Dados em Painel - Anatel

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 13 Dados em Painel

Prof. Alexandre Lima
Aula 13
Sumrio
1
Econometria de Dados em Painel ................................................................................... 2

1.1
Introduo ........................................................................................................................ 2
1.1.1
O Modelo Geral para Dados em Painel .......................................................................... 3
1.2
Modelo de Regresses Aparentemente No Relacionadas (SUR) .............. 4
1.3
Modelo de Efeitos Fixos............................................................................................... 7
1.4
Modelo de Efeitos Aleatrios ..................................................................................... 8
1.5
Por que Usar Dados em Painel? ............................................................................... 9
O Mnimo que Voc Precisa Saber ................................................................................ 11
Exerccios de Fixao ......................................................................................................... 14
Gabarito .................................................................................................................................. 15
Resoluo dos Exerccios de Fixao ........................................................................... 16
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Econometria de Dados em Painel
1.1
Introduo
Vimos na aula passada que os Dados em Painel so os dados que acompanham

microunidades individuais ao longo do tempo. A microunidade em questo
pode ser um indivduo, uma famlia, uma firma etc.
Considere os dados da Tabela 1 a seguir1. Faa INV = Y, V = X2 e K = X3. Um
modelo econmico para descrever o investimento bruto da i-sima empresa
(unidade) no t-simo perodo de tempo pode ser expresso como
(1)
Yit f ( X 2it , X 3it )
em que o subscrito i denota as diferentes unidades, o subscrito t denota o

perodo de tempo que est sendo analisado, Yit a varivel dependente da isima empresa no perodo t e X2it e X3it so as variveis explicativas do modelo
da i-sima empresa no perodo t.
O modelo economtrico para dados em painel que corresponde a (1)
(2)
Yit 1it 2it X 2it 3it X 3it it
em que 1 o intercepto, 2 e 3 referem-se aos coeficientes angulares

correspondentes s variveis X 2 e X 3 e o erro aleatrio do modelo.
O modelo (2) assume que o intercepto 1 e os parmetros de resposta

2 e 3 possam ser diferentes i) para cada microunidade e ii) no
decorrer do tempo.
O painel de dados da Tabela 1 foi extrado do estudo seminal sobre a teoria do investimento de
autoria de Grunfeld. Ele estava interessado em investigar como o investimento bruto (INV) depende
do valor da empresa (V) e do estoque de capital (K). Este painel de dados tem dois membros (ou
unidades): a GM e a Westinghouse. Este um exemplo de dados de corte. Alm disso, para cada
empresa, temos dados para vinte anos dessas variveis.
2

Como h mais parmetros desconhecidos do que observaes, impossvel

estimar os parmetros do modelo. Contudo, hipteses simplificadoras podem
ser formuladas, que tornam o modelo operacional. Os trs modelos para dados
em painel que sero apresentados na sequncia so casos particulares do
modelo (2).
Tabela 1: Dados sobre investimentos da GM e Westinghouse.
GM
Westinghouse
INV
INV
1935
317,6
3.078,5
2,8
12,93
191,5
1,8
36
391,8
4.661,7
52,6
25,90
516,0
0,8
37
410,6
5.387,1
156,9
35,05
729,0
7,4
38
257,7
2.792,2
209,2
22,89
560,4
18,1
39
330,8
4.313,2
203,4
18,84
519,9
23,5
40
461,2
4.643,9
207,2
28,57
628,5
26,5
41
512,0
4.551,2
255,2
48,51
537,1
36,2
42
448,0
3.244,1
303,7
43,34
561,2
60,8
43
499,6
4.053,7
264,1
37,02
617,2
84,4
44
547,5
4.379,3
201,6
37,81
626,7
91,2
45
561,2
4.840,9
265,0
39,27
737,2
92,4
46
688,1
4.900,9
402,2
53,46
760,5
86,0
47
568,9
3.526,5
761,5
55,56
581,4
111,1
48
529,2
3.254,7
922,4
49,56
662,3
130,6
49
555,1
3.700,2
1.020,1
32,04
583,8
141,8
50
642,9
3.755,6
1.099,0
32,24
635,2
136,7
51
755,9
4.833,0
1.207,7
54,38
723,8
129,7
52
891,2
4.924,9
1.430,5
71,78
864,1
145,5
53
1.304,4
6.241,7
1.777,3
90,08
1.193,5
174,8
54
1.486,7
5.593,6
2.226,3
68,60
1.188,9
213,5
Fonte: reproduzido de [GUJ00], pg. 527.
1.1.1
O Modelo Geral para Dados em Painel
O modelo geral para dados em painel

