1

Coleção de formulas Econometria

Econometria pode ser definida como a ciência social na qual as ferramentas da teoria econômica,
matemática e inferência estatística são aplicadas à análise dos fenômenos econômicos [Arthur S.
Goldberger]

A econometria se ocupa da determinação empírica das leis econômicas [H. Theil]

Metodologia tradicional ou clássica

1. Formulação da teoria ou da hipótese

2. Especificação do modelo matemático
3. Especificação do modelo econométrico
4. Obtenção dos dados
5. Estimação dos parâmetros do modelo econométrico
6. Teste de hipóteses
7. Previsão ou projeção
8. Utilização do modelo para fins de controle ou política

Especificação, estimação e teste de hipóteses – modelo de regressão linear simples

No modelo de regressão simples uma variável dependente (a ser explicada) é relacionada a uma
variável explicativa (independente)
Amostra População
para i=1, 2, .....n para i=1, 2, .....n
E(y i ) = +x i para i = 1,2 , ..., n
para i=1, 2, .....n
Pressupostos
Estimação dos parâmetros

Para Q = Mínimo a estimação chega

(4) i é distribuída independentemente normal
com média zero e variância 2.
(5) Os xi são constantes fixados em diferentes
amostras. [Se os xi são variáveis estocásticas, a
condição muda para E(xii) = 0 para i=1,2,...n]
Teorema de GAUSS-MARKOV
Se os pressupostos (1), (2), (3) e (5) são
satisfeitos, os estimadores dos mínimos
quadrados e são estimadores lineares, não
tendenciosos e eficientes de  e .

Coeficiente de Determinação
 2

Teste de hipóteses

O pressuposto 5 de que as variáveis i têm

distribuição normal independente conduz a
inferência que a variável

tem uma distribuição t com n-2 graus de

liberdade.

Teste de hipótese H0: =0 contra H1: 0 com

nível de significância 

se |te|t0 decisão: rejeitar hipótese nula (=0,

não existe uma relação linear entre x e y, a
variável x exibe nenhuma influência sobre y) no
nível de significância , se não aceita H0.
Análise de variância

Tabela para análise de variância

Causas de variação Soma dos quadrados Graus de Quadrados médios
liberdade
Regressão (explicada) Q  x  xy  y
1  i
1
i Q 1   x i  xy i  y
Erros (não explicada) Q 2   e 2i n-2 Q2
n  2   e i / ( n  2)
2

Total n-1 -
 y  y Q 1  Q 2
2
i

Q1
 2 * 1 Q1   x i  xy i  y
F  
Q2
2
Q2
( n  2)
e 2
i
 *( n  2)
 ( n  2)

A variável F tem uma distribuição de F com 1 e n-2 graus de liberdade. Um valor alto de F e mostra
que a linha de regressão como uma toda é significativa (também para uma regressão múltipla).
 3

Projeção

Para um dado valor da variável independente (explicativa) x0 um estimador (projeção) linear, não
tendencioso e eficiente da variável dependente é (com variância) :

Apresentação dos resultados (exemplo)

Modelos não lineares nos parâmetros que podem ser convertidos em modelos lineares

Modelo Equação Inclinação (dy/dx) Elasticidade ([dy/dx]*[x/y])

Linear y=+x+  (x/y)
Log-linear ou log-log lny=+lnx+ln (y/x) 
Log-lin lny=+x+ y x
Lin-log y=+lnx+ln (1/x) (1/y)
Reciproco y=+(1/x)+ -(1/x2) -(1/xy)
Fonte: Gujarati, p. 168p.
 4

Modelos de regressão linear múltipla

Pressupostos

(4) os is são distribuídos e independentemente normais com média zero.

(5) As x2i, x3i, .... xki são constantes fixados em diferentes amostras (variáveis não
estocásticas).
(6) O numero de observações n excede o numero dos coeficientes k a ser estimado.
(7) Não existe nenhuma relação linear exata entre qualquer uma das variáveis
independentes.
O pressuposto (3)- linha 1 chama-se também pressuposto de homoscedasticidade e o
pressuposto(3) linha 2 chama-se pressuposto de ausência de autocorrelação.

