Estatística básica
MODELO DE REGRESSÃO LINEAR
MÚLTIPLA CAP.3 E 4 WOOLDRIDGE
Marcelo Verdini Maia, Ph.D.
1
Introdução
• Controlar explicitamente outros fatores que podem influenciar simultaneamente a variável dependente. Yi = β 0 + β1 X 1i + β 2 X 2i + K + β k X ki + ui
• Mesmas hipóteses clássicas adotadas para a regressão simples + nova hipótese: ausência de colinearidade perfeita entre as variáveis independentes. Marcelo Verdini Maia, Ph.D.
2
1
12/17/2013
Estimadores de MQO
• Sem perda de generalidade, vamos considerar um modelo de regressão com duas variáveis independentes. Yi = β 0 + β1 X 1i + β 2 X 2i + ui
• Temos que:
Y = βˆ0 + βˆ1 X 1 + βˆ2 X 2 n ∑ rˆ Y
i1 i
β1 =
i =1 n ∑ rˆ
2 i1 i =1
Marcelo Verdini Maia, Ph.D.
3
Observação
1) Em regra, o coeficiente estimado em uma regressão simples difere do coeficiente estimado em uma regressão múltipla.
– A relação entre eles é:
~
~
β1 = βˆ1 + βˆ2δ1
2) Definimos o R2 do mesmo modo que anteriormente.
3) Teorema: Inexistência de viés para os estimadores
Cuidado com as hipóteses.
Marcelo Verdini Maia, Ph.D.
4
2
12/17/2013
Erros de Especificação nos Modelos
• Superespecificação não afeta o viés dos parâmetros • Subespecificação (Viés de Variável Omitida)
Marcelo Verdini Maia, Ph.D.
5
6
3
12/17/2013
Propriedades dos Parâmetros
• Hipótese: Homoscedasticidade
Var (u | X 1 ,..., X k ) = σ 2
Teorema : Sob as hipóteses clássicas,
Var ( βˆ j ) =
σ2
SQT x j (1 − R 2j )
j : 1,..., k n ∑ uˆ σˆ 2 =
2 i i =1
( n − k − 1)
Marcelo Verdini Maia, Ph.D.
7
Teorema de Gauss-Markov
Sob as hipóteses clássicas:
1.
2.
3.
4.
5.
Linearidade nos parâmetros
Amostragem aleatória
Colinearidade imperfeita
Média condicional zero
Homoscedasticidade
Os estimadores de MQO são BLUE.
Marcelo Verdini Maia, Ph.D.
8
4
12/17/2013
Inferência
• Hipótese: Normalidade dos erros