(3)
Yit 1it 2it X 2it 3it X 3it ... kit X kit it
3

A forma matricial para a i-sima unidade havendo observaes em n perodos

de tempo (*)
Yi1 1 X 2i1
Y 1 X
2i 2
i2
... ... ...

Yin 1 X 2in
X ki1 1it i1
... X ki 2 2it i 2
... ... ... ...

... X kin kit in
X 3i1 ...
X 3i 2
...
X 3in
em que (1it , 2it ,..., kit )' (1i1, 2i1,..., ki1 )' para t = 1, (1it , 2it ,..., kit )' (1i 2 , 2i 2 ,..., ki 2 )'
para t = 2, e assim sucessivamente.
(*) n = 20 para os dados da Tabela 1, pois a tabela possui 20 linhas.
O vetor de parmetros do modelo geral para Dados em Painel varia

com a i-sima unidade e no estacionrio, ou seja, no constante
no tempo.
1.2
Modelo de Regresses Aparentemente No Relacionadas (SUR)
Suponhamos que os parmetros do modelo geral (3) sejam constantes no

tempo (mas os ainda podem diferir entre as unidades do corte):
(4)
1it 1i
2it 2i kit ki
Neste caso, o modelo (24) se torna
(5)
Yit 1i 2i X 2it 3i X 3it ... ki X kit it
e chamado modelo de regresses aparentemente no relacionadas ou

SUR, de Seemingly Unrelated Regressions. Em notao matricial, o modelo
SUR para o i-simo membro do corte :
4

(6)
Yi1 1 X 2i1
Y 1 X
2i 2
i2
... ... ...

Yin 1 X 2in
X ki1 1i i1
... X ki 2 2i i 2
... ... ... ...

... X kin ki in
X 3i1 ...
X 3i 2
...
X 3in
A fim de facilitar a exposio terica, consideraremos at o final desta aula os

dados em painel da Tabela 1. Neste caso, o corte possui apenas dois membros,
a saber, GM e Westinghouse. Podemos especificar dois modelos de regresso,
um para a GM e outro para a Westinghouse,
(7)
(a)
YGt 1G 2G X 2Gt 3G X 3Gt Gt
(b) YWt 1W 2W X 2Wt 3W X 3Wt Wt
em que os subscritos G e W denotam as firmas GM e Westinghouse,

respectivamente.
As premissas do modelo SUR so as seguintes:

1. E ( Gt ) E (Wt ) 0 ;
2. Cov( Gt , Gs ) Cov(Wt , Ws ) 0 ;
3. Var ( Gt ) G2 , Var (Wt ) W2 , sendo que G2 W2 ; e
4. Cov( Gt , Wt ) GW 0
As suposies 1 e 2 so as usuais de mnimos quadrados sobre os erros. A
terceira premissa afirma que a varincia do erro varia de uma equao
para outra e que a varincia do erro de um modelo individual
constante. Portanto, h heterocedasticidade entre as diferentes
unidades observadas. A quarta suposio diz que existe correlao
contempornea entre os erros aleatrios das duas equaes.
Se no utilizarmos o modelo SUR, podemos estimar as duas equaes de (7)
em separado, desde que adotemos as hipteses usuais de mnimos quadrados
sobre os erros. Contudo, a quarta suposio nos permite utilizar um processo
de estimao conjunto das equaes (7), sendo este o pulo do gato do
modelo
SUR,
pois
a
informao
extra
sobre
a
correlao
5

