Introdução Ao Eviews

Workshop de Econometria:
Introduo ao uso do
Eviews
Prof. Caio Piza

CCSA - Depto de Economia/NPQV
Workshop de Econometria - Eviews
Motivao:
Como estimar o impacto de um varivel sobre a outra, o

efeito causal, com base em uma amostra de dados
aleatria?
Conversa de bar: o governo deve aumentar o nmero de policiais

nas ruas para reduzir a criminalidade...;
Conversa de corredor: se a nossa turma fosse menor, o

desempenho da classe seria muito melhor;
Conversa com os pais: preciso fazer ps-graduao para que o

meu salrio aumente.
Os econometristas... So um auxlio positivo na

tentativa de apagar a m imagem pblica da economia
(seja ela quantitativa ou no) como um assunto em
que caixas vazias so abertas supondo-se que a
existncia de abridores de lata revele contedos que
dez economistas interpretaro de 11 maneiras
distintas. (Darnell, Evans e Lynne, 1990, citado por
Gujarati, 2006:1)
Dificuldades prticas:
1. Nem todos os dados de interesse esto disponveis;
2. A base de dados pode no ser suficientemente ampla;
3. Os resultados dificilmente podem ser generalizados;

1 Passo: Compreender o modelo clssico de regresso linear

(MCRL regresso simples);
2 Passo: Limitaes do modelo;
3 Passo: Extenso do modelo simples para o modelo de

regresso mltipla;
4 Testes para a verificao dos pressupostos do MMQO;

Observe o modelo terico para a estimao das quantidades

demandadas:
Q d a bP
Nos modelos tericos, costuma-se atribuir de antemo valores

para a (intercepto) e b (coeficiente angular).
Por exemplo: Q d 10 2 P
Com a equao em mos, basta escolher valores para o

preo (varivel independente) e descobrir qual ser a
quantidade demanda para cada nvel de preo;
O problema que, na prtica, a e b so

desconhecidos!!!
Logo, para obter a quantidade demandada para cada nvel

de preo preciso estimar uma funo de demanda, ou
seja, obter estimativas de a e b!!!
Pressupostos do MCRL
1. Yi = 1 + 2(Xi) + ui;
2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;
3. Var(ui) = ^2 = var(Yi);
4. Cov(ui,uj) = Cov(Yi,Yj) = 0;
5. Xi no aleatria e deve assumir, ao menos, dois valores

distintos;
6. Os valores de u se distribuem normalmente em torno de sua

mdia se os valores de y so distribudos normalmente.
O Mtodo dos Mnimos Quadrados (MMQ)
Uma vez que no possvel saber quais os

verdadeiros valores dos s, no ser possvel
encontrar a reta de regresso populacional(!)
E(Yi/Xi) = 1 + 2(Xi) ????
Como proceder???
O objetivo, portanto, encontrar a reta de regresso

que mais se aproxima da reta de regresso
populacional; ou seja, descobrir a reta que melhor se
ajusta aos dados disponveis;
Observe, portanto, que o desafio descobrir quais os

estimadores (os beta-chapu) que mais se aproximam
dos verdadeiros valores dos parmetros populacionais.
possvel escrever o modelo linear de

regresso simples como:
i. Yi = 1 + 2(Xi) + ui Funo de regresso populacional
ou
ii. Yi = E(Yi/Xi) + ui;
Componente Componente
sistemtico aleatrio
Uma vez que E(yi/xi) = 1 + 2(xi) uma reta e

os s so desconhecidos, possvel utilizar a
funo de regresso amostral e, em seguida,
isolar os resduos, ou seja:

Yi 1 2 X i u i
Ou,

u i Yi 1 2 X i

Ou, ainda, u i Yi Yi
Intuitivamente, o que se busca a menor distncia

entre yi e y^, ou seja, a menor diferena entre o valor
estimado (previsto) e o valor observado. Em outros
termos, o menor valor para o a soma dos resduos
Para evitar que a soma dos resduos seja igual a zero,

utiliza-se a soma dos quadrados dos resduos.
Veja o grfico abaixo: (Fonte: Wooldridge,2002:31)

y1 Y 1 2 X
u^
y^
y^ y
x
x1
Observe que u^ pode ser positivo ou negativo.

