Documente Academic
Documente Profesional
Documente Cultură
SUMRIO PGINA
2. Modelos no lineares 9
3. Variveis dummy 15
47
Lista de exerccios de aula
Gabarito 58
Bom, antes de qualquer coisa, preciso destacar que a aula de hoje , com certeza, a
mais chata e menos prtica de todo o curso. Esta aula ser muito pesada. Tem
muita teoria matemtica e exige um esforo muito grande, apesar de boa parte do
contedo no ser cobrado diretamente pelas bancas. Ento, respire fundo e se
concentre. A aula ter poucos exerccios! O foco ser teoria!
- Professor, se no cai muito na prova, por que voc est dando esta matria?
Meus queridos alunos, o conhecimento que vocs tero nesta aula indispensvel
para a compreenso do contedo que vir a seguir.
Por exemplo, eu vou ter que ensinar um pouco de operaes com matrizes para
vocs, uma rea da Matemtica que chamada de lgebra Matricial. No h
exerccios deste tema na prova, porm, sem o conhecimento deste contedo no ser
possvel que voc entenda profundamente os fundamentos da Regresso Mltipla,
como uma matriz de varincias e covarincias, por exemplo. Assim, tenham
pacincia!
Vamos l, lembram-se das 2 hipteses que dissemos ser necessrias para a atividade
de anlise de regresso?
Dicas de um Concurseiro
Gente, muito importante que, durante o estudo, voc tente
fazer uma fora para lembrar-se do contedo j ensinado a
voc durante o curso. Caso voc no se lembre de algo, pare
tudo, e v consultar suas anotaes. Voc vai ver! Voc no
esquece mais!
Veja, tudo que ns discutimos na aula anterior tem a ver com o estimador MQO. Uma
caracterstica importante para um estimador a sua ausncia de vis. Quando eu
digo vis exatamente isso que vocs esto pensando. Ao afirmar que a opinio de
uma pessoa sobre determinado assunto enviesada, voc est dizendo que ela
(1)
Quem pensou assim um verdadeiro concurseiro, com meio caminho andado para
sua aprovao. Voc tem que ser objetivo e focar em resultados e no em
perfumarias. Se voc gostar muito de Econometria e quiser aprender isso, passe no
concurso e v fazer um Mestrado ou Doutorado em economia depois, agora, pense
no concurso. Mas, quem quiser dar uma olhada na demonstrao, d uma olhada no
livro do meu orientador de doutorado, Rodolfo Hoffmann, Anlise de Regresso:
uma introduo Econometria.
1Para quem mais criterioso, a mdia dos erros ser igual zero no bem uma hiptese necessria
para se provar que um estimador no viesado. Na verdade esta hiptese necessria para derivar
o prprio estimador, ou seja, praticamente uma condio intrnseca existncia do mesmo.
aquele que possui a menor a menor varincia dentre todos os estimadores lineares
no viesados. O que bastante bvio, dado que se seu estimador no viesado, o
que voc busca que o mesmo possua varincia mnima, de modo a se aproximar
ao mximo do parmetro populacional.
Voc garante que um estimador o melhor estimador linear no viesado, ou, como
conhecido na literatura especializada, BLUE (best linear unbiased estimator) por meio
da satisfao das condies do Teorema de Gauss Markov.
Novamente, vocs no tm que saber como derivar tal teorema (no livro do Prof.
Hoffmann voc tambm encontra tal demonstrao), ento vamos direto ao que
interessa. As pressuposies so as mesmas necessrias para garantir o no vis e
mais estas duas:
Pessoal, todas estas hipteses e suas violaes sero discutidas com mais
detalhes na prxima aula, portanto, no se assustem.
S para explicar melhor, no caso da 4 hiptese, o que se quer garantir que os erros
tem varincia constante ao longo da amostra. Por exemplo, pode-se encontrar um
erro que se comporte de tal forma que:
Se isso ocorrer, voc concorda que a varincia ser funo do valor da varivel
explicativa e, portanto, no constante? Se isso ocorrer, surgiro problemas na anlise
de regresso, conforme ser discutido mais adiante. Quando a varincia dos erros
no constante, chamamos a este problema de heterocedasticidade.
exemplo, e pense sobre isso. Caso isso no ocorra, dizemos que o modelo possui
autocorrelao.
