Notas de Aula Greene I - Cap. 5

DISCIPLINA ECONOMETRIA I
PARTE I: CAPTULO 5
Prof. Marina Silva da Cunha
_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 2
5.
INFERNCIA E PREVISO
5.1 INTRODUO
5.2 METODOLOGIA PARA TESTAR HIPTESES
5.3 DUAS ABORDAGENS PARA TESTAR HIPTESES
5.4 TESTE DE WALD BASEADO NA DISTNCIA
5.5 TESTANDO RESTRIES UTILIZANDO O AJUSTAMENTO DA REGRESSO
5.6 ERROS NO NORMAIS E TESTES PARA GRANDES AMOSTRAS
5.7 RESTRIES NO-LINEARES
5.8 ESCOLHENDO ENTRE MODELOS NO ANINHADOS
5.9 UM TESTE DE ESPECIFICAO
5.10 CONSTRUINDO MODELOS UMA ESTRATGIA GERAL PARA SIMPLIFICAR
5.11 RESUMO E CONCLUSES
5.1 INTRODUO
Funes do modelo clssico de regresso linear
estimao
testar hipteses
previso
5.2 METODOLOGIA PARA TESTAR HIPTESES

Considere o modelo de regresso
(5-1)
y = X +
Podemos considerar uma aplicao,
ln Price =
Questes sobre
2
2
ln Size +
3 AspectRatio
(5-2)
5.2.1 RESTRIES E HIPTESES

H0:
2=
0 vs HA:
2
Vamos construir uma metodologia para:

Rejeitar H0: os dados so inconsistentes com a hiptese com razovel
grau de certeza.
No rejeitar H0: os dados parecem ser consistentes com a hiptese nula.
5.2.2 MODELOS ANINHADOS

Considere o modelo de investimento, It, sugerido na seo 3.2.2
LnIt = 1 + 2it + 3Pt + 4LnYt + 5t + t
i = Taxa de juros nominal
Pt = Taxa de inflao
Yt = Produto real
t = Tendncia
Um modelo alternativo, em que os investidores se preocupam com a taxa
de juros real
LnIt = 1 + 2(it P
t) + 3Pt + 4LnYt + 5t + t
Investidores preocupam-se apenas com a taxa de juros real
LnIt = 1 + 2(it P
t) + 3LnYt + 5t + t
O primeiro e o terceiro modelo so ditos aninhados
restrito
no restrito [ possvel testar se o melhor o 3 modelo : 2+ 3= 0 ]
Modelos
Modelo 1: (1, 0, 3, 4, 5)
no aninhados
Modelo 2: (1, 2, 0,, 4, 5) Investidores preocupam-se

apenas com a taxa de juros
Investidores preocupam-se
apenas com a taxa de inflao
5.2.3 PROCEDIMENTO DE TESTE METODOLOGIA DE

NEYMAN PEARSON
Qual o procedimento para testar hipteses?
What type of data will lead me to reject the hypothesis?
Regio de aceitao versus Regio de rejeio
Vamos decidir quo distante de zero a estimativa (bi) deve estar para que a
hiptese nula seja rejeitada
5.2.4 TAMANHO, PODER E CONSISTNCIA DO TESTE

Erro tipo I:
2=
0, mas rejeitamos a hiptese

(a hiptese nula incorretamente rejeitada)
Erro tipo II: 2 0, mas no rejeitamos a hiptese

(a hiptese nula incorretamente mantida)
A probabilidade do Erro tipo I chamada de tamanho do teste, ou seja, a
probabilidade de se rejeitar incorretamente a hiptese nula.
Um menos a probabilidade do Erro tipo II chamada de poder do teste, ou
seja, a probabilidade de se rejeitar corretamente uma falsa hiptese nula.
Um teste ser dito consistente se o poder do teste se aproxima de 1 e o tamanho
do teste do infinito.
5.2.5 O DILEMA DA METODOLOGIA: BAYSIANA OU