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)
Este mtodo apenas uma das possveis maneiras de obteno dos

estimadores de interesse (os betas-chapu);
O mtodo consiste em minimizar a funo dada por:
N 2

S 1 , 2 Yi 1 2 X i
i 1
Nesse caso, os betas-chapu estimados sero os melhores
estimadores lineares, pois eles minimizam a distncia entre o valor
previsto e o valor esperado.
Tomando as derivadas parciais com respeito aos

parmetros e resolvendo as condies de primeira
ordem:
x y
i 1
i i
cov( Xi, Yi)
2 N

2 var( Xi )
x
i
i 1

1 Y 2 X
Propriedades Amostrais dos Estimadores de

Mnimos Quadrados: Teorema de Gauss-
Markov
Teorema: Sob os pressupostos do modelo clssico de regresso

linear, os estimadores encontrados aplicando o mtodo de MQO
so os melhores estimadores lineares no tendenciosos
(BLUE) de 1 e 2 (Hill, Griffiths e Judge, 2006:87)
Varincia dos estimadores:
2

var 2
X i2

2

2 X i
var 1

N X X
i
O problema que a varincia do erro no

conhecida. Ento, antes de calcular as varincias
dos estimadores necessrio obter um estimador
para a varincia. No caso:

2 2
u i

n2
Onde n-2 so os graus de liberdade (tamanho da
amostra menos o nmero de parmetros
estimados).
Assim, para estimar as varincias dos estimadores

preciso substituir ^2 por sua estimativa. Ento, por
exemplo:

2

var 2 2
i X
Para o beta 1 chapu vale o mesmo.

Exemplos no Eviews:
1. Estimativa da funo de demanda;
2. Estimativa da funo salrio;
3. Estimativa de uma funo de despesa com

alimentao.
i. Grficos de linha (ou barra) para as sries

selecionadas;
ii. Grfico de disperso para verificar se h

correlao entre as variveis;
iii. Estatsticas descritivas;

Regresso simples;
Regresso vs. Correlao;
Gerao e transformao de sries;
Transformar as sries em logaritmos naturais (ln);
Interpretao das estimativas nessa forma funcional

modelo log-log;
Grfico dos resduos dos MQ;
Representao da equao estimada;
Previses com base na equao:

Aps regredir y contra x...
Scalar y(valor) = b1 + b2(valor)

Coeficiente de Determinao ou R-Quadrado
O coeficiente de determinao (R^2) mostra quo bem ajustada

aos dados est a linha (ou reta) de regresso; ou, qual a
proporo da variao de y que explicada pelo modelo de
regresso (por Xi).
Como obtido?
Rever o exemplo;
Qual a relao entre R^2 do MCRL e o coeficiente de correlao?

Estimao de Intervalos e Testes de

Hipteses
Distribuio dos estimadores de MQ:

2

2 ~ N 2 ,
2
X i X

Como a varincia do estimador desconhecida, utiliza-se a

estimativa da varincia para a obteno de estatsticas de
intervalo no caso, a estatstica t.

2 2 2 2
t
~ t n 2

var 2 ep 2

Se as hipteses 1 a 6 do MCRL se verificam, ento a varivel

aleatrio t poder ser utilizada na estimao de intervalos e
testes de hipteses.
Intervalo de confiana:

P 2 t c ep 2 2 2 t c ep 2 1

Os extremos aleatrios do intervalo definem um estimador de

intervalos para 2.
Cuidado com a interpretao do intervalo de confiana!!!

Construindo intervalos de confiana no

Eviews
Comandos no Eviews: Aps regredir y contra x...

Coef(2) confint
Confint(1) = eq_name.@coefs(2)-@qdist.(.975,n-k)*eq_name.@stderrs(2)
Confint(2) = eq_name.@coefs(2)+@qdist.(.975,n-k)*eq_name.@stderrs(2)
Onde: eq_name.@coefs(2) = b2
eq_name.@stderrs(2) = se(b2)
@qtdist(.975,n-k) = t crtico
Testes de Hipteses:
i. Bicaudal;
ii. Monocaudal;
iii. Teste de significncia;
Comandos no Eviews para a realizao de teste de hipteses:
Teste bicaudal:
Coef(10) ttest criao do vetor de armazenamento

Ttest(1) = eq_name.@coefs(2) b2
Ttest(2) = eq_name.@stderrs(2) se(b2)
Ttest(3) = (ttest(1)-valor)/ttest(2) estatstica t
Ttest(4) = @abs(ttest(3)) |estatstica t|
Ttest(5) = 1-@ctdist(ttest(4),n-k) P[t(n-k)>=|estatstica t|]
Ttest(6) = 2*ttest(5) valor p bicaudal
Teste monocaudal: (Ha > 0)
Aps obter a regresso de y contra x...
Coef(3) ttest1 vetor de

armazenamento
Ttest1(1) = (eq_name.@coefs(2)-valor)/eq_name.@stderrs(2) estatstica t
Ttest(1) = @qtdist(.95,n-k) valor crtico
Ttest1(3) = 1-@ctdist(ttest1(1),n-k) valor p
(monocaudal)
Teste de Wald (F) para os coeficientes

estimados;
Bicaudal;
Monocaudal;
Heterocedasticidade
Quando a varincia dos erros (e das variveis

