1 / 11

Revisão

Revisão. Premissa: seja y e x duas variáveis representando alguma população, deseja-se explicar y em termos de x. Ex: y=salário hora e x=anos de escolaridade Questões: Dado que nunca há uma relação exata entre x e y, como considerar outros fatores que afetam y?

bryant
Download Presentation

Revisão

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. Revisão Premissa: seja y e x duas variáveis representando alguma população, deseja-se explicar y em termos de x. Ex: y=salário hora e x=anos de escolaridade Questões: • Dado que nunca há uma relação exata entre x e y, como considerar outros fatores que afetam y? • Qual a relação funcional entre y e x? • Captura-se uma relação ceteris paribus entre y e x? As ambiguidades são resolvidas através da equação do modelo linear simples: Y=βo+ β1x+u

  2. Respostas: • Através do termo de erro, ou seja, fatores que não são observados e que afetam y, além de x. • Se os outros fatores em u são mantidos fixos, Δu=0, então x tem um efeito linear sobre y: Δy= β1Δx se Δu=0, ode β1 é o parâmetro de inclinação. A linearidade implica que uma variação de 1 unid. Em x tem o mesmo efeito sobre y, independente do valor inicial de x. • Para obter conclusões ceteris paribus sobre como x afeta y é preciso fazer uma hipótese que restrinja a maneira como u está relacionado com x, e assim obter estimadores confiáveis de βo e β1 de uma amostra aleatória.

  3. Hipótese sobre u: Se βo está na equação, nada se perde ao assumir que : E(u)=0. Isto é, faz-se uma afirmação sobre a distribuição dos fatores não-observáveis na população. Ex: a média da aptidão é zero para as pessoas que trabalham. De qualquer forma, há sempre a possibilidade de redefinir βo para tornar E(u)=0 verdadeiro. Hipótese da média condicional zero: Como u e x são VA’s, então pode-se obter o valor esperado de u condicionado a qualquer valor de x. A hipótese crucial é que o valor médio de u não depende do valor de x, ie: E(u|x)= E(u)=0 Para qualquer x, a média dos valores não-observáveis é a mesma, e assim, deve igualar-se ao valor médio de u na população. Ex:características da terra e quantidade de fertilizante.

  4. Função de regressão populacional Considere o valor esperado de Y=βo+ β1x+u condicionado a x e usando E(u|x)= 0. Então: E(y|x)= βo+ β1x E(y|x) é uma função linear de x. Para um certo valor x, a distribuição de y estará centrada ao redor de E(y|x).

  5. (Wooldridge, exercício 2.1) 1. Seja filhos o número de filhos de uma mulher e educ os anos de educação da mulher. Um modelo simples que relaciona a fertilidade a anos de educação é: filhos = β0 + β1.educ + u , em que u é um erro não-observável. (a) Que tipos de fatores podem estar incluídos em u? É provável que estejam correlacionados com o nível de educação? Explique. (b) Uma análise de regressão simples mostrará o efeito ceteris paribus da educação sobre a fertilidade? Explique.

  6. Mínimos quadrados ordinários Considere {(xi,yi): i=1,2,...,n} como uma amostra aleatória de tamanho n da população. Podemos escrever: yi=βo+ β1xi+ui Defina, para qualquer boe b1 , um valor estimado para y quando x=xi, tal como: ŷi=bo+ b1xi Esse é o valor que se prevê para y quando x=xi. Há um valor estimado para cada observação da amostra, assim, o resíduo para a observação i é a diferença entre o valor verdadeiro de yi e seu valor estimado: ûi=yi-ŷi=yi-bo- b1xi A ideia é escolher boe b1 que tornam a soma dos resíduos quadrados mínima: Min Σûi²

  7. Uma vez determinados os estimadores, construímos a reta de regressão de MQO: ŷi=bo+ b1xi

  8. Propriedades algébricas das estatísticas de MQO • A soma, e portanto a média amostral, soa resíduos de MQO, é zero. (resulta da CPO) Σûi²=0 (2) A covariância amostral entre os regressores e o resíduo de MQO é zero. (resulta da CPO) Σxiûi=0 (3) O ponto( ) sempre está sobre a reta de regressão de MQO.

  9. Defina: SQT SQE SQR SQT é uma medida da variação amostral total em yi. Se a dividirmos por n-1 obteremos a variância amostral de y. SQE mede a variação amostral em ŷi (sendo ) e SQR mede a variação amostral em ûi. Assim: SQT=SQE+SQR Grau de ajuste (R²)= SQE/SQT=1-SQR/SQT R² está sempre entre 0 e 1 e é igual ao coeficiente de correlação amostral entre yi eŷi.

More Related