Introdução ao Stata Análise de especificação 10 de maio de 2013

Apresentação em tema: "Introdução ao Stata Análise de especificação 10 de maio de 2013"— Transcrição da apresentação:

1 Introdução ao Stata Análise de especificação 10 de maio de 2013
Aula 7 Introdução ao Stata Análise de especificação 10 de maio de 2013

2 Regressão Linear: comparação de modelos
Coeficiente de determinação: R2 não ajustado Quando elevamos o numero de regressores na equação, o valor do R2 não ajustado se eleva - um modelo com maior número de variáveis independentes é melhor do que um modelo com menor número de variáveis independentes. Esta conclusão pode ser espúria porque podemos estar adicionando variáveis sem sentido (non sense) ao modelo restrito. Qualquer variável acrescentada (mesmo que non sense) estará elevando o valor do R2 não ajustado.

3 Regressão Linear: comparação de modelos
R2 ajustado: não afetado pelo numero de variáveis. A adição do regressor eleva o R2 não ajustado apenas quando este é linearmente independente em relação às colunas previas da matriz X. Ou seja, não existe problema de multicolinearidade.

4 Ajuste do modelo Source | SS df MS Number of obs = 2955
Model | Prob > F = Residual | R-squared = Adj R-squared = Total | Root MSE = ltotexp | Coef. Std. Err t P>|t| [95% Conf. Interval] suppins | phylim | actlim | totchr | age | female | income | _cons | .

5 Modelos aninhados e não aninhados
Modelos nested (aninhados): as variáveis independentes do primeiro modelo formam um subconjunto das variáveis independentes do primeiro modelo. Modelos não nested (não aninhados): os parâmetros (e variáveis) do primeiro modelo não estão contidos no conjunto de parâmetros (e variáveis) do segundo modelo (e vice-versa). Em suma, modelos nested são aqueles que podem ser obtidos a partir da simples inclusão de variáveis no primeiro modelo para obter o seguinte modelo.

6 aninhado Não aninhado

7 Comparação de modelos Modelos não aninhados (abordagem não estatística): olhar coeficiente de determinação e R2 ajustado: saem do lado esquerdo da saída da regressão. Olhar os valores dos critérios: AIC (Akaike), BIC (Critério Bayesiano ou Schwarz ). Consideram o ajuste e a parcimônia. Comando no Stata: estat ic

8 Comando ic O grau para o qual o modelo ajustado melhora em relação ao modelo nulo na explicação da variável dependente é medido pelo maior valor (em termos absolutos) do ll(model) em comparação com o ll(null). BIC AIC

9 Comparação de modelos Abordagem Estatística: testes de comparação modelos restrito e irrestrito (distância de Wald).

10 Sobreespecificação do modelo
Inclusão de variáveis irrelevantes no modelo de regressão. Não altera o fato de que os estimadores dos parâmetros das variáveis relevantes continuam sendo não viesados. Pode causar efeitos indesejáveis nas variâncias dos estimadores OLS. Diferente de subespecificação do modelo (omissão de variáveis relevantes!)

11 Multicolinearidade Multicolinearidade perfeita: um dos regressores é uma combinação linear de outros regressores – impede solução do MQO. Quase multicolinearidade: o ajuste da regressão pode ser bom mas os coeficientes podem ter erros padrões muito altos, sinais ou magnitudes incorretas. Teste vif (variance influence factor): quando um regressor não é ortogonal a outros regressores a variância do respectivo parâmetro fica inflacionada.

12 O maior vif não pode ser maior que 10