Documente Academic
Documente Profesional
Documente Cultură
PARTE I: CAPTULO 5
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
y = X +
Podemos considerar uma aplicao,
ln Price =
Questes sobre
2
2
ln Size +
3 AspectRatio
(5-2)
2=
0 vs HA:
2
Modelos
Modelo 1: (1, 0, 3, 4, 5)
no aninhados
Investidores preocupam-se
apenas com a taxa de inflao
2=
(5-8)
R = [ 0 0 K 1 0 K 0]
q = [ 0]
R = [ 0 0 1 K 1 K 0]
q = [ 0]
R = [0 1 1 1 0 K 0]
q = [1]
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
0 1 1 0 0 0
R = 0 0 0 1 0 1
0 0 0 0 1 1
1
q = 0
0
H0:
2=
Wk =
bk k0
2 S kk
tk =
bk k0
s 2 S kk
Quando temos
H0:
Ficamos com
tk =
2=
bk
s 2 S kk
Rb q = m
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=
(5-14)
~ (2J )
W 2
F=
J s2
(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 ]
F[1,n k ] =
(b j q ) 2
Est. var .[b j ]
(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
sujeito a Rb0 = q
(5-18)
L*
= 2 X' (y Xb* ) + 2R ' * = 0
b*
L*
= 2(Rb* q) = 0
*
(5-20)
0 * q
(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
(5-24)
da
na
(5-25)
Coeficiente de correlao parcial
entre y e z, controlado por X
De (3-22), temos
ryz*2
tZ2
= 2
tZ + (n k )
*2
tZ2
( RX2 z RX2 ) 1
=
(1 RX2 z ) (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 )
(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)
Rb q = b2
Cobb Douglas
Modelo no-restrito:
Translog
(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)
F[ K 1,nk ] =
R 2 (K 1)
(1 R 2 ) (n K )
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
plim s 2 = 2
s 2 = e' e ( n k )
em que
25 g.l.
N =1,96
0,0612
tk =
n (bk k0 )
25 g.l.
t = 1,96
1
Q kk
~t
mas
n
( X' X)
s 2 = 2 e plim
= Q , multiplicando por .
n
n
(5-32)
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
Se
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
x 5 = 12,00
c( ) q
z=
erro padro estimado
ou seu quadrado. Assim, utilizamos, respectivamente, as distribuies t e F.
) '
(
c
( )
var[ ]
Var[c( )]
g( )
(5-26)
=
H 0: = 1
PMC
1
LongoPrazo
LnC t = + LnY t + LnC t 1 + t
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.
vs
H1: R q
(5-39a)
(5-39b)
Modelo 1
y = Z + 2
y = X + Z + W +
=0
=0
c0 =
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.
(5-40)
(5-41)
(5-42)
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
----------------------------------------------------------------------------
--