CLSSICA
Abordagem
bordagem baysiana no cap. 16 (no chega em uma concluso objetiva, mas
estabelece prioridades)
5.3 DUAS ABORDAGENS PARA TESTAR HIPTESES

Estimar o modelo completo e testar hipteses (teste Wald)
Estimar o modelo restrito e verificar se a perda no
ajustamento apenas um problema amostral ou
estatisticamente significativo (analisar o ajustamento)
Comeando com um modelo de regresso linear

y = X +
Considerando o conjunto de restries lineares na forma
r111 + r122 + ... + r1KK = q1
r211 + r222 + ... + r2KK = q2
(5-7)
rJ11 + rJ22 + ... + rJKK = qJ
Em uma simples equao temos
R = q
(5-8)
Exemplos de restries lineares

1. Um dos coeficientes zero, j = 0
R = [ 0 0 K 1 0 K 0]
q = [ 0]
2. Dois dos coeficientes so iguais, k = j
R = [ 0 0 1 K 1 K 0]
q = [ 0]
3. A soma de um conjunto de coeficientes igual a 1, 2 + 3 + 4 = 1
R = [0 1 1 1 0 K 0]
q = [1]
4. Um subconjunto de coeficientes so todos iguais a zero,
1 0 0 0 K 0
R = 0 1 0 0 K 0
0 0 1 0 K 0
1 = 0, 2 = 0 e 3 = 0
0
q = 0

0
5. Vrias restries lineares, 2 + 3 = 1,, 4 + 6 = 0 e 5 + 6 = 0
0 1 1 0 0 0
R = 0 0 0 1 0 1
0 0 0 0 1 1
1
q = 0

0
6. Todos os coeficientes exceto o termo constante so zero.

R = [0:IK 1]
e
q=0
Sero consideradas duas abordagens para testar hipteses:

Teste Wald: que testa a hiptese R q =0
Teste baseado no ajustamento: baseado no R2
UMA SUPOSIO IMPORTANTE

Assumimos resduos normalmente distribudos na prxima seo,
vamos verificar as implicaes de relaxar esta suposio.
5.4 TESTE WALD

Procedimento mais comum
Frequentemente chamado de teste de significncia
5.4.1 Testando a hiptese sobre um coeficiente

Seja a hiptese nula:
H0:
2=
o valor do coeficiente a ser testado, por exemplo, zero. A distncia Wald

entre o coeficiente bk e o valor 20 dado por:
2
Wk =
bk k0
2 S kk
Wk j foi chamado de zk . Quando no conhecemos a varincia utilizamos a

estatstica
tk =
bk k0
s 2 S kk
Quando temos
H0:
Ficamos com
tk =
2=
bk
s 2 S kk
5.4.2 O TESTE F E A DISCREPNCIA DE MQO

Considere um conjunto J de restries lineares, que podem ser escritas como
H0: R q = 0
Contra a hiptese alternativa
H1: R q 0
Dado o estimador de mnimos quadrados b
Nosso interesse o vetor discrepante
Rb q = m
provvel que m seja exatamente 0

um erro amostral
Questo estatstica
significante
Se b distribudo normalmente e m uma funo de b, ento m tambm
distribudo normalmente. Se a hiptese nula verdadeira, ento R q = 0 e m tem
um vetor mdio
E[m|X] = R E[b|X] q = R q = 0
e matriz de covarincia
var [m|X] = var [R q|X ] = R{var[b|X]}
R
R = 2R(XX)1R
Podemos usar o Critrio de Wald:
W=
(Rb q)'[R ( X' X) 1 R ' ]1 (Rb q)
(5-14)
~ (2J )
Como no conhecemos a varincia, temos que utilizar a estatstica F, como a

estimava da varincia s2
W 2
F=
J s2
(Rb q)'[R[ s 2 ( X' X) 1 ]R ' ]1 ( Rb q)