(contempornea) existente entre os termos de erro das duas equaes

tende a tornar a estimao SUR mais precisa do que a de mnimos
quadrados.
Para entender por que os erros Gt e Wt podem ser correlacionados, observe
que esses erros contm a influncia sobre o investimento bruto de fatores que
foram omitidos nos modelos. Tais fatores podem incluir utilizao da
capacidade, taxas de juros, liquidez e a situao geral da economia. Como a
GM e a Westinghouse eram parecidas em muitos aspectos nas dcadas em que
os dados foram coletados, razovel admitir que os efeitos dos fatores
omissos no investimento da GM sejam similares aos da Westinghouse. Neste
caso, Gt e Wt capturam efeitos semelhantes e so correlacionados.
No conveniente que a estimao dos parmetros do modelo SUR seja

realizada pelo mtodo de MQO, pois o mtodo que fornece o melhor
estimador linear no viesado para o modelo SUR o de MQG. Contudo,
primeiramente deve-se estimar a matriz de covarincia dos erros das duas
equaes (ou seja, deve-se estimar G2 , W2 e GW ), pois ela desconhecida.
Uma vez obtida a estimativa da matriz de covarincias dos erros, possvel
calcular o estimador de MQG, o qual possui distribuio assintoticamente
normal com mdia para grandes amostras.
Em resumo, os passos para a estimao so:
i.
Estimar as equaes (7) separadamente utilizando MQO;
ii.
Usar os resduos de mnimos quadrados do passo anterior para estimar a

matriz de covarincias dos erros; e
iii.
Utilizar as estimativas do passo (ii) para estimar as duas equaes

conjuntamente dentro do esquema de MQG.
Nota 1: os modelos que apresentam correlao contempornea foram

denominados aparentemente no relacionados pelo seu inventor, o
econometrista A. Zellner. Eles apenas parecem ser no relacionados, mas a
informao adicional proveniente da correlao cruzada entre os erros
dos modelos individuais faz com que a estimao conjunta de MQG
seja melhor do que a estimao de equaes separadas de MQO.
Nota 2: se os erros dos modelos no so correlacionados, no h qualquer
acoplamento entre as duas equaes de (7) e a estimao separada das
equaes por MQO to boa quanto a da tcnica SUR.
6

1.3
Modelo de Efeitos Fixos
O modelo de efeitos fixos supe que

(8)
1it 1i
2it 2
kit k
A condio (8) especifica que somente o parmetro intercepto varia entre

as unidades do corte transversal.
O modelo de efeitos fixos dado por
(9)
Yit 1i 2 X 2it 3 X 3it ... k X kit it
Admite-se que os erros it sejam independentes e que tenham distribuio
N (0, 2 ) para todas as unidades e em todos os perodos de tempo. Dadas essas

premissas, temos que todas as diferenas de comportamento entre
unidades e no decorrer do tempo so modeladas pelo intercepto.
A caracterstica que distingue o modelo de efeitos fixos do modelo de efeitos
aleatrios que ser apresentado no prximo item o tratamento dispensado
aos interceptos. O modelo (9) trata o intercepto 1i como um parmetro
que fixo e desconhecido, enquanto que o modelo de efeitos aleatrios
trata o intercepto 1i como varivel aleatria. Este ltimo encara as
unidades do corte sobre as quais dispe-se de dados como uma amostra
aleatria de uma populao de microunidades. Os interceptos so tratados
como observaes da distribuio populacional de interceptos das unidades e
inferncias sobre a populao de unidades so realizadas.
O modelo de efeitos fixos trata os interceptos como parmetros fixos.
Podemos reescrever (9) na forma

7

Yit (1 ai ) 2 X 2it 3 X 3it ... k X kit it
em que 1 ai 1i da equao (9). O termo

capta todos os fatores no
observados, constantes no tempo, que afetam
. De forma genrica,
chamado de efeito no observado. por isso que alguns chamam o modelo

de efeitos fixos de modelo de efeitos no observados. Pode-se encontrar
tambm
referido como heterogeneidade no observada (ou
heterogeneidade do indivduo, heterogeneidade da empresa, etc). O erro
muitas vezes chamado de erro idiossincrtico.
O modelo de efeitos fixos estimado usando MQO, haja vista que o modelo
pressupe que os erros possuem distribuio normal, varincia constante e
no so correlacionados.
1.4
Modelo de Efeitos Aleatrios
O modelo de efeitos aleatrios possui as mesmas suposies do modelo de

