Econometria
prof. Danielle Carusi Machado
Aula 6
1o. Semestre de 2023
Precisão ou erros-padrão das
EMQO
Temos que ter uma medida da confiabilidade ou da
precisão dos estimadores.
A precisão de uma estimativa é dada pelo erro
padrão (raiz quadrada da variância estimada).
2
Variância/desvio padrão
Quando y e x não são vetores nem matrizes:
Variância/desvio padrão
Quando Y e X são vetores ou matrizes:
= [( − ( − ’]
Variância do Estimador MQO
Hipóteses sobres os distúrbios:
εi tem média zero e não é correlacionado com
qualquer outro elemento εj
Var[εi|X] = σ2. A variância de εi não depende
do dado da amostra. Não depende de X.
ε1 σ 2 0 ... 0
ε2 0 σ2 ... 0
Var |X = = σ2I
... 0 0 O 0
2
ε n 0 0 ... σ
Variância do Estimador MQO
ε1 σ2 0 ...0
ε 0 σ2 ... 0
Var 2 | X = = σ2I
... 0 0 O 0
2
ε n 0 0 ... σ
ε1 ε1 ε1
ε ε ε
Var 2 = E Var 2 | X + Var E 2 | X
... ... ...
ε n ε n ε n
0
0
= E {σ 2I} + Var = σ 2I.
...
0
Variância do Estimador MQO
−1
b = ( X'X ) X'y − =
′
= ( X'X )−1 X'(Xβ + ε) = β + ( X'X )−1 X'ε
E[b|X]=β + ( X'X) −1 X'E[ε | X] = β as E[ε | X] = 0
Var[b | X ] = E[(b − β)(b − β) ' | X]
= ( X'X )−1 X'E[εε ' | X] X ( X'X ) −1
= ( X'X ) −1 X'σ2I X ( X'X) −1
= σ2 ( X'X ) −1 X'I X ( X'X ) −1
= σ2 ( X'X ) −1 X'X ( X'X ) −1
= σ2 ( X'X ) −1
Variância do Estimador MQO
Fizemos a análise da variância condicionando nos dados
observados X: = ( )
Podemos achar o resultado incondicional, para qualquer X,
tirando a média em torno de X, ou seja, fazendo a
decomposição da variância:
() = [ ] + [ ]
= [ ( ) ]+ []=
= [( ) ]
A variância não condicional depende do comportamento
médio de X. Ou seja, dependerá de hipóteses que faremos
sobre variâncias e covariâncias dos regressores.
Propriedades estatísticas dos
estimadores
Estimador é eficiente: tem uma dispersão menor
do que outros estimadores comparáveis (não
viesados).
Uma variância maior significa um estimador menos
preciso (existem muitos valores que estão muito
distantes do valor verdadeiro do parâmetro
populacional).
Conceito de eficiência de um
estimador
Exemplo:
Matriz definida positiva: se todas as raízes
características da matriz forem positivas
Propriedades estatísticas dos
estimadores
Qual a medida de dispersão do estimador de MQO?
= ( )
Vem da hipótese de
homocedasticidade – var do
termo de erro é constante
=
(1 − )
O que afeta a variância do
estimador?
São 3 fatores que afetam a variância do
estimador:
1. Variância do termo de erro: = !
2. Variância amostral total da variável explicativa
correspondente (SQTj): ∑$ #$ − #̅
3. Das relações lineares entre as variáveis
independentes. ( )
Variância do termo de erro
= + '
Quanto maior a variância do termo de erro (ou
seja, quanto maior for , mais ruído se terá na
equação.
Mais difícil é estimar o efeito parcial de qualquer
variável explicativa sobre Y. Maior seria a
variância do estimador (menos preciso).
Variação da variável explicativa de
interesse
Se estamos olhando para (|), temos que
ter variabilidade na variável # .
Quanto maior a variabilidade de # ,igual a
= ∑+$,(#$ − #* ) menor será a (.|),
ou seja, mais preciso o estimador.
Para melhorar a variabilidade de # , podemos
aumentar o tamanho da amostra.
Relações lineares entre as
variáveis independentes
é obtido de uma regressão da variável xj
sobre todas demais variáveis explicativas.
Ele explica a relação entre as variáveis
explicativas.
Corresponde a proporção da variação total de
xj que pode ser explicada pelas outras variáveis
explicativas.
Um grau alto de relação entre as variáveis
explicativas leva a variância dos estimadores de
inclinação aumentar (menos precisão).
Relações lineares entre as
variáveis independentes
Quando = 1, há uma relação linear exata
entre as variáveis explicativas.
Pela hipótese de inexistência de relação linear
exata, nunca teremos = 1.
Contudo, pode ser próximo de 1. Neste
caso, /01 2
→ ∞. Ou seja, muita
imprecisão.
Temos um problema de multicolinearidade
quase exata.
Teorema de Gauss-Markov
O EMQO é o melhor estimador linear dentro da classe de
estimadores lineares não viesados.
n
1. Estimador linear = β + vε
i=1 i i
2. Não viesado: E[b|X] = β
Teorema: Var[b*|X] – Var[b|X] é uma matriz definida
não negativa para qualquer outro estimador linear não
viesado b* que não seja igual a b.
Definição: b é eficiente na classe de estimadores.
Estimação da Variância do estimador de MQO
Contexto
A variância verdadeira de b é σ2(X′′X)-1
Como usamos os dados da amostra para estimar
esta matriz?
Como queremos formar intervalos de confiança
das estimativas da regressão bem como
formular hipóteses, temos que ter estimativas
da variabilidade da distribuição.
Estimando σ2
Usaremos os resíduos ao invés dos distúrbios:
Análogo amostral: e′′e/n para ε′ε/
ε′ε n
Observação imperfeita de εi = ei - (β
β - b)′xi
Viés para baixo de e′′e/n. Ver fig2
E[e′′e] = (n-K)σ2
Estimando σ2
O estimador não viesado é s2 = e′′e/(n-K).
s2 = e′′e/(n-K) = ε′Mε
ε′ ε/(n-K).
Est [Var (b/X)] = s2 (X′′X)-1
“Erro padrão” de coeficiente individual é a raiz
quadrada do elemento da diagonal.
X’X
(X’X)-1
s2(X’X)-1
----------------------------------------------------------------------
Ordinary least squares regression ........
LHS=G Mean = 226.09444
Standard deviation = 50.59182
Number of observs. = 36
Model size Parameters = 7
Degrees of freedom = 29
Residuals Sum of squares = 778.70227
Standard error of e = 5.18187 <= sqr[778.70227/(36 – 7)]
Fit R-squared = .99131
Adjusted R-squared = .98951
--------+-------------------------------------------------------------
Variable| Coefficient Standard Error t-ratio P[|T|>t] Mean of X
--------+-------------------------------------------------------------
Constant| -7.73975 49.95915 -.155 .8780
PG| -15.3008*** 2.42171 -6.318 .0000 2.31661
Y| .02365*** .00779 3.037 .0050 9232.86
TREND| 4.14359** 1.91513 2.164 .0389 17.5000
PNC| 15.4387 15.21899 1.014 .3188 1.67078
PUC| -5.63438 5.02666 -1.121 .2715 2.34364
PPT| -12.4378** 5.20697 -2.389 .0236 2.74486
--------+-------------------------------------------------------------
Erro padrão
Erro padrão da regressão: s (raiz quadrada de
s2).
Raiz quadrada do k-ésimo elemento da diagonal
da matriz s2 (X′′X)-1 é o erro padrão do
estimador bk:
{[s2 (X′′X)-1]kk}1/2
