1 / 43

Econometria

Econometria. Propriedades finitas dos estimadores MQO Estimação da Variância do estimador de MQO. Econometria. Propriedades finitas dos estimadores MQO. Algumas considerações. Parâmetros, estimativas e estimadores Propriedades de um estimador – a distribuição amostral

silvio
Download Presentation

Econometria

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Econometria Propriedadesfinitas dos estimadores MQO EstimaçãodaVariância do estimador de MQO

  2. Econometria Propriedadesfinitas dos estimadores MQO

  3. Algumas considerações • Parâmetros, estimativas e estimadores • Propriedades de um estimador – a distribuição amostral • Propriedades de “Amostras Finitas” • Propriedades “assintóticas” ou de “grandes amostras”.

  4. Algumas considerações • Resultados de Amostras finitas: • Não viés • Distribuição precisa de algumas estatísticas de testes. Hipóteses fortes necessárias: regressores não estocásticos e distúrbios normalmente distribuídos.

  5. MQO

  6. Derivando as Propriedades Desta forma, b = um vetor de parâmetros + umacombinação linear de distúrbios, cada um vezes um vetor. b é um vetor de variáveisaleatórias. Regressores (X) nãosãoestocásticos. A análise é feitacondicional a X, ouseja, osresultadosnãodependem de um X particular. O resultado é geral, independente de X.

  7. Propriedades do estimador de MQO • b não é viesado! Valor esperado de b: E[b|X] = E[ +(XX)-1X|X] =  +(XX)-1XE[|X] =  + 0 E[b] = EX{E[b|X]} = E[b]. (Lei das expectativasiteradas!!!)

  8. Propriedades do Estimador MQO Um resultadoimportantesobreespecificação Omissãode variáveis: y = X11 + X22 +  (modeloverdadeiro) Doisconjuntos de variáveis. O queacontece se o segundoconjunto de variáveis é excluídodaminharegressão?

  9. Propriedades do Estimador MQO Qual a esperança do estimadordestaregressãomenor? E[b1|(y = X11 + X22 + )] b1 = (X1X1)-1X1y = = (X1X1)-1X1(X11 + X22 + ) E[b1] = 1 + (X1X1)-1X1X22 O estimador é viesado.

  10. Propriedades do Estimador MQO Um resultado importante sobre especificação (inclusão de uma variável irrelevante): • y = X11 + X22 +  (modelo verdadeiro, mas 2 é igual a 0). O que acontece se a regressão for computada usando X1 e X2? E[b1.2| 2 = 0] = 1 O estimador não será viesado. Contudo, perde-se eficiência.

  11. Propriedades do Estimador MQO Aplicação empírica: Quantidade = 1Preço + 2Renda +  Se regredimos Quantidade em Preço. O que encontramos?

  12. Propriedades do Estimador MQO Usualmente, 1 < 0, 2 > 0, Cov[Preço,Renda] > 0. Desta forma, a regressão que omite variável (omite renda), irá super-estimar o coeficiente de preço (podendo até reverter o sinal do coeficiente).

  13. Outro exemplo prático Determinar os efeitos que fumar durante a gravidez exerce sobre a saúde do recém-nascido. A medida de saúde do recém nascido é o peso de nascimento (bwght). Como outros fatores que afetam o peso de nascimento, além de fumar, estão provavelmente correlacionados com o fumo, devemos levar em consideração tais fatores. Por exemplo, uma renda maior geralmente permite acesso a pré-natais melhores, bem como uma melhor nutrição da mulher. Considere o modelo:

  14. Outro exemplo prático

  15. Outro exemplo prático

  16. Equações estimadas

  17. Resultados O efeito de fumar é relativamentemenorquando a renda familiar é adicionadanaregressão, mas a diferençanão é grande. Istodecorre do fato de faminc e cigsnãoseremmuitocorrelacionados e do coeficente de faminc ser praticamentepequeno. (A variávelfamincestáemmilhares, logo, R$10,000 a maisaumenta o peso de nascimentosomenteem 0,93 quilos). Corr(faminc, cigs)=-0,173

  18. Viés de variável omitida A variável omitida é faminc Espera-se que o efeito de faminc sobre o peso de nascimento seja positivo (β2>0) Corr(faminc, cigs)=-0,173 O coeficiente passou de -0,463 para -0,513.

  19. Direção do viés

  20. Outro exemplo prático

  21. Outro exemplo prático

  22. Outro exemplo prático

  23. Outro exemplo prático

  24. Direção do viés

  25. Variância do Estimador MQO • Hipótesessobresosdistúrbios: • i tem média zero e não é correlacionado com qualqueroutroelemento j • Var[i|X] = 2. A variância de inãodepende do dado daamostra. Nãodepende de X.

  26. Variância do Estimador MQO

  27. Variância do Estimador MQO

  28. Erros de especificação Omitindovariáveisrelevantes: Suponhaque o modelocorreto é y = X11 + X22 + . Computar MQO omitindoX2. É fácilprovarque: Var[b1] é menorque a Var[b1.2]. TemosumamenorvariânciaquandoomitimosX2. (OmitindoX2 , 2 = 0 possousarmaisinformação extra paraestimação). Mesmoque a informaçãonãosejacorreta, reduz a variância.

  29. Erro de especificação (Nãoháalmoçográtis!!) E[b1] = 1 + (X1X1)-1X1X221. Desta forma, b1 é viesado.(!!!) O viéspodereverteraté o sinal do coeficiente. b1deve ser maispreciso A variância é menorcontudo o viés é positivo. Se o viés é pequeno se favorece a regressãomaissimples. SuponhaX1X2 = 0. Viésvaiembora A informaçãonãoestácorreta, é irrelevante. b1 é igual a b1.2.

  30. Erro de especificação: Inclusão de variável irrelevante Os resultados são contrários aos encontrados acima. Inserir resultados supérfluos aumenta a variância. (reduz precisão) Não causa viés, se X2 é supérflua, 2 = 0, e E[b1.2] = 1.

  31. Teorema de Gauss-Markov O EMQO é o melhorestimador linear dentrodaclasse de estimadoreslinearesnãoviesados. 1. Estimador linear • Nãoviesado: E[b|X] = β Teorema: Var[b*|X] – Var[b|X] é umamatrizdefinidanãonegativaparaqualqueroutroestimador linear nãoviesadob*quenãosejaigual a b. Definição: b é eficientenaclasse de estimadores.

  32. Teorema de Gauss-Markov Resultado geral para a classe de estimadores lineares e não viesados

  33. Teorema de Gauss-Markov Como achar a Matriz de variância-covariância de b*?

  34. Teorema de Gauss-Markov Como D é umamatrizdefinidanãonegativa, temosque a var(b*/x) é sempremaiorque a var(b/x).

  35. Fixar X ou Condicionar em X? O papel da hipótese dos regressores não estocásticos, Incondicional: Tomar a média em torno de X: Os resultados valem para X estocástico bem como para X não estocástico.

  36. Econometria 2. EstimaçãodaVariância do estimador de MQO

  37. Contexto A variânciaverdadeira de b é 2E[(XX)-1] Como usamosos dados daamostraparaestimarestamatriz? Como queremosformarintervalos de confiança das estimativasdaregressãobemcomoformularhipóteses, temosqueterestimativasdavariabilidadedadistribuição.

  38. Estimando 2 Usaremos os resíduos ao invés dos distúrbios: Análogo amostral: ee/n para /n Observação imperfeita de i = ei + ( - b)xi Viés para baixo de ee/n. E[ee] = (n-K)2

  39. Esperança de e’e

  40. Valor esperado do quadrado dos resíduos Traço: soma dos elementos da diagonal

  41. Estimando σ2 O estimadornãoviesado é s2 = ee/(n-K). s2 = ee/(n-K) =M/(n-K). • Est [Var (b/X)] = s2[(XX)-1 • “Erropadrão” de coeficiente individual é a raizquadrada do elementoda diagonal.

  42. X’X (X’X)-1 s2(X’X)-1

  43. -------------------------------------------------------------------------------------------------------------------------------------------- Ordinary least squares regression ........ LHS=G Mean = 226.09444 Standard deviation = 50.59182 Number of observs. = 36 Model size Parameters = 7 Degrees of freedom = 29 Residuals Sum of squares = 778.70227 Standard error of e = 5.18187 <= sqr[778.70227/(36 – 7)] Fit R-squared = .99131 Adjusted R-squared = .98951 --------+------------------------------------------------------------- Variable| Coefficient Standard Error t-ratio P[|T|>t] Mean of X --------+------------------------------------------------------------- Constant| -7.73975 49.95915 -.155 .8780 PG| -15.3008*** 2.42171 -6.318 .0000 2.31661 Y| .02365*** .00779 3.037 .0050 9232.86 TREND| 4.14359** 1.91513 2.164 .0389 17.5000 PNC| 15.4387 15.21899 1.014 .3188 1.67078 PUC| -5.63438 5.02666 -1.121 .2715 2.34364 PPT| -12.4378** 5.20697 -2.389 .0236 2.74486 --------+-------------------------------------------------------------

More Related