F[ J ,n k |X ] =
J
(5-15)
(5-16)
Para testar,
H0 : r11 + r22 + K+ rk k = r' = q F[1,nk ] =
( j rjb j q)2
j k rj rk Est.Cov.[b j bk ]
Para testar, jth coeficiente igual a zero
F[1,n k ] =
(b j q ) 2
Est. var .[b j ]
Considere uma abordagem alternativa.

alternativa A estimativa amostral de r
r1b1 + r2b2 + K + rk bk = r ' b = q
Podemos utilizar a estatstica t

q q
r'b r'
t=
=
se(q
(q )
r s 2 (XX )1 r
em que se(q ) a raiz quadrada da est. var .[q | X] = r '[ s 2 ( X' X) 1 ]r

Podemos relacionar (5-7) com (5-8), no caso de regresso linear simples
(q q) 2
(r ' b q){r '[ s 2 ( X' X) 1 ]r}1 (r ' b q)
t = F(1,n k ) t =
=
var(q q | X)
1
2
Ver Exemplo 5.3
(5-17)
.
5.5
TESTANDO
RESTRIES
UTILIZANDO
AJUSTAMENTO DA REGRESSO
5.5.1 O ESTIMADOR DE MNIMOS QUADRADOS RESTRITOS
Uma abordagem diferente focar no ajustamento da regresso.
Podemos escolher b que minimiza a soma de quadrados dos resduos, desde
que
R 2 = 1
e' e
y ' M 0y
uma constante que no depende de b
.. devemos escolher b que maximiza o R2
Supomos que impomos explicitamente restries com hipteses lineares

gerais no modelo de regresso. O estimador restrito de mnimos quadrados obtido
como soluo de:
Minimize b s(b0) = (y Xb0)(y Xb0)
0
sujeito a Rb0 = q
A funo lagrangeana para este problema pode ser escrito como

L*(b0, ) = (y Xb0)(y Xb0) + 2(Rb0 = q)
(5-18)
A soluo b* e * ir satisfazer a seguinte condio necessria
L*
= 2 X' (y Xb* ) + 2R ' * = 0
b*
L*
= 2(Rb* q) = 0
*
(5-20)
Dividindo por 2 e colocando na forma matricial [particionada]
X' X R ' b* X' y

. =
R
0 * q
ou, Ad* = v e d = A1v se existe inversa
(5-21)
(5-22)
R]1(Rb q)
b* = b (XX)1R[R(XX)1
em que,
= b - Cm
(5-23)
* = [R(XX)1R]1(Rb q)
q
Greene e Seaks (1991) mostrou que

[R(XX)1R] R(XX)1
var [b*|X] = 2(XX)1 2(XX)1
(5-24)
= var [b|X] uma matriz definida no negativa

representa o valor
informao
contida
restrio
da
na
Note que a soluo explicita * envolve o vetor discrepante Rb q. Se o

estimador de mnimos quadrados no restrito satisfaz a restrio, o multiplicador
de Lagrange ser igual a zero e b*, igual a b.
5.5.2 A PERDA DE AJUSTAMENTO NOS MNIMOS

QUADRADOS RESTRITOS
Considere a incluso de uma varivel z em um modelo com k 1 variveis.
Da seo 3.5, temos que
RX2 z = RX2 + (1 RX2 )ryz*2

antigo R2
(5-25)
Coeficiente de correlao parcial
entre y e z, controlado por X
De (3-22), temos
ryz*2
tZ2
= 2
tZ + (n k )
teste t para z no modelo de regresso

mltipla de y sobre X e z
(5-26)
*2
Resolvendo (5-25) para ryz e (5-26) para tz2, obtemos
tZ2
( RX2 z RX2 ) 1
=
(1 RX2 z ) (n k )
Para uma simples restrio, como 2 = 0

2
F [1,n k]
k = t [n k]
(5-27)
Obteremos agora o caso geral para J restries lineares, no qual o caso anterior
um caso especial.
Se e* = y Xb*
= y Xb* + Xb Xb
= y Xb X(b* b)
= e X(b* b)
Ento,
e* e* = [e X(b* b)][
)][e X(b* b)]
= ee eX(b* b)) (b* b)Xe + (b* b)XX (b* b)
= ee + (b* b)XX
XX (b* b) ee
o ajustamento com os coeficientes de M.Q. Restritos
no pode ser maior que a soluo no restrita [ee]
A perda de ajustamento igual a
e*e* ee = (Rb q)[R(XX)1R] 1(Rb q)
Podemos obter
(e*' e* e' e) / J
F[ J ,n k ] =
e' e ( n k )
Dividindo numerador e denominador por,
(5-29)
i (Yi y )2 obtemos
( R 2 R*2 ) J
F[ J ,n k ] =
1 R 2 (n K )
(5-28)
(5-30)
* Uma aplicao seria quando todas as inclinaes so iguais a zero, na seo

5.5.3
Considere um conjunto de restries, como

K = 0
Seja um subconjunto de coeficientes
2 = 0
Podemos construir R = (0 : I), q = 0
em que,
J = K2 n de elementos em 2
R(XX)1R = (X2M1X2) 1
K2 x K2
e
Rb q = b2
A perda no ajustamento, quando retiramos um conjunto de variveis dado por:

e*e* ee = b2X
X2M1X2b2
Utilizar a estatstica F, como visto anteriormente.
anteriormente
EXEMPLO 5.3 Restrio H0 : 4 = 5 = 6 = 0
Modelo restrito:
Cobb Douglas
Modelo no-restrito:
Translog
(e*' e* e' e) J (0,85163 0,67993) 3

F[3,21] =
=
= 1,768
e' e ( n k )
0,67993 21
F[3, 21,5%] = 3,07
Teste estatisticamente no significativo, no

rejeitamos H0, sugerindo que o melhor
modelo o Cobb Douglas
Para testar retornos constantes de escala ou H0 : 2 + 3 = 1

( j r j b j q)2
(0,6030 + 0,3757 1) 2
F[1,24] =
=
= 0,1157
var(b2 ) + var(b3 ) + 2 cov(b1b2 ) 0,01586 + 0,00728 + 2( 0,00961)
como F[1,24,5%] = 4,26 , no rejeitamos H0.
5.5.3 TESTANDO A SIGNIFICNCIA DA REGRESSO

A hiptese de que todos os coeficientes de inclinao da regresso so iguais a
zero, pode ser testada com a estatstica F.
F
F[ K 1,nk ] =
R 2 (K 1)
(1 R 2 ) (n K )
Note que, no limite, se todos os coeficientes de inclinao so iguais a zero, ento

o R2 ser tambm igual a zero. Assim, a hiptese nula no ser rejeitada.
5.5.4 SOLUCIONANDO A S RESTRIES E CAUTELA NO USO

DO R2
5.6 PERTUBAES NO-NORMAIS

NORMAIS E TESTES EM GRANDES
AMOSTRAS
As distribuies das estatsticas F,, t e 2 utilizadas dependem da suposio
de normalidade das perturbaes. Sem esta suposio, considera-se uma
aproximao, para grandes amostras, utilizando D.3 [distribuio assinttica]
1 Assumindo que os dados so bem comportados, a distribuio

assinttica do estimador de mnimos quadrados, b, dado por
2 1
b ~ N , Q
n
em que
X' X
Q = plim
(5-22)
INTERPRETAO:
Sem a suposio de normalidade de , quando o tamanho n
aumenta,
aproximao
distribuio
da
normal
verdadeira
torna-se
distribuio,
melhor
embora
distribuio de b desconhecida
A distribuio de
n (b ) converge exatamente para a
distribuio normal quando n aumenta

Resultado baseado no Teorema Central do Limite
2 o segundo resultado necessrio diz respeito ao estimador de 2:

Podemos obter alguns resultados para grandes amostras para os testes
estatsticos que podero fornecer sugestes de como proceder para amostras
finitas com perturbaes no normais.
plim s 2 = 2
s 2 = e' e ( n k )
em que
t vlido para grandes amostras quando no tem ~ N

5%
25 g.l.
N =1,96
0,0612
tk =
n (bk k0 )
25 g.l.
t = 1,96
1
Q kk
~t
Para testar J restries lineares Rb q = 0
(Rb q)'[R[ s 2 ( X' X) 1 ]R ' ]1 (Rb q)

F=
J
dividindo por 2 [numerador e denominador]
(Rb q)'[R[ 2 ( X' X) 1 ]R ' ]1 (Rb q)

F=
J s2 / 2
mas
n
( X' X)
s 2 = 2 e plim
= Q , multiplicando por .
n
n
(5-32)
Temos o Limite em Distribuio de F

1
1

W * = (Rb q)' R Q 1 R ' (Rb q)
J
n

1
(Rb q)'{var.assint.[Rb q]1}( Rb q)
J
1
x estatstica de Wald ~ J2
J
TEOREMA 5.1 LIMITE EM DISTRIBUIO DA ESTATSTICA WALD

d
Se
n (b ) N [0, 2Q 1 ] e se H0: R q = 0 verdade. Ento,

d
W = (Rb q)'{Rs ( X' X) R '} (Rb q) = JF 2[ J ]

2
Por exemplo, J = 5
2(5,95%) = 11,07
F(5,n k = 10) = 3,,33 x 5 = 16,65
F(5,n k = 25) = 2,,60
x 5 = 13,00
F(5,n k = 50) = 2,,40
x 5 = 12,00
F(5,n k = 100) = 2,214

2
x 5 = 11,07
.. A F aproxima-se do valor verdadeiro quando n aumenta
5.7 TESTANDO RESTRIES NO LINEARES

A anlise anterior era sobre restries lineares. Aqui o problema geral
testar hipteses que envolvem funes no lineares nos coeficientes, em geral
H0 : c()) = q
Em que, a estatstica de teste ser
c( ) q
z=
erro padro estimado
ou seu quadrado. Assim, utilizamos, respectivamente, as distribuies t e F.
) = q , que envolve a varincia de uma

Estimativa de varincia de c (
funo no linear de
) '
(
c
( )
var[ ]
Var[c( )]
g( )
(5-26)

EXEMPLO 5.6
Propenso Marginal a Consumir de longo prazo

Dados da Tabela F5.2 [1950-2000]
[
=
H 0: = 1
PMC
1
LongoPrazo
LnC t = + LnY t + LnC t 1 + t
LnCt = 0 ,003142 + 0 ,07495 LnYt + 0 ,9246 LnCt 1 + et

( 0 ,01055 )
R 2 = 0 ,999712
( 0 ,02859 )
( 0 ,02873 )
s = 0,00874
cov[b, c ] = 0,0003298
PM C d =
gb =
b
0,7495
=
= 0,99403
(1 c) (1 0,9246)
d
1
=
= 13,2626
b 1 c
gc =
d
b
=
= 13,1834
c (1 c) 2
.. A varincia assinttica de d :
Est.V.A [d] = gb2Est.VA[b] + gc2Est.VA[
VA[c] + 2gcgbEst.CA[b,c]
=13,26262[0,02873]2 + 13,18342[0
0,02859]2 + 2[13,26][13,18][-0,0008207]
= 0,0002585
0,99403 1 0,99403 1
=
= 0,37131
0,0002585 0,016078
Como n grande utilizamos a distribuio Normal e no a t. A hiptese no
..
Z=
rejeitada
[ H : = 1]
0
Ver teste para hiptese
linear.
5.8 ESCOLHENDO ENTRE MODELOS NO-ANINHADOS