Vocs lembram de que eu disse que, por enquanto, estamos trabalhando com dados
em cortes transversais, ou seja, com observaes para diferentes unidades no
mesmo perodo de tempo (como no caso dos gastos com propaganda, que avaliamos
diferentes empresas em um nico ponto do tempo, um ano, por exemplo)? Ento, a
hiptese 5, na maior parte dos casos, s violada quando estamos trabalhando
com sries de tempo, ou seja, observaes para uma mesma unidade em diferentes
perodos do tempo (seria o equivalente a avaliar a questo dos gastos com
propaganda em uma nica empresa, mas ao longo do tempo).
Por enquanto, tente entender o conceito. Olhe a reta estimada (1), pense na reta
como corte transversal, no qual X o gasto de cada empresa e Y sua respectiva
venda. Depois pense na possibilidade de estas variveis se referirem a uma
nica empresa, assumindo valores diferentes para cada ano passado. Entenda
que se o erro for autocorrelacionado, ele no ser uma varivel aleatria, tal
como esperamos, podendo levar concluso de que a reta est mal
especificada. Alm disso, pense na possibilidade de uma varincia no
constante para os erros, imagine como isso pode afetar, principalmente, o teste
de hipteses, que depende de tal estimativa.
Ento, se estas hipteses estiverem valendo, voc pode dizer que o estimador de sua
Regresso Linear Simples BLUE.
Resoluo
2. Modelos no lineares
Dica de um concurseiro
Muita gente fala faa exerccios, a parte mais importante do
estudo. Um conselho: isso nem sempre verdade. Muitas
vezes as bancas alteram totalmente seu paradigma e as
pessoas condicionadas a exerccios vo mal. Exerccios
uma das partes centrais da sua rotina, mas preciso uma
teoria bem estudada, a fim de que voc possa se adaptar a
qualquer cenrio. Faa assim, pense em um cronograma, fixe
um valor de horas de estudo e horas de exerccios, a depender
do seu domnio da matria, mas nunca deixa uma parte,
exerccios ou teoria, com menos de 20% a 15% do total
estudado.
No, pense comigo, olhe a equao (1). Aquele x da reta estimada poderia ser o
quadrado dos gastos em propaganda, a saber:
Veja, a reta linear, mas o termo varivel igual ao quadrado dos gastos em
propaganda, cuja influncia tentamos explicar. No h qualquer mudana nos
procedimentos de MQO, a estimativa feita da mesma forma, pois a relao
explicada linear, o que tudo que precisamos. Portanto, o modelo no linear, mas
a reta ! Entendam, possvel linearizar muitos modelos, mas no todos.
Com base nisso, iremos comear a entender uma coisa que as bancas adoram, os
coeficientes que do valores de elasticidade.
(2)
Se:
a outra varivel. Assim, a partir daqui iremos nos referir s variveis que sofreram
transformao logartmica como variveis em log e as que no sofreram nenhuma
transformao como variveis em nvel.
Retornando ao tema.
Assim, basta pegar as variveis que compem a regresso que voc quer estimar e
tirar o logaritmo (na maior parte das vezes, logaritmo natural) de cada uma delas, uma
transformao simples. Se voc fosse usar o excel, bastaria selecionar as
observaes da amostra e mandar o programa tirar o logaritmo delas. No se
preocupem, caso a banca pea isso, eles mesmo daro os valores dos
logaritmos para vocs.
Boa pergunta! Veja a equao (2) acima. Naquele caso, b representa a elasticidade
da varivel independente com relao dependente. Simples, no?
Que bom, porque isso cai muito! Este o modelo log log, ou seja, as variveis
explicadas e explicativas esto ambas em log, respectivamente. Agora, me responda:
como um modelo log nvel?
Isso mesmo, a varivel dependente est em log, enquanto que a independente est
em nvel. Guardem esta tabela:
Modelo Interpretao de b
Nvel - Nvel
Nvel - Log
Log - Nvel
Log - Log
Logaritmo. No vou perder muito tempo com isso, pois h diversas coisas que voc
tem que aprender, alm do fato de que isso matria de 2 grau. Mas, dar uma noo
do bsico no mata ningum, no mesmo?
Questo 3
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se o
modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
Considerando a equao do plano obtida pelo mtodo MQO para esse pas, o
valor da previso em um determinado ano do ndice de demanda per capita Q
em funo do ndice de preos (P) e da renda per capita (R) pode ser obtido pela
frmula.
a)
b)
c)
d)
e)
Resoluo
Isolando o nmero 4 do outro lado e por meio das propriedades descritas acima, pode-
se escrever a seguinte relao:
Assim:
O que leva a:
Questo 4
Resoluo
Essa bem fcil. A alternativa (b) a definio de homocedasticidade.
Retornando aula!
3. Variveis dummy
Gente, uma coisa que aparece muito em provas so as variveis binrias, ou dummy.
Estas so variveis que s assumem dois valores: 0 ou 1.
Na qual o salrio de um indivduo explicado pelos seus anos de estudo e por uma
varivel binria , de forma que a mesma toma valor igual a 1 para os homens e 0
para as mulheres. O o termo de erro, que tem a propriedades desejveis.
Neste caso, os homens recebem, na mdia, R$ 300 reais a mais do que as mulheres.
Vejam que, no caso das mulheres, , portanto:
Enquanto que:
Vamos l! Exerccios.
Questo 5
Resoluo
Bom gente, uma coisa que eu falo toda hora que a regresso simples estima uma
reta! Quando a regresso mltipla, trataremos de hiperplanos.
Mas isso no importa, vamos ao que interessa, vocs no tem como saber tudo isso
sem a matria de Regresso Mltipla, mas, vocs j sabem a resposta!
Olhe a alternativa (c), aplique o Ln e voc ver que este modelo passvel de se
tornar linear, mas, como eu disse, nem todos os modelos so.
Dicas de um Concurseiro
Vocs esto vendo? No preciso saber todas
alternativas, com o conhecimento pr-existente voc
pode chegar na resposta. No h como saber tudo!
Voc tem que ser esperto tambm, elimine o que estiver
errado, chegue na reposta por excluso, etc.
Questo 6
Resoluo
J ensinei isso hein? Vamos l:
Retornando aula!
Cansado? V dar uma volta, respire, coma algo. Depois voc continua!
Preparem-se, esta parte vai ser chata e difcil, mas fazer o que? Voc que
escolheu ter uma bela remunerao, com um belo cargo no governo.
Bom, primeiramente, no vou adentrar muito no assunto, dado que se trata de uma
matria de segundo grau e acredito que quase todo mundo se lembra mais ou menos.
Em segundo lugar, vocs tm que aprender isso, pois operaes com matrizes a
forma mais simples de se trabalhar com sistemas de equaes lineares, leia-se,
anlise de Regresso Linear Mltipla!
O nmero de linhas e colunas de uma matriz define sua dimenso, sendo que uma
matriz (m X n) significa que a mesma tem m linhas e n colunas. No caso da matriz
acima, a mesma tem dimenso (2 X 2).
Uma matriz pode conter apenas uma coluna ou apenas uma linha, sendo chamadas,
respectivamente, de vetor coluna e vetor linha. A ttulo de ilustrao:
Mais uma coisa que vocs tm que saber sobre matrizes: o conceito de matriz
transposta. Atente-se: a transposta de uma matriz X ( X ) , to somente uma verso
da original, mas cujas linhas equivalem s colunas da original e vice versa. No caso
do exemplo acima descrito:
Simples no?
Agora chega de bl, bl, bl! Vamos s operaes com matrizes, com o nico intuito
de podermos entender melhor a forma de expressar um sistema de equaes de
forma reduzida, bem como a maneira de estimar um sistema.
Simples no? No tem segredo. Essa regra serve para a soma de matrizes de
qualquer dimenso, contanto que elas possuam a mesma dimenso.
Multiplicao de Matrizes
S para vocs comearem a pensar como economistas, olhe a operao acima e veja
que possvel escrev-la da seguinte forma:
Fcil, Fcil! Agora, vamos multiplicar duas matrizes. Esta operao consiste na
multiplicao de cada linha pela coluna correspondente. Ou seja, no caso de uma
matriz (2 X 2), multiplique a linha 1 pela coluna 1, isso gerar o elemento 1X1 da
matriz (isto o elemento que se encontra na interseco da linha 1 com a coluna 1).
Bom gente, acho que a melhor forma de entender a multiplicao de matrizes por
meio de um exemplo.
Esta ser a parte da disciplina que s ser utilizada em parte mais distante do curso,
no caso, quando falarmos do Vetor Autoregressivo. Mas, j que estamos tratando do
tema lgebra Matricial, vamos nos adiantar e j falar sobre isso.
- No entendi nada!
Com base nesta matriz, o clculo do determinante depende de uma operao sobre
a matriz, repetindo as 2 primeiras colunas direita da ltima. Vamos ilustrar:
Agora voc tem 3 diagonais que vo da esquerda para a direita e 3 que vo da direita
para a esquerda. Portanto, o determinante ser de:
Entenderam? Viram que basta multiplicar os membros das diagonais (6,3,7), (2,4,4)
e (5,4,2) e som-los? A, voc faz a mesma coisa com as diagonais invertidas
(2,4,7), (6,4,2) e (5,3,4) e diminui o primeiro somatrio deste segundo!
Esta parte tranquila. Vamos primeiro ao caso da matriz identidade, pois isso super
importante para sua prova. Simples assim, uma matriz identidade (I) uma matriz tal
qual os elementos da diagonal principal so todos iguais a 1, enquanto que todo o
resto da matriz composto por zeros. Veja:
No! A menos que voc v prestar a prova do IPEA ou da ANPEC, isso no ser
cobrado. Assim, voc s tem que entender o seu papel e como a mesma funciona em
um contexto que voc precisa dividir duas matrizes.
Primeira, multiplicar uma matriz X qualquer por outra Matriz inversa qualquer, Y, por
exemplo, semelhante a dividir X por Y.
Esta propriedade afirma que quando voc multiplica uma matriz pela sua inversa, o
resultado a matriz identidade, o que semelhante a dividir um nmero por ele
mesmo. A ttulo de esclarecimento, cabe destacar que a representao de uma
matriz, quando elevada a (-1), equivalente inversa desta ltima.
A segunda coisa que voc tem que saber sobre inverso de matrizes tem a ver
com independncia linear.
Veja, existe uma propriedade bsica dos determinantes que afirma que se uma
linha/coluna de uma matriz for um mltiplo de outra linha ou coluna da mesma, seu
determinante ser igual a zero. Assim, caso haja dependncia linear em uma matriz,
o determinante ser igual a zero. Teste! Tire o determinante da matriz acima!
Como eu disse, vocs no precisam saber inverter uma matriz, mas saibam que o
processo depende do determinante de uma matriz, assim, se houver dependncia
linear em uma matriz, a sua inversa no existe! Portanto, muito importante saber se
h dependncia linear em uma matriz, pois isso influir no determinante da mesma e,
por consequncia, na sua matriz inversa.
Agora sim vocs vo entender direitinho. Eu j expliquei para vocs que uma
Regresso Linear Mltipla, com k parmetros, dada, genericamente, por:
De forma que i represente qual observao est sendo avaliada para cada uma das
variveis, de forma que i = 1, 2...n.
Assim, vocs vo pensar com bastante calma e enxergar que possvel dispor os
dados da seguinte forma:
Opa! Agora vocs esto entendendo o porqu de todo aquele falatrio sobre
matrizes? Esta ltima forma a melhor forma de se avaliar uma regresso mltipla,
pois simplifica, e muito, a descrio das operaes realizadas.
-Claro Professor!
anlogo a .
E a? Tem algum a? Imagino que vocs devem estar mortos de cansao. Eu s vou
esticar mais um pouquinho e chega. Matutem! Foi uma aula pesada.
Bom, uma coisa vocs precisam saber, a regresso mltipla forma no uma reta, mas
um hiperplano! Vocs conseguem imaginar o porqu?
Vamos lembrar-nos do segundo grau! Olhem o grfico que mostra o caso de uma
regresso simples.
Sendo:
Vejam:
Mas, a anlise de uma matriz de varincia e covarincia serve tambm para o caso
das varincias dos parmetros. Como ser a forma dela? Voc consegue
adivinhar?
Perceba como so semelhantes! Mas, a idia em si traz um novo insight. Por exemplo,
suponha o seguinte modelo:
Pensem comigo, se a correlao entre variveis explicativas por igual a zero, estamos
de volta ao caso de uma nica varivel explicativa. Porm, caso contrrio, a varincia
do parmetro tender a ser tanto maior quanto maior for a correlao entre as
variveis explicativas, podendo resultar em uma varincia infinita, caso ,o
que equivalente ao caso de colinearidade perfeita! Lembrem-se, se houver
colinearidade perfeita em uma regresso, a equao no pode ser estimada por
MQO.
Ufa! Cansei! Aulinha danada de pesada! Vamos fazer uns exerccios para ver se
vocs entenderam. Mas, ressalto, esta uma aula muito conceitual, portanto,
olhe suas anotaes das aulas de estatsticas, releia o texto com calma e tente
fazer os exerccios, mais de uma vez, se for preciso.
I = 1,...,17
Modelo 0,518
Erro 0,014
Total 0,532
Questo 7
Assinale a opo que d o valor do coeficiente de determinao do modelo
linear ajustado.
a) 0,974
b) 0,900
c) 0,990
d) 0,895
e) 0,997
Resoluo
S lembrar:
Questo 8
Resoluo
Opa! Se a questo pedisse a estimativa, seria fcil dado que estamos trabalhando
com logaritmos, que, por conseqncia, d a elasticidade. A saber:
Olha gente, como eu j disse inmeras vezes, no tem jeito, Econometria exige
conhecimentos prvios de Estatstica.
Agora vamos l.
Questo 9
Resoluo
Entenderam?
R= 0,39
Questo 10
Resoluo
Pessoal, substituam:
Questo 11
Resoluo
Questo 12
Resoluo
Questo 13
Resoluo
Questo obviamente incorreta. Pois, no exerccio 10, mostramos que isso possvel.
Exerccio 14
Resoluo
Exerccio 15
Resoluo
Exerccio 16
Resoluo
Perfeito. Esta uma das condies necessrias impostas pelo Teorema de Gauss -
Markov, que demonstra que o estimador MQO BLUE.
Exerccio 17
Resoluo
A demonstrao desta propriedade est fora do escopo deste curso, portanto, vamos
analisar intuitivamente. No tenho inteno de ser formal, ok? para ser intuitivo
mesmo!
Que o prprio estimador de MQO. Ou seja, o ponto mdio compatvel com esta
frmula.
Alternativa (d).
Exerccio 18
Resoluo
Questo muito terica da rea de estatstica. Porm, vamos nos ater Econometria,
nos dirigindo diretamente para a alternativa correta.
A alternativa correta a (b). A correlao entre as variveis tem tudo a ver com o seu
respectivo coeficiente estimado para a regresso, tal como vimos na frmula:
Alternativa (b).
Exerccio 19
Resoluo
Perfeito! Lembrem-se das hipteses necessrias para garantir que o nosso estimador
seja BLUE:
Alternativa correta.
Exerccio 20
Resoluo
Alternativa correta.
Exerccio 21
(PETROBRAS CESGRANRIO/2011)
Resoluo
Agora fica fcil encontrar w, pois este o quadrado mdio dos erros:
O caso do x que este a soma dos quadrados explicados, que tem relao direta
com o seu quadrado mdio:
Agora fica fcil encontrar z (soma dos quadrados totais), que dado pela soma de x
e 30:
Alternativa (e).
Exerccio 22
(PETROBRAS CESGRANRIO/2011)
Resoluo
Vamos avaliar:
a)Se todas nossas hipteses forem atendidas, garantidas pelo Teorema de Gauss
Markov, o estimador no tendencioso (no viesado).
Alternativa (d).
Exerccio 23
(PETROBRAS CESGRANRIO/2011)
Resoluo
Alternativa (e).
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se o
modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
Questo 3
Considerando a equao do plano obtida pelo mtodo MQO para esse pas, o
valor da previso em um determinado ano do ndice de demanda per capita Q
em funo do ndice de preos (P) e da renda per capita (R) pode ser obtido pela
frmula.
a)
b)
c)
d)
e)
Questo 4
Questo 5
Questo 6
I = 1,...,17
Modelo 0,518
Erro 0,014
Total 0,532
Questo 7
Assinale a opo que d o valor do coeficiente de determinao do modelo
linear ajustado.
a) 0,974
b) 0,900
c) 0,990
d) 0,895
e) 0,997
Questo 8
Deseja-se estimar o aumento percentual no consumo decorrente do aumento
de 1% na renda e da reduo de 2% no preo. Assinale a opo que d a
varincia desta estimativa.
a) 0,0013
b) 0,0256
c) 0,0295
d) 0,0343
e) 0,0230
Questo 9
R= 0,39
Questo 10
Questo 11
Questo 12
Questo 13
Exerccio 14
Exerccio 15
Exerccio 16
Exerccio 17
Exerccio 18
Exerccio 19
Exerccio 20
Exerccio 21
(PETROBRAS CESGRANRIO/2011)
Exerccio 22
(PETROBRAS CESGRANRIO/2011)
Exerccio 23
(PETROBRAS CESGRANRIO/2011)
1F
2F
3C
4B
5C
6C
7A
8D
9E
10 Falsa
11 Falsa
12 Falsa
13 Falsa
14 Verdadeira
15 Falsa
16 Verdadeira
17 d
18 b
19 V
20 V
21 e
22 d
23 e
isso a! A aula foi muito pesada, estudem! Tivemos poucos exerccios, mas acho
que, nessa aula, o foco tem de ser a teoria!
jeronymobj@hotmail.com