efeitos fixos, isto , o intercepto varia de uma unidade para outra, mas no ao
longo do tempo ( 1it 1i ), e os parmetros resposta so constantes ( 2it 2 ,
, kit k ) para todas as unidades e em todos os perodos de tempo. A
diferena entre os modelos, como j dissemos, reside no tratamento dado ao
intercepto.
O modelo de efeitos aleatrios trata os interceptos como variveis

aleatrias.
Considere que o intercepto aleatrio 1i seja descrito por
(10)
1i 1 i
i 1,2,..., n
em que 1 um parmetro desconhecido que representa o intercepto

populacional mdio, e i um erro aleatrio no observvel que
modela as diferenas entre os comportamentos das unidades, ou seja,
o efeito no observado. Admita que os i sejam independentes uns dos
outros e dos it e que
(11)
E (i ) 0
Var (i ) 2
8

Substituindo (10) em (9) obtemos
Yit 1 i 2 X 2it 3 X 3it ... k X kit it

ou
(12) Yit 1 2 X 2it 3 X 3it ... k X kit vit ,

em
que
vit i it .
O termo
de erro
vit i it
consiste em
dois
componentes: o erro global it e o erro especfico i . O erro i captura as

diferenas entre os membros do corte; varia com as unidades, mas
estacionrio.
Pode-se mostrar que
I.
II.
III.
E (vit ) 0 vit tem mdia nula.

Var (vit ) 2 2 vit homocedstico.
Cov(vit , vis ) 2
(t s) os erros da mesma unidade em tempos distintos
so correlacionados; h autocorrelao.
IV.
Cov(vit , v js ) 0
(i j ) os erros de unidades diferentes sempre so no
correlacionados, logo, no h correlao contempornea.
Como h correlao entre os erros de uma mesma unidade, o mtodo de MQO

no o mais apropriado para a estimao dos parmetros do modelo de
efeitos aleatrios. O mtodo que nos d os melhores estimadores o de
MQG.
1.5
Por que Usar Dados em Painel?
Os dados em painel so dispendiosos de se obter, pois envolvem o

levantamento de dados relativos a grandes quantidades de unidades (pessoas,
9

empresas etc.) por perodos de tempo. O alto custo justificado pelas

seguintes vantagens:
1. Os dados em painel podem ser usados para lidar com a heterogeneidade
nas microunidades do corte. Em qualquer corte transversal, existem
inmeras variveis explicativas que no so levadas em conta pelo
modelo econmico (logo no so mensuradas), mas que afetam o
comportamento das unidades sob anlise. Omitir essas variveis causa
vis na estimativa. O mesmo verdadeiro para variveis de sries
temporais omitidas que influenciam o comportamento das microunidades
uniformemente, mas de maneira diferente em cada perodo de tempo.
Os dados em painel permitem a correo desse problema. A capacidade
de lidar com esse problema de varivel omitida a principal
virtude dos dados em painel.
2. Os dados em painel criam geram mais variabilidade, por meio da
combinao da variao entre as microunidades com variao no tempo,
o que resulta em estimativas mais robustas aos problemas de
multicolinearidade, ou seja, os dados em painel aliviam a questo
da multicolinearidade. Deste modo, possvel obter uma estimativa
mais eficiente.
3. Os dados em painel podem ser utilizados para se estudar
questes que no podem ser investigadas usando-se apenas
sries temporais ou cortes transversais. Como exemplo, considere o
desemprego temporrio e o desemprego a longo prazo. Os dados
transversais nos dizem quem est desempregado em um nico ano, ao
passo que os dados de sries temporais nos informam como o nvel de
desemprego mudou de um ano para outro. Mas nenhum deles pode nos
dizer isoladamente se as mesmas pessoas esto desempregadas de um
ano para outro (= baixa taxa de rodzio), ou se diferentes pessoas esto
desempregadas de um ano para outro (= alta taxa de rodzio). A anlise
de dados em painel pode resolver a questo de rodzio, pois esses dados
rastreiam uma amostra comum de pessoas por vrios anos.
4. Os dados em painel permitem uma melhor compreenso da
dinmica econmica. Os dados transversais no podem nos dizer nada
sobre a evoluo temporal dos dados, isto , sobre a dinmica. Os dados
de srie temporais precisam ser muito extensos para fornecer boas
estimativas dos parmetros do modelo (ARMA, AR, MA etc.). A
combinao de dados transversais com sries temporais evita o
problema da coleta de uma srie temporal extensa, pois os dados em
painel nos permite explorar informaes sobre as reaes dinmicas de
cada uma das microunidades, o que muitas vezes pode ser crucial para
entender os fenmenos econmicos.
10

