e aí o olá meu nome é alexandre gori maia e essa é a segunda parte da aula de autocorrelação é o capítulo 13 do livro econometria conceitos e aplicações na primeira parte da aula eu apresentei os conceitos autocorrelação suas consequências nas propriedades dos estimadores de mínimos quadrados ordinários e como identificá-la a partir da análise gráfica e pelo teste de domínio watson nessa aula eu apresentarei duas estratégias principais para correção da autocorrelação o método de mínimos quadrados generalizados e o uso de estimadores robustos para a variância dos estimadores as estratégias são semelhantes a abordadas na aula
de heterocedasticidade e de maneira análoga aí quero ser da cidade eu posso aplicar o método de mínimos quadrados generalizados ou mqg para corrigir autocorrelação nos erros ou mqg consiste em transformar as variáveis originais para obter erros que sejam não autocorrelacionados eu apresentarei os passos dessa transformação utilizando tanto áudio do escalar a esquerda quanto a álgebra matricial a direita opõe ao modelo de regressão linear para y como a função linear de cá variáveis independentes x mais o erro e matricialmente eu represento pelo vetor y com uma função da matrix mais um vetor de erros e o
meu interesse é estimar os coeficientes betas eu assumirei que a alta correlação de primeira ordem nos erros ou seja o erro no período t et será uma função do erro no período terrenos um e ter menos um mais um erro eo que é por definição aleatório e não autocorrelacionado o pois sem e representa o grau de autocorrelação nos erros eu acho mesmo que os erros sejam definidos por esse modelo que é denominado de modelo autoregressivo de primeira ordem eu chego através de desenvolvimento algebrico as expressões para a variância dos erros e a covariância entre os
erros de um período et e os erros do período tem mais s mais importantes dessa demonstração é o fato de a covariância entre os erros e períodos distintos e t&e ter mais é se não ser igual a zero como assumir o teorema de gauss markov a covariância entre e ter mais é se será uma função do coeficiente de autocorrelação cor da variância dos erros lá dois e da defasagem s entre os erros bom então os matriciais isso significa que as partes superior e inferior da matriz de variância e covariância dos erros não conterão exclusivamente valores
0 seus valores dependem de rua e podem ser positivo ou negativo simplificadamente eu posso dizer que a matriz variância-covariância dos erros se será uma função de uma matriz e fatores ver e eu preciso então transformar as variáveis a equação um para eliminar o coeficiente de autocorrelação outros erros z o ideal é chegar ao novo modelo em que os erros sejam iguais a uti ou seja sejam iguais aí te - cor vezes e teremos um se é o correlacionado de primeira ordem os erros ou te serão por definição não autocorrelacionado o primeiro passo dessa transformação é
representar um modelo original a equação um por uma função dos valores defasados de primeira ordem para y e x e em seguida eu posso multiplicar os dois lados dessa igualdade pelo coeficiente vou o próximo passo é calcular a diferença entre as equações 1 e 2 a nova variável desse modelo é igual a y t - cor vezes y temos um e eu chamarei de y asterisco e é só as variáveis independentes serão iguais a xt - cor vezes x ter menos um e eu chamarei de x asterisco apesar de o intercepto dessa equação ser diferente
do intercepto da equação um os coeficientes betas que são os momentos o interesse no modelo de regressão são exatamente os mesmos e o mais importante os novos erros essa equação transformadas são por definição não abre relacionados esses novos erros são iguais a et - for vezes e ter menos um ou seja são iguais aos erros uso do modelo autoregressivo de primeira ordem é claro que ter a equivalência transformação em áudio para matricial eu multiplico os dois lados da equação de regressão por uma matriz quadrada denominada lambda essa matriz lambida contém a transformação algébrica necessária para
obter os erros não autocorrelacionados esse procedimento é análogo ao adotado na correção da interesse da cidade o que muda é o conteúdo da matriz ver uma vez que as transformações algébricas são distintas e eu demonstro então que a matriz e variância e covariância desse modelo transformado que é o vetor e multiplicado pela matriz lambda será igual a uma atriz indicadora vezes sigma 2 ou seja será igual a matriz quadrada com valores constantes de cima dois na diagonal principal e valores 0 na parte superior e inferior da matriz recapitulando a ideia do mqg objetivo é definir