explicadas) no constante, os estimadores dos
mnimos quadrados ordinrios continuam lineares
e no tendenciosos, mas deixam de ser os mais
eficientes.
1 passo: plotar um grfico de correlao para

observar como se comportam os erros para
maiores valores de Xi;
2 passo: rodar uma regresso robusta quanto

heterocedasticidade. Este modelo utiliza a
varincia consistente quanto
heterocedasticidade white.
Intervalos de confiana ajudam a verificar como a

varincia de White mais robusta;
Comandos no Eviews para a criao dos intervalos de confiana:
Coef(4) confid
Confid(1) = eq_name.@coefs(2) - @qtdist(.95,n-k)*(eq_name.@stderrs(2)
Confid(2) = eq_name.@coefs(2) + @qtdist(.95,n-k)*(eq_name.@stderrs(2)
Confid(3) = eq_white.@coefs(2) - @qtdist(.95,n-k)*(eq_white.@stderrs(2)
Confid(4) = eq_white.@coefs(2) + @qtdist(.95,n-k)*(eq_white.@stderrs(2)
Mnimos Quadrados Generalizados :GLS

Este modelo gera outros estimadores, ao contrrio do caso
anterior, que utilizou uma matriz de varincia de White para
corrigir os estimadores de MQO;
Comandos no Eviews para a criao dos intervalos de confiana:
Coef(3) stderrs
Stderrs(1) = eq_ols.@stderrs(2)
Stderrs(2) = eq_white.@stderrs(2)
Stderrs(2) = eq_gls.@stderrs(2)
Finalmente!!! O teste de Goldfeld-Quandt
1. Reordenar a varivel X (ordem decrescente);

2. Rodar uma regresso com metade das observaes e salvar o erro padro
(scalar sig1 = @se);
3. Rodar outra regresso com a segunda metade das obs e salvar o erro padro
(scalar sig2 = @se);
Gerando as estat
estatsticas do teste...
i. Coef(2)
Coef(2) GQ
ii. GQ(1) = (sig1^2)/(sig2^2)
iii. GQ(2) = @qfdist
@qfdist(.95,
(.95, 18,18)
Obs:
Obs: Quando a estat
estatstica F de Goldfeld-
Goldfeld-Quandt for maior do que o Fcr
Fcrtico,
tico, rejeita-
rejeita-se a
hip
hiptese nula de que no h
h heterocedasticida ou, de que h
h homocedasticidade.
homocedasticidade.
Regresso Mltipla
Modelo Geral:
Yi 1 2 X i 2 3 X i 3 ... k X ik ui
Obs: o vetor Xi1 foi omitido pois um vetor coluna de

1s.
Pressupostos do Modelo de Regresso Mltipla
1. Yi = 1 + 2(Xi2) + 3(Xi3) +...+ k(Xik) + ui;
2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;
3. Var(ui) = ^2 = var(Yi);
4. Cov(ui,uj) = Cov(Yi,Yj) = 0;
5. Os valores dos Xis no so aleatrios nem funes lineares exatas das

outras variveis explicativas (no h multicolinearidade ou combinao
linear entre as variveis independentes);
6. Os valores de u se distribuem normalmente em torno de sua mdia se os

valores de y so distribudos normalmente.
Observao:
Agora, o estimador da varincia do erro dado por:

2 ui

nk
Onde n-k so os graus de liberdade n obs menos k

parmetros estimados.
Se os pressupostos 1 a 6 forem respeitados, o

Teorema de Gauss-Markov tambm se aplica para o
modelo de regresso mltipla.
Assim, os estimadores sero os melhores estimadores

lineares no-viesados (BLUE).
Varincias e Covarincias dos estimadores
2
var 2 2
n
2
X i2 X 2 1
r23
i 1
Onde r23 o coeficiente de correlao entre as variveis X2 e X3.
Note que quanto maior a correlao entre as variveis, maior a varincia do

estimador 2.
A matriz de varincia e covarincia fornece

informaes valiosas sobre os intervalos de
confiana e a preciso dos estimadores.
Intervalos de confiana para os estimadores do

arquivo Hill_2
Comandos no eviews...
Coef(4) confint
Confint(1) = eq_name.@coefs(2) - @qtdist(.975,49)*eq_name.@stderrs(2)
Confint(2) = eq_name.@coefs(2) + @qtdist(.975,49)*eq_name.@stderrs(2)
Confint(3) = eq_name.@coefs(3) - @qtdist(.975,49)*eq_name.@stderrs(3)
Confint(4) = eq_name.@coefs(3) + @qtdist(.975,49)*eq_name.@stderrs(2)
Aplicando o teste de Wald (F) para realizar testes de

hipteses conjuntas e testes de significncia do modelo.
1. Regredir Y contra X2 e X3;