O Mnimo que Voc Precisa Saber
Modelos para Dados em Painel:

Modelo Geral: Yit 1it 2it X 2it 3it X 3it ... kit X kit it
Forma matricial para a i-sima unidade havendo observaes em n perodos de
tempo:
Yi1 1 X 2i1
Y 1 X
2i 2
i2
... ... ...

Yin 1 X 2in
X ki1 1it i1
... X ki 2 2it i 2
... ... ... ...

... X kin kit in
X 3i1 ...
X 3i 2
...
X 3in
em que (1it , 2it ,..., kit )' (1i1, 2i1,..., ki1 )' para t = 1, (1it , 2it ,..., kit )' (1i 2 , 2i 2 ,..., ki 2 )'
para t = 2, e assim sucessivamente.
Modelo de regresses aparentemente no relacionadas (SUR) para a i-sima
unidade de um corte transversal:
Yit 1i 2i X 2it 3i X 3it ... ki X kit it
Os parmetros do modelo SUR so constantes no tempo, mas ainda podem

diferir entre as unidades do corte.
Em notao matricial, o modelo SUR para o i-simo membro do corte :
Yi1 1 X 2i1
Y 1 X
2i 2
i2
... ... ...

Yin 1 X 2in
X ki1 1i i1
... X ki 2 2i i 2
... ... ... ...

... X kin ki in
X 3i1 ...
X 3i 2
...
X 3in
Considere um corte transversal com 2 microunidades, A e B. Ento, o

modelo SUR correspondente :
(a) YAt 1 A 2 A X 2 At 3 A X 3 At At
(b) YBt 1B 2 B X 2 Bt 3 B X 3 Bt Bt
em que A e B denotam os membros do corte.
Premissas do modelo SUR:
11

1. E ( Gt ) E (Wt ) 0 ;
2. Cov( Gt , Gs ) Cov(Wt , Ws ) 0 ;
3. Var ( Gt ) G2 , Var (Wt ) W2 , sendo que G2 W2 ; e
4. Cov( Gt , Wt ) GW 0
Modelo de efeitos fixos: Yit 1i 2 X 2it 3 X 3it ... k X kit it
Todas as diferenas de comportamento entre unidades e no decorrer do tempo
so modeladas pelo intercepto. Este modelo trata o intercepto 1i como um
parmetro que fixo e desconhecido, enquanto que o modelo de efeitos
aleatrios trata o intercepto 1i como varivel aleatria.
O modelo de efeitos fixos estimado usando MQO.
Intercepto aleatrio: 1i 1 i
i 1,2,..., n
em que 1 um parmetro desconhecido que representa o intercepto

populacional mdio, e i um erro aleatrio no observvel que modela as
diferenas entre os comportamentos das unidades. Admite-se que
E (i ) 0
Var (i ) 2
Modelo de efeitos aleatrios: Yit 1 2 X 2it 3 X 3it ... k X kit vit ,

em que vit i it .
O termo de erro vit consiste em dois componentes: o erro global it e o erro
especfico i . O erro i captura as diferenas entre os membros do corte; varia
com as unidades, mas estacionrio.
Propriedades do modelo de efeitos aleatrios:
I.
II.
III.
E (vit ) 0 vit tem mdia nula.

Var (vit ) 2 2 vit homocedstico.
Cov(vit , vis ) 2
(t s) os erros da mesma unidade em tempos distintos
so correlacionados; h autocorrelao.
IV.
Cov(vit , v js ) 0
(i j ) os erros de unidades diferentes sempre so no
correlacionados, logo, no h correlao contempornea.

12

O modelo de efeitos aleatrios estimado usando MQG.
13

Exerccios de Fixao
(Analista do BACEN rea 3/CESPE-UnB/2013) Com relao

econometria, mtodo que emprega a matemtica e a estatstica para anlise
dos dados econmicos, julgue os itens que se seguem.
1. O modelo de regresso de dados em painel, representado por
, atribui flexibilidade modelagem de diferenas no comportamento
entre indivduos; o modelo de efeitos aleatrios mais indicado se o objetivo
da anlise for evitar efeitos no observados.
2. Em um processo estocstico gaussiano, uma srie temporal dita
estritamente estacionria se a sua mdia for constante e a sua funo de
autocovarincia depender da defasagem temporal.
3. No modelo de regresso linear clssico, a premissa de linearidade,
necessria estimativa dos parmetros do modelo, indica que no existe uma
relao linear exata entre qualquer varivel independente do modelo.
(ANCINE Cargo 5 rea 2/Cespe-UnB/2013)
eg ess o linear, julgue os itens a seguir.
4. O modelo de regresso pela origem
de .
ela
o ao
odelo de
gera estatsticas no viesadas
5. Havendo autocorrelao dos resduos, os estimadores

quadrados ordinrios sero no viesados e ineficientes.
de
mnimos
6. Nas estimativas por mnimos quadrados ordinrios, se a varivel

dependente for multiplicada por uma constante
, o intercepto e a
inclinao da regresso tambm sero multiplicados por .
14

4
1
2
3
4
5
6
Gabarito
E
E
E
E
C
C
15

Resoluo dos Exerccios de Fixao
(Analista do BACEN rea 3/CESPE-UnB/2013) Com relao

econometria, mtodo que emprega a matemtica e a estatstica para anlise
dos dados econmicos, julgue os itens que se seguem.
1. O modelo de regresso de dados em painel, representado por
, atribui flexibilidade modelagem de diferenas no comportamento
entre indivduos; o modelo de efeitos aleatrios mais indicado se o objetivo
da anlise for evitar efeitos no observados.
Resoluo
Em primeiro lugar, um rpido comentrio sobre o modelo mencionado pelo
item. O modelo no foi especificado com preciso. Por exemplo, o que
denota? Ns no somos obrigados a adivinhar quem . S por isso o item j
poderia ser considerado errado. Vamos em frente.
H dois mtodos para estimar modelos de efeitos no observados de dados de
painel: o estimador de efeitos fixos e o estimador de efeitos aleatrios.
Pode-se decidir entre efeitos fixos ou aleatrios com base em se os efeitos no
observados
so melhor entendidos como parmetros a serem estimados ou
como resultados de uma varivel aleatria. Note que usar efeitos fixos a
mesmo coisa que permitir um intercepto diferente para cada indivduo. Por
outro lado, o estimador de efeitos aleatrios atraente quando pensamos que
o efeito no observado no correlacionado com todas as variveis
explicativas.
Item errado.
GABARITO: E
2. Em um processo estocstico gaussiano, uma srie temporal dita
estritamente estacionria se a sua mdia for constante e a sua funo de
autocovarincia depender da defasagem temporal.
Resoluo
A rigor, no se pode falar de estacionariedade de uma srie temporal, pois ela
apenas uma realizao de um processo estocstico. Quem pode ou no ser
estacionrio o processo aleatrio.
Uma das suposies bsicas feitas na anlise de sries temporais que
processo estocstico gerador dos dados seja um processo estacionrio.
16

