DEPARTAMENTO DE CONTABILIDADE

Slides:



Advertisements
Apresentações semelhantes
Introdução ao Stata 17 de maio de 2013 (dada no dia 22/5)
Advertisements

A Taxa de Retorno da Educação Reynaldo Fernandes.
ANÁLISE DE REGRESSÃO UM GUIA PRÁTICO. O QUE É “REGRESSÃO”? Na análise bidimensional de variáveis, foi introduzida a noção de condicionalidade: a proporção.
Regressão Linear Múltipla Arquivo: seleção2.sav. Base de dados Variáveis independentes: X 1, X 2, X 3,..., X 14 Variável dependente ou Resposta: Y 1428.
Probabilidade e Estatística Aplicadas à Contabilidade I Prof. Dr. Marcelo Botelho da Costa Moraes 1.
Probabilidade e Estatística Aplicadas à Contabilidade I Prof. Dr. Marcelo Botelho da Costa Moraes 1.
FUNDAMENTOS E PRINCÍPIOS DOS MÉTODOS QUANTITATIVOS APLICADOS À CIÊNCIA AMBIENTAL Prof. Herondino dos Santos Filho.
Escola Quantitativa Teoria Matemática.
UNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE MATEMÁTICA PROJETO PIBEG Unidade IV Interpolação Polinomial.
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2017 Técnicas de Reamostragem Camilo Daleles Rennó
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2017 Inferência Estatística Camilo Daleles Rennó
O OBJETIVO FUNDAMENTAL DA DISCIPLINA
Aula: Modelos Multivariados de Séries Temporais
Medidas de Dispersão para uma amostra
Aplicação de métodos de seleção de modelos de equações estruturais com transformação por log base 10 e método composiiconal em dados experimentais PAULO.
Probabilidade e Estatística Aplicadas à Contabilidade I
ANÁLISE FATORIAL.
Precisão Psicometria – Mestrado e Doutorado em Avaliação Psicológica
Prof. Dr. Adolpho Walter Pimazoni Canton
Modelos de variáveis qualitativas multinomiais ordenadas
Análise de Regressão.
Heterocedasticidade O que fazer? Erro padrão robusto MQG
Econometria Aplicação Teorema FWL: dessazonalização Ajuste do Modelo
Probabilidade e Estatística Aplicadas à Contabilidade II
Abordagens Mistas e Triangulação
ESTATÍSTICA AULA 06 ANÁLISE EXPLORATÓRIA DE DADOS II – Unidade 4
Universidade Federal do Rio de Janeiro
ESTATÍSTICA AULA 01 CONCEITOS E PLANEJAMENTO DE PESQUISA – Unidade 1
Propriedades assintóticas dos estimadores MQO
Modelos de Equações simultâneas
Regressão Logística Modelos de regressão não linear são usados, em geral, em duas situações: casos em que as variáveis respostas são qualitativas e os.
Variáveis instrumentais – Mínimos Quadrados em dois estágios
Modelos de variáveis qualitativas dependentes
LÓGICA FUZZI Prof. Dr. João Luiz Moreira Coutinho Azevedo
Tópicos em Econometria I
Probabilidade e Estatística Aplicadas à Contabilidade II
ANOVA II.
Como construir hipóteses?
ESTATÍSTICA BÁSICA. Por quê? Em alguma fase de seu trabalho, o pesquisador se vê às voltas com o problema de analisar e entender um conjunto de dados.
Variáveis instrumentais
Cap 3. Modelo de regressão de duas variáveis: o problema da estimação Prof. MSc. Saulo Jardim Modelagem Estatística.
Combinando inequações lineares
GEOGEBRA COMO FERRAMENTA PARA O ENSINO DE ESTATÍSTICA
Prof. Fernando Lang da Silveira – IF-UFRGS
Centro de Ciências do Mar do Algarve
Econometria Propriedades assintóticas dos estimadores MQO
Estimadores, Custo de Capital e a Morte do CAPM
Análise de regressão múltipla
Análise de regressão múltipla
Econometria Heterocedasticidade Consequências da violação
Regressão
Ms.Rosebel Trindade Cunha Prates
Estatística Aula 13 Prof. Marllus Gustavo Ferreira Passos das Neves
Estatística Aplicada Larson Farber 9 Correlação e regressão.
1 Modelagem Matemática de Sistemas Dinâmicos 3.9. Gráfico de Fluxo de Sinais Linearização de Modelos Prof. André Marcato Livro Texto: Engenharia.
Multicolinearidade Observações missing
AULA 2 ESTATÍSTICA DANIEL PÁDUA.
AULA 1 ESTATÍSTICA DANIEL PÁDUA.
FUNDAMENTOS DA ESTATÍSTICA
CORRELAÇÃO Universidade Federal Rural do Rio de Janeiro CPGA-Solos
Estatística: Aplicação ao Sensoriamento Remoto SER ANO 2018 Estimação Pontual Camilo Daleles Rennó
Modelagem Matemática de Sistemas Dinâmicos. 3. 9
Denilson Morais Vagner Ayres Lara
Profa. Andréia Adami Escola Superior de Agricultura “Luiz de Queiroz” Universidade de São Paulo LCE0211 – Estatística Geral Profa.
Referência: Pinto, Cristine Campos de Xavier
UNIDADE 8 Analisar os dados -1 Carlos Arriaga Costa
UNIVERSIDADE FEDERAL DO PARANÁ Departamento de Estatística
Probabilidade e Estatística Aplicadas à Contabilidade II
INTRODUÇÃO À ANÁLISE DE REGRESSÃO APLICADA À ENGENHARIA FLORESTAL
GRUPO EDUCACIONAL UNIGRANRIO
Transcrição da apresentação:

DEPARTAMENTO DE CONTABILIDADE UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE CONTABILIDADE Generalized Method of Moments (GMM) e Variáveis Instrumentais Métodos Quantitativos Avançados Acadêmica: Raíssa Silveira de Farias Professor: Prof. Dr. Marcelo Botelho da Costa Moraes Ribeirão Preto, 17 de abril de 2017

Introdução GMM (Método Generalizado dos Momentos) Técnica econométrica genérica de estimação dos parâmetros de uma equação de regressão. APLICAÇÃO Problemas de endogeneidade entre as variáveis explicativas do modelo.

Endogeneidade Quando não é correlacionada com o termo de erro estocástico. EXÓGENA VARIÁVEL EXPLICATIVA Quando é correlacionada com o termo de erro estocástico. ENDÓGENA Quando a condição de EXOGENEIDADE não é atendida, os coeficientes estimados não são consistentes. Variáveis omitidas Erros de mensuração Simultaneidade Problema de ENDOGENEIDADE

VARIÁVEIS INSTRUMENTAIS Endogeneidade SOLUÇÃO GERAL ENDOGENEIDADE nos regressores VARIÁVEIS INSTRUMENTAIS Woodridge (2010) De acordo com o autor, para que uma variável observável, mas que não tenha sido incluída no modelo original, seja utilizada no lugar de um regressor endógeno, ela precisa atender alguns pré-requisitos: não ser correlacionada com o termo de erro; ser parcialmente correlacionada com o regressor endógeno. VIOLADO! os estimadores de MQO dos parâmetros do modelo de regressão linear serão viesados, inconsistentes e ineficientes; o estimador da variância do termo de erro aleatório também será viesado e inconsistente; toda a análise inferencial estará comprometida.

Considere o seguinte modelo de regressão linear: Exemplo Considere o seguinte modelo de regressão linear: log(wage) = β0 + β1 educ + u Qual motivo nos levaria a desconfiar da violação da premissa? O termo de erro u engloba todos os outros fatores que afetam o salário tais como habilidade ou inteligência. Mas a habilidade é correlacionada com o grau de escolaridade alcançado, causando uma correlação entre o regressor e o erro.

Variáveis instrumentais (IV) Consistência dos estimadores OLS Termo de erro do modelo não seja correlacionado com os regressores! HIPÓTESE ENDOGENIA OLS é uma técnica de otimização matemática, que procura encontrar o melhor ajuste para um conjunto de dados tentando minimizar a soma dos quadrados das diferenças entre o valor estimado e os dados observados. Qual a utilidade das variáveis instrumentais? O uso das variáveis instrumentais (IV) nos auxiliará na busca de estimadores consistentes, quando tivermos regressores endógenos presentes no modelo de regressão, que são variáveis explicativas correlacionadas com o termo de erro da regressão.

Quadro-resumo Os resíduos da regressão OLS são homocedásticos? Os regressores são todos exógenos? Utilizar estimação OLS Os resíduos da regressão IV são homocedásticos? Utilizar estimação IV Utilizar estimação GMM Os resíduos da regressão OLS são homocedásticos? Utilizar estimação OLS com opção robust Sim Não DIAGRAMA DE DECISÃO: MQO são um caso especial de GMM. Quando temos certeza de que os regressores da nossa equação não estão correlacionados com os erros podemos aplicar o método convencional de OLS. No entanto, mesmo nesse caso temos que verificar se os resíduos da regressão são homocedásticos. Então temos que realizar o teste heterocedasticidade. Caso os resíduos sejam heterocedásticos temos que realizar a regressão robusta. Isto pode ser feito utilizando a opção robust (após a vírgula) no comando regress. Caso tenhamos motivos para acreditar que um ou mais regressores sejam endógenos (tenham correlação não nula com termo de erro da equação) temos que aplicar o método das variáveis instrumentais. Mas mesmo nesse caso podemos ter uma complicação. Pode acontecer que aplicando o método das variáveis instrumentais os resíduos do modelo não sejam homocedásticos. Nesse caso temos que aplicar o método das variáveis instrumentais articulado com o método dos momentos generalizados (GMM). Prado, 2016

Variáveis instrumentais (IV) Vamos primeiro considerar um diagrama de causalidade para ilustrar o problema colocado por variáveis instrumentais. Podemos usar mínimos quadrados ordinários (MQO) para estimar consistentemente o seguinte modelo: regressão: y = bx + u x y u Nenhuma associação entre x e u MQO é consistente

Variáveis instrumentais (IV) Entretanto, a regressão MQO falha na seguinte circunstancia: ENDOGENEIDADE regressão: y = bx + u x y u Correlação entre x e u MQO NÃO é consistente

Variáveis instrumentais (IV) A solução deste problema por variáveis instrumentais pode ser vista como: Regressão de variáveis instrumentais regressão: y = bx + u (*) z x y O método se baseia na utilização de uma variável adicional z, não incluída em (*), que satisfaça tais condições: Cov(z,u) = 0 (2) Cov(z,x) ≠ 0. u z não correlacionado com u, e sim, correlacionado com x.

Variáveis instrumentais (IV) A variável adicional z é chamada de instrumento válido para x, quando a variável z satisfaz ambas as condições. Em geral, temos muitas variáveis em u, e mais de uma destas variáveis correlacionada com x. Neste caso, necessitamos no mínimo tantas variáveis em z, quantas forem as variáveis em u correlacionadas com x. Por exemplo: No caso dos fatores latentes da equação de salário, podemos escolher o instrumento z como o número de anos de estudo do pai ou da mãe. Pais com maior escolaridade provavelmente têm filhos com maior escolaridade. z x y u

Variáveis instrumentais (IV) A variável adicional z é chamada de instrumento válido para x, quando a variável z satisfaz ambas as condições. Em geral, temos muitas variáveis em u, e mais de uma destas variáveis correlacionada com x. Neste caso, necessitamos no mínimo tantas variáveis em z, quantas forem as variáveis em u correlacionadas com x. Por exemplo: No caso dos fatores latentes da equação de salário, podemos escolher o instrumento z como o número de anos de estudo do pai ou da mãe. Pais com maior escolaridade provavelmente têm filhos com maior escolaridade. z x y u

Variáveis instrumentais (IV) Suponha que temos dois instrumentos válidos para a “variável endógena” x. Ou seja, temos o modelo: Onde: E(u) = 0 cov(x,u) ≠ 0 cov(z1,u) = 0 cov(z1,x) ≠ 0 cov(z2,u) = 0 cov(z2,x) ≠ 0 Será melhor usar z1 ou z2 como instrumento?. A resposta é: melhor usar os dois!. É claro que devemos escolher a combinação linear de z1 e z2 com a maior correlação possível com x. Além disso, como z1 e z2 tem correlação zero com u, qualquer combinação linear dessas variáveis também terá correlação zero com u. Assim, temos um instrumento válido “relativamente eficiente”. y = β0 + β1x + u (*)

Variáveis instrumentais Mas porque não utilizar sempre VARIÁVEIS INSTRUMENTAIS? Pode ser difícil achar variáveis que servem como instrumentos válidos. Muitas variáveis que têm um efeito sobre as variáveis endógenas incluídas, também têm um efeito direto sobre a variável dependente. Estimadores IV são enviesados para pequenas amostras e suas propriedades para amostras finitas são frequentemente problemáticas. Estes estimadores podem ter resultado ruim em pequenas amostras. A precisão de estimadores IV é menor do que a de estimadores OLS. Na presença de instrumentos fracos (instrumentos incluídos com baixa correlação entre os regressores endógenos) a perda de precisão é muito grande e as estimativas IV podem não compensar a inconsistência dos estimadores OLS. Instrumentos podem ser fracos: satisfatoriamente exógenos mas fracamente correlacionados com os regressores endógenos. Neste caso, “a cura pode ser pior do que a doença”.

Variáveis instrumentais EXEMPLO 1 log(wage) = β0 + β1 educ + u log(wage) = - .185 + .109 educ (.185) (.014) n = 428. R² = .118 CASO 1 MQO Variável instrumental: correlação com variável endógena. CASO 2 educ = 10.24 + .269 fatheduc (.28) (.029) n = 428. R² = .173 CASO 3 Se fatheduc não correlacionada com u, estimação IV. log(wage) = .441 + .059 educ (.446) (.035) n = 428. R² = .093

Quadro-resumo Os resíduos da regressão OLS são homocedásticos? Os regressores são todos exógenos? Utilizar estimação OLS Os resíduos da regressão IV são homocedásticos? Utilizar estimação IV Utilizar estimação GMM Os resíduos da regressão OLS são homocedásticos? Utilizar estimação OLS com opção robust Sim Não Prado, 2016

GMM GMM (Método Generalizado dos Momentos) ABORDAGEM Solucionar o problema de endogeneidade ESTIMADORES Origem: Lord Karl Pearson (1895), sobre o método dos momentos Redescoberto: Hansen (1982) O MGM pode ser estudado como um caso particular de uma classe mais geral de estimadores. E pode ser introduzido através de duas estruturas estatísticas que, embora semelhantes, não são conceitualmente idênticas: 1ª enfatiza a existência de um modelo estatístico subjacente; 2ª prioriza uma visão dinâmica do problema.

GMM EXEMPLO 2 Estimar valor do aluguel em função do valor dos imóveis ocupados e o percentual da população vivendo em áreas urbanas. Choques aleatórios que afetam os aluguéis também afetam os valores dos imóveis. Como variável instrumental utiliza-se renda familiar. Teste de homocedasticidade indicou heterocedasticidade.

GMM

Obrigada!