Os estimadores de mínimos quadrados mostram certas características desejáveis pelos

econometristas, como não-tendenciosidade, eficiência e consistência, se os pressupostos do
modelo clássico linear de regressão são satisfeitos (teorema de GAUSS-MARKOV). Se alguns
pressupostos são violados, certas características podem-se não realizar, conduzindo a problemas
de estimação.
O modelo pode ser representado em notação matricial:
Y  X   onde
 y1   1 x 12 .... x 1k   1   1 
y  1 x .... x 2 k     
Y   X        
2 22 2 2

    ....      
       
 yn   1 x n2 .... x nk  k  n 

As dimensões das matrizes e vetores envolvidos são:

Y  (nx1)
X  (nxk)
  (kx1)
  (nx1).
A notação matricial para os pressupostos sobre os resíduos (erros) é
E()=0 ;
E(‘)=2I , onde I é uma (nxn) matriz unidade

2
s 
e e

 ei 2

e
n k n k
=

Testes de hipóteses: Os  são distribuídos independentemente normal com média 0 e matriz de

variância covariância 2I. Por esta razão a variável

tem uma distribuição t com n-k graus de liberdade, onde a ii é o i-esimo elemento da diagonal de
(X’X)-1.
 5

Análise de variância: Calculo do valor de F e decisão se a regressão como uma toda é significativa.
Projeções com valores dados das variáveis independentes (explicativas).
Violação dos pressupostos
Pressupostos Violações
(1) A variável dependente é uma função linear de Erros de especificação
um certo conjunto de variáveis explicativas e um Variáveis explicativas erradas
erro Forma funcional errada
Parâmetros variáveis

(3) Os erros têm variâncias constantes Heteroscedasticidade

(3) Os erros não são correlatos (ausência de Autocorrelação dos erros

autocorrelação)

(5) As x2i, x3i, .... xki são constantes fixados em Erros nas variáveis
diferentes amostras (variáveis não estocásticas). Variáveis dependentes defasadas
Equações simultâneas
Variáveis com tendências deterministas ou
estocásticas (raízes unitárias)
(7) Não existe nenhuma relação linear exata entre Multicolinearidade
qualquer uma das variáveis independentes.

Teste de raízes unitárias e cointegração

Um problema usando séries temporais na análise econométrica, é o problema da regressão e
correlação espúria. A teoria do modelo clássica da regressão é construída para relacionar variáveis
estacionárias. Usando variáveis não estacionarias com o método ordinário de mínimos quadrados
pode resultar em resultados espúrios. Um teste para testar a estacionariedade de uma série
temporal é o teste de DICKEY-FULLER.
Se as variáveis na regressão são não-estacionárias, mas existe co-integração entre as variáveis, o
método OLS pode ser usado novamente (uma combinação linear de duas ou mais séries temporais
pode ser estacionária, quando as variáveis têm tendências comuns [que podem ser identificadas
como relações de equilíbrio em longo prazo]). Um teste para testar se existe cointegração entre
variáveis é o teste de JOHANSEN e o teste de ENGLE-GRANGER.
Análise de séries temporais
A análise de séries temporais e a econometria enfrenta o problema de projeção com métodos
diferentes, são concorrentes de certa forma em fornecer métodos alternativas de fazer projeções,
enquanto com a discussão sobre modelos ARIMA (modelos Box-Jenkins) e especialmente com a
discussão sobre os problemas de regressões espúrias, raízes unitárias e da cointegração aconteceu
uma certa aproximação na discussão teórica. A econometria focaliza a relação entre variáveis
econômicas (a variável dependente e as variáveis explicativas), supostamente baseada numa
relação de causa e efeito corroborada pela teoria econômica, para estimação e projeção. Os
métodos da análise de séries temporais ignoram o papel das variáveis explicativas e tenta fazer
projeções para uma variável econômica usando regularidades e características da série temporal
em si mesma.