NO
Procedimento de teste clssico:
Impomos restries ao modelo y = X + , tal que
H0: R = q
vs
H1: R q
Agora, podemos testar dois tipos de modelos [Por exemplo, um modelo

linear e um no-linear.
H0: y = X + 0
e
H1: y = Z + 1
(5-39a)
(5-39b)
5.3.1 Testando hipteses no-aninhadas

aninhadas
Princpio abrangente
2 abordagens
Modelo detalhado
5.8.2 UM MODELO ABRANGENTE

O modelo 0 abrange o modelo 1 se as caractersticas do modelo 1 podem
ser explicadas pelo modelo 0, mas o contrrio no verdadeiro.
Modelo 0
y = X + 1
Modelo 1
y = Z + 2
y = X + Z + W +
variveis que esto nos 2 modelos

variveis que esto em Z, mas no em X
variveis que esto em X, mas no em Z
H0: modelo 0 abrange modelo 1 - rejeitada se
H1: modelo 1 abrange modelo 0 - rejeitada se
=0
=0
um misto de e - ento o teste no distingue entre H0 e H1, mas

entre H0, H1 um hbrido
2 problemas
Este modelo abrangente pode ter um grande nmero de regressores, o
que, em sries temporais, pode levar ao problema da multicolinearidade.
Uma abordagem alternativa: Se H0 est correta modelo 0 abrange o

modelo 1. Seja,
na regresso y = Z + 2 assim, c =
Se H0 est correta E[c c0] = 0
se X estima bem y , ento Xb = Z + 2
c0 =
Que equivalente a um teste F em:

y = X + Z11 + 1
variveis em Z que no esto em X

H0: 1 = 0
5.8.3 ABORDAGEM DETALHADA TESTE J

Sugesto de Davidson e Mackinnon (1981). Seja, novamente
Modelo 0
y = X + 1
Modelo1
y = Z + 2
Ento
y = (1 ) X + (Z) +
H0: = 0 (modelo 0 o melhor)
PROCEDIMENTO:
Estimar y sobre Z e obter por MQO.
Estimar y sobre X e Z por MQO e
Verificar se
H0: = 0
utilizar a distribuio normal padro.
5.9 UM TESTE DE ESPECIFICAO

O teste RESET
5.10 CONSTRUINDO MODELO UMA ESTRATGIA GERAL
PARA SIMPLIFICAR
abordagem dos ltimos 20 anos
Iniciamos com uma especificao simples
adicionar a varivel
Posteriormente inclumos novas
variveis para verificar se devemos
omitir a varivel
ver Hendry (1995)
1) Regresso pia de cozinha, adotamos um nvel de significncia e

eliminamos o que no passa no
2 consideraes
critrio, algumas podem ficar por acidente
2) Pode gerar modelos mal especificados Ex. adio
de vrios lags em modelos dinmicos
5.10.1 CRITRIO DE SELEO DE MODELO

R2 ajustado
n 1
n 1
ee
2
R =1
(1 R ) = 1
nK
n K in=1 yi y 2
(5-40)
Critrio de informao de AIC

AIC(K) = s2y(1 R2)e2K/n
(5-41)
Critrio de informao de Schwartz ou Bayesiano

BIC(K) = s2y(1 R2)nK/n
(5-42)
ambos aumentam quando R2 aumenta

premiam
premiam modelos com menos parmetros
melhor
melhor modelo ser aquele com menor valor para o critrio
Verso em Log
ee 2 K
AIC ( K ) = ln +
n n
ee K ln n
BIC ( K ) = ln +
n
n
(5-43)
(5-44)
No STATA
estat ic
-----------------------------------------------------------------------------Model |
Obs
ll(null)
ll(model)
df
AIC
BIC
-------------+------------------------------------------------------------------------------------------------------------------------------. |
73
-523.5529
-513.0236
513.0236
5
1036.047
1047.499
----------------------------------------------------------------------------
5.10.2 Seleo de modelos