Um processo estacionrio de segunda ordem se a sua mdia for constante e

a sua funo de autocovarincia depender da defasagem temporal. Se alm
disso o processo for gaussiano (normal), ento ele tambm ser estritamente
estacionrio.
Item errado.
GABARITO: E
3. No modelo de regresso linear clssico, a premissa de linearidade,
necessria estimativa dos parmetros do modelo, indica que no existe uma
relao linear exata entre qualquer varivel independente do modelo.
Resoluo
O modelo de regresso linear clssico
mais flexvel do que
possa parecer em uma anlise preliminar, porque as variveis
e
podem
estar relacionadas a transformaes envolvendo logaritmos, quadrados, cubos
ou inversos das variveis bsicas. Assim, o modelo de regresso pode ser
aplicado a relaes no lineares entre variveis. Mas isso no quer
necessariamente dizer que a premissa de linearidade, necessria estimativa
dos parmetros do modelo, indica que no existe uma relao linear exata
entre qualquer varivel independente do modelo. Por exemplo, admita que a
equao de demanda que relaciona a quantidade vendida (qt) com o preo (pt)
seja
ln(q) = + .ln(p) + ,
em que ln(.) denota o logaritmo neperiano. Essa equao pode ser escrita na
forma mais familiar y x , em que y ln(q) e x ln( p) . O modelo acima
linear nos parmetros, mas no linear em relao s variveis bsicas q e p,
porque os parmetros e no sofrem qualquer tipo de transformao. O
modelo y x linear nas variveis e .
O termo linear no modelo de regresso no significa que necessariamente
exista uma relao linear entre as variveis, mas um modelo em que pelo
menos os parmetros esto presentes em forma linear. Ou seja, o modelo
pode ser linear nos parmetros, mas no necessariamente linear nas variveis.
Item errado.
GABARITO: E
(ANCINE Cargo 5 rea 2/Cespe-UnB/2013)
eg ess o linear, julgue os itens a seguir.
ela
o ao
odelo de
17

4. O modelo de regresso pela origem

de .
gera estatsticas no viesadas
Resoluo
A inclinao da regresso pela origem pode ser calculada pelos seguintes
estimadores:
X iYi
1. 1 2 1 o estimador no viesado de MQO.
2. 2
Y
2 um estimador viesado e no o de MQO.
X
Ento possvel que o modelo de regresso pela origem

gere
estatsticas viesadas de . Para tal, basta que se utilize o estimador 2 . Item
errado.
GABARITO: E
5. Havendo autocorrelao dos resduos, os estimadores
quadrados ordinrios sero no viesados e ineficientes.
de
mnimos
Resoluo
O fato de o modelo de regresso ser heterocedstico (isto , quando o modelo
permite que a varincia seja diferente para diferentes observaes) e de os
resduos serem correlacionados no elimina as propriedades de inexistncia de
vis e de consistncia do estimador de mnimos quadrados ordinrios (MQO).
Mas esse estimador deixa de ter mnima varincia e eficincia. Ou seja ele no
Melhor Estimador Linear No Viesado (MELNV). O estimador MELNV ser
fornecido pelo mtodo de Mnimos Quadrados Generalizados (MQG).
Portanto, correto afirmar que, havendo autocorrelao dos resduos, os
estimadores de mnimos quadrados ordinrios sero no viesados (justos) e
ineficientes (porque no sero os estimadores de varincia mnima). Item
certo.
GABARITO: C
6. Nas estimativas por mnimos quadrados ordinrios, se a varivel
dependente for multiplicada por uma constante
, o intercepto e a
inclinao da regresso tambm sero multiplicados por .
18

Resoluo
Sejam e
as variveis dependente e independente do modelo de regresso
linear
, respectivamente ( e
so os parmetros e denota o
erro aleatrio do modelo). Os estimadores de mnimos quadrados ordinrios
(MQO) de (intercepto) e (inclinao) so dados por:
Inclinao:
Intercepto:
Faa a transformao linear
, em que
O coeficiente de correlao
linear
(*).
uma constante. Ento,
entre
no afetado pela transformao
Os estimadores de MQO do novo modelo

(
Inclinao:
Intercepto:
so dados por:
Logo, co eto dize que nas esti ativas po

ni os quad ados o din ios,
se a varivel dependente for multiplicada por uma constante
, o intercepto
e a inclinao da regresso tambm sero multiplicados por .
(*) Para entender porque isso verdade, basta lembrar que o coeficiente de
correlao r um nmero entre -1 e 1 que mede a fora da associao linear
entre X e Y, isto , o grau de aglomerao dos pontos (Xi,Yi), i = 1, 2, ..., n, em
torno de uma linha reta. O coeficiente de correlao no muda quando:
1. adicionamos uma constante
a uma das variveis. O coeficiente de
correlao entre
e
(ou entre
e
) igual ao coeficiente
de correlao entre e .
2. multiplicamos uma das variveis por uma constante positiva . O
(ou entre
e
) igual ao
coeficiente de correlao entre
e
coeficiente de correlao entre e .
19