uma matriz e fatores ver que está associada a matriz e variância e covariância dos erros em seguida eu aplico uma transformação algébrica que é necessária para eliminar essa matriz ver da equação para a matriz variância-covariância dos erros e o padrão de autocorrelação mais comum e séries econômicas é dado por um modelo autoregressivo de primeira ordem ou seja e ter seria dado por o vezes e ter menos um mais um erro aleatório uti a partir dessa igualdade eu defino a matriz de fatores ver contendo nas partes superior e inferior a diagonal principal as covariâncias entre os
erros e tiê e ter mais s o ataque do coeficiente de autocorrelação e consequentemente da matriz de fatores ver eu então defino a transformação algébrica necessária para eliminar autocorrelação nos erros mas eles realmente essa transformação é representada pela matriz lambda e eu posso então demonstrar que os erros do modelo para lambda y com uma função de lâmina x apresentar a erros não autocorrelacionados a matriz de variância e covariância desses erros lambda e será dada por uma matriz indicador aí vezes uma constante sigma 2 é o primeiro passo do método de mtg é então transformaram as
variáveis originais que serão multiplicados pela matriz lambida após a correção eu posso simplesmente aplicar m queiroz variáveis transformadas ou seja aplicar a equação dele aqui ó para apertar chapéu utilizando as variáveis lambda e epsilon e lâmina x para estimar os coeficientes do vetor beta ou alternativamente eu posso obter os estimadores de henrique g diretamente pela equação abaixo e essa equação nada mais é que a equação do estimador de michael substituindo o vetor y pelo produto leve da y e substituindo a matriz x pelo produto lambda x um raciocínio análogo é válido para estimar as somas
dos quadrados e as variâncias dos estimadores ou seja eu aplico as mesmas equações e michael substituindo as variáveis originais y ex pelos produtos lambda y e lâmina x é a primeira parte da aula eu demonstrei que há dois problemas associados aos estimadores nem níquel na presença de autocorrelação o primeiro a ineficiência do em cima da dengue aqui ó ou seja a variação do beta chapéu não seria a menor possível entre os possíveis estimadores não tendenciosos e a segunda é o viés luiz cimador de sua variância de ética e fez isso mesmo para amostras grátis e
os estimadores mtg por outro lado corrigir em todos esses problemas ou seja serão não tendenciosos e os mais eficientes além de os estimadores em suas variâncias serem também não tendenciosos todavia a grande limitação do método de mqg é conhecer o valor de roo o coeficiente de autocorrelação dos erros em algumas situações esse fator é definir o teoricamente mais a prática é muito pouco provável que eu conheço o real valor de gol esse é um exemplo 13.5 do livro os dados são os mesmos nos exemplos anteriores e objetivo é analisar a relação entre a área y
e preço x a cana-de-açúcar o caso os erros sejam autocorrelacionados as estimativas e michael para os coeficientes do modelo não seriam ineficientes e as estimativas e suas variâncias seriam tendenciosos e eu assumirei então que os erros do modelo seja alto correlacionados com o coeficiente de autocorrelação de primeira ordem = 0,5 matricialmente eu definiria a uma matriz e fatores ver com os valores das covariâncias entre os erros de trimestres distintos nas diagonais superior e inferior da matriz e para obter as estimativas mtg o primeiro passo é transformar algebricamente a equação original subtraindo os valores presentes das
variáveis y e x pelos valores defasados dos semestres anteriores esses horror que vão nosso caso é igual a 0,5 matricialmente isso significa multiplicar o vetor y e a matriz x pela matriz de correção lambda essa matriz quadrada a lambada será igual ao inverso da raiz quadrada da matriz e v e o segundo passo para obter as estimativas mqg é aplicar e mix as variáveis transformadas eu acho aqui vamo intercepta obtida pelo mtg -3,3 43 não é diretamente comparável à obtida porém que o modelo original 2,54 a estimativa de mqg refere-se ao alpha vezes um menos
cor enquanto que a demi aqui ó refere-se exclusivamente ao alpha o mais importante é que a estimativa do mqg para o coeficiente angular 5,0 56 é diretamente comparável ali é melhor pois referem-se ao mesmo coeficiente beta a estimativa do mqg para o coeficiente angular difere apenas marginalmente da estimativa de michael mas acima aqui valendo qg possui duas vantagens principais na na presença de autocorrelação a primeira vantagem a eficiência ou seja a variância do estimador de mtg é menor que vale essa do estimador de mentirosa a presença de autocorrelação a segunda é que o estimador da