5.10.3 Seleo clssica do modelo
5.10.4 Abordagem baysiana
5.11 Resumo e concluses
--

Notas de Aula Greene I - Cap. 5

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Notas de Aula Greene I - Cap. 5

Încărcat de

Drepturi de autor:

Formate disponibile

DISCIPLINA ECONOMETRIA I

Prof. Marina Silva da Cunha

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 2

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 3

5.2 METODOLOGIA PARA TESTAR HIPTESES

5.2.1 RESTRIES E HIPTESES

Vamos construir uma metodologia para:

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 4

5.2.2 MODELOS ANINHADOS

Modelo 2: (1, 2, 0,, 4, 5) Investidores preocupam-se

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 5

5.2.3 PROCEDIMENTO DE TESTE METODOLOGIA DE

5.2.4 TAMANHO, PODER E CONSISTNCIA DO TESTE

0, mas rejeitamos a hiptese

Erro tipo II: 2 0, mas no rejeitamos a hiptese

5.2.5 O DILEMA DA METODOLOGIA: BAYSIANA OU

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 6

5.3 DUAS ABORDAGENS PARA TESTAR HIPTESES

Comeando com um modelo de regresso linear

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 7

Exemplos de restries lineares

2. Dois dos coeficientes so iguais, k = j

3. A soma de um conjunto de coeficientes igual a 1, 2 + 3 + 4 = 1

4. Um subconjunto de coeficientes so todos iguais a zero,

5. Vrias restries lineares, 2 + 3 = 1,, 4 + 6 = 0 e 5 + 6 = 0

6. Todos os coeficientes exceto o termo constante so zero.

Sero consideradas duas abordagens para testar hipteses:

UMA SUPOSIO IMPORTANTE

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 8

5.4 TESTE WALD

5.4.1 Testando a hiptese sobre um coeficiente

o valor do coeficiente a ser testado, por exemplo, zero. A distncia Wald

Wk j foi chamado de zk . Quando no conhecemos a varincia utilizamos a

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 9

5.4.2 O TESTE F E A DISCREPNCIA DE MQO

provvel que m seja exatamente 0

(Rb q)'[R ( X' X) 1 R ' ]1 (Rb q)

Como no conhecemos a varincia, temos que utilizar a estatstica F, como a

(Rb q)'[R[ s 2 ( X' X) 1 ]R ' ]1 ( Rb q)

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 10

Para testar, jth coeficiente igual a zero

Considere uma abordagem alternativa.

r1b1 + r2b2 + K + rk bk = r ' b = q

Podemos utilizar a estatstica t

em que se(q ) a raiz quadrada da est. var .[q | X] = r '[ s 2 ( X' X) 1 ]r

Ver Exemplo 5.3

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 11

Supomos que impomos explicitamente restries com hipteses lineares

A funo lagrangeana para este problema pode ser escrito como

A soluo b* e * ir satisfazer a seguinte condio necessria

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 12

Dividindo por 2 e colocando na forma matricial [particionada]

X' X R ' b* X' y

ou, Ad* = v e d = A1v se existe inversa

Greene e Seaks (1991) mostrou que

= var [b|X] uma matriz definida no negativa

Note que a soluo explicita * envolve o vetor discrepante Rb q. Se o

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 13

5.5.2 A PERDA DE AJUSTAMENTO NOS MNIMOS

RX2 z = RX2 + (1 RX2 )ryz*2

teste t para z no modelo de regresso

Resolvendo (5-25) para ryz e (5-26) para tz2, obtemos

Para uma simples restrio, como 2 = 0

_______________________________Notas de aula de econometria I, Profa. Marina S. Cunha 14

(e' e e' e) J (0,85163 0,67993) 3