2. Obter a equao de regresso amostral;
3. Estabelecer as hipteses nulas a serem testadas e as
hipteses alternativas;
4. Verificar a estatstica F e o p-valor;
Previso no modelo de regresso mltipla
Obs: aps obter a representao da equao estimada, modificar

o nome da varivel dependente para yp apenas para evitar a
modificar a srie da varivel y;
Comando:
scalar yp = 104.7855136 - 6.641930069*2 + 2.984298953*10
No modelo de regresso mltipla, o R^2 mede a

proporo de variao na varivel dependente
explicada pelo modelo por todas as variveis
independentes.
O R^2 pode ser visto como uma medida da qualidade

de ajustamento do modelo;
Na prtica, olha-se mais para o R^2 ajustado, pois o

R^2 pode aumentar com o acrscimo de variveis no
modelo, mesmo que no sejam significantes.
Frmula do R^2: (opcional)
Seja: SQT = soma dos quadrados totais;

SQE = soma dos quadrados explicada pelo modelo;
SQR = soma dos quadrados dos resduos;
Como SQT = SQE + SQR
fcil mostrar que...
R^2 = SQE/SQT = 1 SQR/SQT

Introdução Ao Eviews

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

Introdução Ao Eviews

Încărcat de

Drepturi de autor:

Formate disponibile

Workshop de Econometria:

Prof. Caio Piza

Como estimar o impacto de um varivel sobre a outra, o

Conversa de bar: o governo deve aumentar o nmero de policiais

Conversa de corredor: se a nossa turma fosse menor, o

Conversa com os pais: preciso fazer ps-graduao para que o

Os econometristas... So um auxlio positivo na

1. Nem todos os dados de interesse esto disponveis;

2. A base de dados pode no ser suficientemente ampla;

3. Os resultados dificilmente podem ser generalizados;

1 Passo: Compreender o modelo clssico de regresso linear

2 Passo: Limitaes do modelo;

3 Passo: Extenso do modelo simples para o modelo de

4 Testes para a verificao dos pressupostos do MMQO;

Observe o modelo terico para a estimao das quantidades

Nos modelos tericos, costuma-se atribuir de antemo valores

Com a equao em mos, basta escolher valores para o

O problema que, na prtica, a e b so

Logo, para obter a quantidade demandada para cada nvel

2. E(ui/Xi) = 0, pois E(Yi/Xi) = 1 + 2(Xi); ento, E(ui) = 0;

5. Xi no aleatria e deve assumir, ao menos, dois valores

6. Os valores de u se distribuem normalmente em torno de sua

O Mtodo dos Mnimos Quadrados (MMQ)

Uma vez que no possvel saber quais os

E(Yi/Xi) = 1 + 2(Xi) ????

O objetivo, portanto, encontrar a reta de regresso

Observe, portanto, que o desafio descobrir quais os

possvel escrever o modelo linear de

i. Yi = 1 + 2(Xi) + ui Funo de regresso populacional

ii. Yi = E(Yi/Xi) + ui;

Uma vez que E(yi/xi) = 1 + 2(xi) uma reta e

Intuitivamente, o que se busca a menor distncia

Para evitar que a soma dos resduos seja igual a zero,

Veja o grfico abaixo: (Fonte: Wooldridge,2002:31)

Observe que u^ pode ser positivo ou negativo.

O Mtodo dos Mnimos Quadrados Ordinrios (MQO)

Este mtodo apenas uma das possveis maneiras de obteno dos

O mtodo consiste em minimizar a funo dada por:

Tomando as derivadas parciais com respeito aos

Propriedades Amostrais dos Estimadores de

Teorema: Sob os pressupostos do modelo clssico de regresso

Varincia dos estimadores:

O problema que a varincia do erro no

Assim, para estimar as varincias dos estimadores

Para o beta 1 chapu vale o mesmo.

1. Estimativa da funo de demanda;

2. Estimativa da funo salrio;

3. Estimativa de uma funo de despesa com

i. Grficos de linha (ou barra) para as sries

ii. Grfico de disperso para verificar se h

iii. Estatsticas descritivas;

Regresso vs. Correlao;

Gerao e transformao de sries;

Transformar as sries em logaritmos naturais (ln);

Interpretao das estimativas nessa forma funcional

Grfico dos resduos dos MQ;

Representao da equao estimada;

Previses com base na equao:

Scalar y(valor) = b1 + b2(valor)

Coeficiente de Determinao ou R-Quadrado

O coeficiente de determinao (R^2) mostra quo bem ajustada

Qual a relao entre R^2 do MCRL e o coeficiente de correlao?

Estimao de Intervalos e Testes de

Distribuio dos estimadores de MQ: