente independentes.

� Se todas as linhas de A forem linearmenteindependentes, A tem posto cheio (full row rank).

� De forma similar, o posto da coluna de A é o maiornúmero de colunas linearmente independentes.

Matrizes: posto

� Exemplo:

� Para cada submatriz de ordem 4 (existem 5), o determinante é zero. Para cada submatriz de ordem 3 (há 40), o determinantetambém é zero. Mas, para a matriz abaixo, o determinante não é nulo, logo, o posto é 2.

−−−

−−

072537

21713

141915111

35231

08111

31det ≠=

Matrizes: posto

� Exemplo:

� A matriz A tem determinante igual a zero (3a. linha igual a 2a. linha multiplicada por -3).

� Posto de A = 2

−−−=

−=−−=++−=++

336

112

321

1336

02

132

A

zyx

zyx

zyx

11

Matrizes: posto

� Propriedades:

1. Posto da linha = posto da coluna

2. ρ(AB) ≤ ρ(A) e ρ(B)

3. ρ(A) + ρ(A') = ρ(AA') = ρ(A'A)

4. ρ(A + B) ≤ ρ(A) + ρ(B)

5. se |Amxm| = 0 logo ρ(A) < m

Matrizes: inversa

� Considere uma matriz A quadrada, se a inversa de A existir, será única:

� Cofator: quando os elementos da i-ésima linha e da j-ésima colunada matriz A são removidos, o determinante da sub-matriz quadradaque permanece é chamado de “first minor” (primeiro menor) de A e denominado |Aij|. O determinante afetado pelo sinal (-1)i+j é chamado de cofator de aij:

∆ij =(-1)i+j |Aij|

Matrizes: inversa

� Exemplo:

Matrizes: inversa

� Se a Matriz A é não singular, sua inversa é dada por:

� Onde [Aij]' é a matriz dos cofatores transposta: matriz adjunta de A.

12

Matrizes: inversa

Danielle Carusi Machado - UFF - Econometria 2/2009

� Exemplo:

|A| = (-1)2(1)(0-6) + (-1)3(4)(10 + 2) + (-1)4(1)(6 - 0) = (-6) - (48) + 6 = - 48

Matrizes: inversa

Matrizes: inversa Matrizes: inversa


� Propriedades:

1. Se |A|≠0 As linhas de A são linearmente independentesAs colunas de A são linearmente independentes

2. (AB)-1 = B-1A-1

13

Matrizes: traço


� Traço de A =

� Propriedades:

1. Tr (kA) = k Tr(A), onde k é um escalar2. Tr (AB) = Tr (BA)3. Tr (In) = n

Transformações lineares


� Transformação de um vetor no subespaço Rn em um vetor no subespaço Rm

� Na notação matricial: Y = AX , onde X e Y são vetores de ordem n e m, respectivamente, e, A é uma matriz de dimensão mxn.

� Exemplo:

� A projeta o vetor X tridimensional,em um plano bidimensional.

ECONOMETRIA – CONCEITOS BÁSICOS E MQO

14



15





16





17


S y' y y' X ' X ' y ' X ' X

S y' X

x' y

' X ' y

x' y

' X ' X

X ' y .2 X ' Xb X ' X b 0

2 X ' y 2 X ' X b 0

X ' y X ' X b

b X ' X 1 X ' yDanielle Carusi Machado - UFF - Econometria

2/2010



18





19


Econometria

1. Exemplo da técnica MQO2. Hipóteses do Modelo de RLM3. Ajuste do Modelo4. Modelo Restrito


Econometria

1. Exemplo da técnica MQO


MQO

20

MQO Resíduos

Resíduos MQO MQO

M = I- X(X’X) -1X’

21

MQO

Econometria

1. Exemplo da técnica MQO2. Hipóteses do Modelo de RLM


Hipóteses do modelo

� Linearidade significa ser linear nos parâmetros.

� Identificação: Só existe um único conjunto de parâmetros que produz E[y|x].

� Média condicional zero

� Forma da matriz de variância covariância

� Hipóteses sobre a distribuição de probabilidade.

Linearidade do Modelo

� f(x1,x2,…,xK,β1,β2,…βK) = x1β1 + x2β2 + … + xKβK

� Notação: x1β1 + x2β2 + … + xKβK = x′β′β′β′β.

� E[y|x] = β1*1 + β2*x2 + … + βK*xK. (β1*1 = intercepto).

22

Linearidade

� Modelo linear simples, E[y|x]=x’β� Modelo Quadrático: E[y|x]= α + β1x + β2x2

� Modelo Loglinear, E[lny|lnx]= α + Σk lnxkβk

� Modelo Semilog, E[y|x]= α + Σk lnxkβk

� Modelo Translog: E[lny|lnx]= α + Σk lnxkβk

+ (1/2) Σk Σl δkl lnxk lnxl

Todos modelos são lineares e existe um infinito número de variações de modelos lineares.

Linearidade

� Linearidade significa ser linear nos parâmetros, não nas variáveis

� E[y|x] = β1 f1(…) + β2 f2(…) + … + βK fK(…). fk() pode ser qq função dos dados.

� Exemplos:� Logs� Variáveis Dummy� Funções quadráticas, interações, etc.

Unicidade da média condicional

A relação da média condicional pode ser válida para qualquer conjunto de n observações, i = 1,…,n. Se n ≥ K E[y1|x] = x1′β′β′β′βE[y2|x] = x2′β′β′β′β…E[yn|x] = xn′β′β′β′β

Para todas n observações temos que : E[y|X] = Xββββ = Eββββ.

Unicidade de E[y|X]

Suponha que exista um γγγγ ≠ ββββ que produz o mesmo valor esperado,

E[y|X] = Xγγγγ = Eγγγγ.Se δδδδ = ββββ - γγγγ. Temos que:

Xδδδδ = Xββββ - Xγγγγ = Eββββ - Eγγγγ = 0.

Isto é possível? X é uma matriz n×K.

O que significa Xδδδδ = 0? Por hipótese, isto não é possível.Hipótese de ‘posto cheio’ – hipótese de ‘identificação’.

Podemos ‘estimar’ ββββ com n ≥ K .

23

Dependência Linear

� Exemplo:x = [i , renda não trabalho, renda do trabalho, renda total]

Não existe dependência linear: Nenhuma variável pode ser escrita como uma função linear de outras variáveis do modelo. Condição de identificação. A teoria não necessariamente elimina a possibilidade de dependência linear, contudo, é importante para fazer a estimação possível.y = β1 + β2N + β3S + β4T + ε, onde T = N+S. y = β1 + (β2+a)N + (β3+a)S + (β4-a)T + ε para qualquer a,

= γ1 + γ2N + γ3S + γ4T + ε. � O que está sendo estimado…?� Não eliminamos a possibilidade de dependência não linear. Ex:

x e x2.

Média condicional zero

O y observado é igual a E[y|x] + variável aleatória. y = E[y|x] + ε (distúrbio)

� Existe alguma informação sobre ε em x? Ou seja, algum movimento em x dá informação sobre ε? Caso sim, não especificamos corretamente a média condicional, a função ‘E[y|x]’ não é a média condicional (não é a regressão populacional)

� Existe informação sobre ε em outras variáveis. Se E[ε|x] ≠ 0 segue que Cov[ε,x] ≠ 0.

� Violação da hipótese de ‘independência’

Média condicional zero

� E[ε|todos dados em X] = 0 � E[εεεε|X] = 0 é mais forte que E[εi | xi] = 0

� O segundo diz que o conhecimento de xi não dá nenhuma informação sobre a média de εi.

� O primeiro diz que nenhum xj dá informação sobre o valor esperado de εI.

� “nenhuma informação” é similar a nenhuma correlação.

Homocedasticidade e não

Autocorrelação

� Var[εεεε|X] = σ2I.

� Var[εεεε] = σ2I? Prova: Var[εεεε] = E[Var[εεεε|X]] + Var[E[εεεε|X]].

24

Distribuição Normal de ε

� Usada para facilitar as derivações de estatísticas de testes em amostras finitas.

� Derivação das distribuições exatas das estatísticas t, F.

O Modelo Linear

� y = Xββββ+ε, N observações, K colunas em X, incluindo a coluna de um.� Hipóteses sobre X� Hipóteses sobre ε|X� E[ε|X]=0, E[ε]=0 and Cov[ε,x]=0

� Regressão?� Se E[y|X] = Xββββ� Aproximação: projeção linear.

econometria - daniellecarusi.files.wordpress.com · não existe dependência linear:nenhuma...

Documents