variância do mtg é tendencioso enquanto que o de aqui ó seria tendencioso mesmo para nossas grandes ou seja apenas as inferências feitas com as estimativas mtg seriam válidas por outro lado uma alimentação principal do estimador do mqg é depender do conhecimento a priori desse coeficiente cor que dificilmente é conhecido na vida real agora resolverem o mesmo exemplo 13.5 não é utilizando duas estratégias que se equivale lembrando que eu estou assumindo que usei você jão autocorrelacionados de 1ª ordem com coeficientes de autocorrelação = 0,5 a primeira estratégia consiste em transformar as variáveis originais em seguida aplicar
em mim aqui ó eu chamarei de área um a nova variável dependente que será igual ao valor da área no período t - o hulk e 0,5 vezes o valor da área no período passado calculado pela função leg do r eu utilizo o mesmo procedimento para calcular a nova variável independente dele denominada reinar um e após a transformação e utiliza a função lm do erre para aplicar enix as variáveis transformadas as estimativas de rpg seriam então menos 0,68 e 5,03 é uma limitação dessa estratégia é que eu estou perdendo a primeira observação da mostra pois
eu não consigo calcular o valor defasado das variáveis ali aí preço no período do primeiro trimestre e utilizando a função leque e a próxima estratégia utiliza as funções gls e cor a r1 do erre que realizam as mesmas transformações só que utilizando aos bra matricial a grande vantagem dessas funções é preservar os valores todos os trimestres a minha mostra a função gls aplica o método de mínimos quadrados generalizados a função com a r1 definir o padrão de autocorrelação de primeira ordem dos erros o parâmetro 0,5 definir o valor de roer o parâmetro fixo igual a
tôa é necessário para que a função não modifique o valor de rua durante o procedimento conforme a conveniência empírica acima as estimativas mqg nesse caso utilizando as funções escritas seriam menos 3,34 para o alfa e 5,06 para o beto recomenda-se sempre utilizar a função gls para o para o método de mg e como eu os homens desconheço o coeficiente de autocorrelação rua dos erros uma alternativa seria estimado a partir da relação entre os resíduos em mente ó e seus valores defasados os passos seriam análogos aos do mqg com a diferença de agora eu estimar um
valor de rigor a invés de assumido teoricamente essa estratégia é denominada de mínimos quadrados generalizados factíveis o estimador de mgf os estimadores de michael jackson são válidos apenas assim praticamente ou seja para nossas grandes para amostras pequenas tanto os estimadores nos coeficientes quantos de suas variâncias podem ser tendenciosos detalhes sobre o método de rpgs podem ser consultados no livro e não serão abordados nesse vídeo assim como ocorre na presença de heterocedasticidade uma das estratégias mais populares para a correção da autocorrelação nos erros é o uso desse queimadura explicou bustos da variância e o estimador robusto
autocorrelação significa que esse é assintoticamente válido da presença ou não de autocorrelação músicos o preço a se pagar é que esse estimador não será mais eficiente ou seja a estimativa da variância do estimador robusto não ser a menor possível entre aquelas não tendenciosas é suponha por exemplo que os erros de um modelo de regressão linear simples sejam autocorrelacionados de primeira ordem e a real variância do em cima do beta chapéu seria dado por essa expressão o estimador de me aqui ó para o que eu senti beta continuaria sendo não tendencioso pernicioso na presença de alguma
relação o problema é que o estimador da variância do beta chapéu não convergir ia para essa real variância do beta chapéu mesmo quando a minha mostra grande é a solução seria então preservar o valor o valor obtido para o estimador beta chapéu de michael mais utilizar um estimador diferente para a sua variância eu estou representando uma proposta por essa expressão as equações para esse simulador robusto da variância e para a real variância do beta chapéu acima convergem quando o meu ele é grande ou seja o estimador robusto a variância é não tendencioso assintoticamente e o
problema é que esse senador pode ser tendencioso para amostras pequenas nós vemos o r como calcular estimador robusto para avaliar se do beta chapéu na presença de autocorrelação e há várias propostas de estimadores robustos da variância na literatura e eu posso utilizar a função vicove h ácido r para obter um estimador robusto tanto a e ter os e da cidade e quanto a autocorrelação o objeto n que o que é passado como parâmetro a essa função contém as estimativas e mix que foram obtidas anteriormente e perceba aqui as estimativas dos coeficientes betas são idênticas às
de rick ó o que muda são as estimativas das variâncias e dos e consequentemente dos erros-padrão dos estimadores beta chapéu essas estimativas seriam válidas assintóticamente mas eu preciso analisar com muita cautela os resultados pois a minha mostra é pequena apenas trinta e quatro trimestres e as suas estimativas podem também ser tendenciosa e aí e aí e aí e aí e aí