O coeficiente de correlao troca de sinal quando multiplicamos uma das

variveis por uma constante negativa k.
Item certo.
GABARITO: C
Bons estudos e at a nossa prxima aula!
Alexandre Lima
alexandre@pontodosconcursos.com.br
20

Dados em Painel - Anatel

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Dados em Painel - Anatel

Uploaded by

Copyright:

Available Formats

Conhecimentos Especficos Mtodos Quantitativos Anatel

Aula 13 Dados em Painel

Econometria de Dados em Painel ................................................................................... 2

O Modelo Geral para Dados em Painel .......................................................................... 3

Modelo de Regresses Aparentemente No Relacionadas (SUR) .............. 4

Modelo de Efeitos Fixos............................................................................................... 7

Modelo de Efeitos Aleatrios ..................................................................................... 8

Por que Usar Dados em Painel? ............................................................................... 9

O Mnimo que Voc Precisa Saber ................................................................................ 11

Exerccios de Fixao ......................................................................................................... 14

Resoluo dos Exerccios de Fixao ........................................................................... 16

Conhecimentos Especficos Mtodos Quantitativos Anatel

Econometria de Dados em Painel

Vimos na aula passada que os Dados em Painel so os dados que acompanham

Yit f ( X 2it , X 3it )

em que o subscrito i denota as diferentes unidades, o subscrito t denota o

Yit 1it 2it X 2it 3it X 3it it

em que 1 o intercepto, 2 e 3 referem-se aos coeficientes angulares

O modelo (2) assume que o intercepto 1 e os parmetros de resposta

Conhecimentos Especficos Mtodos Quantitativos Anatel

Como h mais parmetros desconhecidos do que observaes, impossvel

Fonte: reproduzido de [GUJ00], pg. 527.

O Modelo Geral para Dados em Painel

O modelo geral para dados em painel

Yit 1it 2it X 2it 3it X 3it ... kit X kit it

Conhecimentos Especficos Mtodos Quantitativos Anatel

A forma matricial para a i-sima unidade havendo observaes em n perodos

... ... ... ...

O vetor de parmetros do modelo geral para Dados em Painel varia

Modelo de Regresses Aparentemente No Relacionadas (SUR)

Suponhamos que os parmetros do modelo geral (3) sejam constantes no

Neste caso, o modelo (24) se torna

Yit 1i 2i X 2it 3i X 3it ... ki X kit it

e chamado modelo de regresses aparentemente no relacionadas ou

Conhecimentos Especficos Mtodos Quantitativos Anatel

... ... ... ...

A fim de facilitar a exposio terica, consideraremos at o final desta aula os

YGt 1G 2G X 2Gt 3G X 3Gt Gt

(b) YWt 1W 2W X 2Wt 3W X 3Wt Wt

em que os subscritos G e W denotam as firmas GM e Westinghouse,

As premissas do modelo SUR so as seguintes:

Conhecimentos Especficos Mtodos Quantitativos Anatel

(contempornea) existente entre os termos de erro das duas equaes

No conveniente que a estimao dos parmetros do modelo SUR seja

Estimar as equaes (7) separadamente utilizando MQO;

Usar os resduos de mnimos quadrados do passo anterior para estimar a

Utilizar as estimativas do passo (ii) para estimar as duas equaes

Nota 1: os modelos que apresentam correlao contempornea foram

Conhecimentos Especficos Mtodos Quantitativos Anatel

Modelo de Efeitos Fixos

O modelo de efeitos fixos supe que

A condio (8) especifica que somente o parmetro intercepto varia entre

Yit 1i 2 X 2it 3 X 3it ... k X kit it

Admite-se que os erros it sejam independentes e que tenham distribuio

N (0, 2 ) para todas as unidades e em todos os perodos de tempo. Dadas essas

O modelo de efeitos fixos trata os interceptos como parmetros fixos.

Podemos reescrever (9) na forma

Conhecimentos Especficos Mtodos Quantitativos Anatel

Yit (1 ai ) 2 X 2it 3 X 3it ... k X kit it

em que 1 ai 1i da equao (9). O termo

chamado de efeito no observado. por isso que alguns chamam o modelo

Modelo de Efeitos Aleatrios