Noções de Econometria. Tutorial com aplicação do software Gretl

Noções de Econometria
Tutorial com aplicação do software Gretl.
Carlos Antônio Soares de Andrade
Professor de Economia da
Universidade Federal de Campina Grande
Campina Grande
2012

Sumário
1 Introdução 1
1.1 O que é econometria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Características dos dados econômicos . . . . . . . . . . . . . . . . . . . . 4
1.3 Fonte dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Introdução ao Gretl 6
2.1 Instalação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.2 Entrada de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.3 Importação de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.4 Análise dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.1 Estatística descritiva . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.2 Correlação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4.3 Exercício prático . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3 Regressão linear simples 18
3.1 Uma aplicação no Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.1.1 Diagnóstico da regressão . . . . . . . . . . . . . . . . . . . . . . . 19
3.1.2 Exercício prático . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
4 Regressão linear múltipla 26
4.1 Estimação de mínimos quadrados ordinários utilizando Gretl . . . . . . . 27
4.2 Análise dos resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
4.2.1 Teste de signiﬁcância do modelo . . . . . . . . . . . . . . . . . . . 29
Referências Bibliográﬁcas 31
ii

Lista de Figuras
2.1 Tela inicial do Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Menu Arquivo do Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.3 Selecionando a entrada manual de dados . . . . . . . . . . . . . . . . . . 8
2.4 Janela para informar número de observações . . . . . . . . . . . . . . . . 8
2.5 Janela para informar a estrutura dos dados . . . . . . . . . . . . . . . . . 8
2.6 Tela para confirmação da estrutura de dados. . . . . . . . . . . . . . . . 9
2.7 Tela para informar o nome da primeira variável . . . . . . . . . . . . . . 9
2.8 Tela de inserção dos dados . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.9 Seqüencia para importação de dados . . . . . . . . . . . . . . . . . . . . 10
2.10 Dados da Companhia MB importados para o Gretl . . . . . . . . . . . . 11
2.11 Estatísticas descritivas da variável salário . . . . . . . . . . . . . . . . . . 11
2.12 Histograma da variável salário . . . . . . . . . . . . . . . . . . . . . . . . 14
2.13 Diagrama de caixa com as variáveis salário e idade. . . . . . . . . . . . . 14
3.1 Resultados do Modelo de Mínimos Quadrados Ordinários. . . . . . . . . 19
3.2 Intervalos de confiança para os coeficientes. . . . . . . . . . . . . . . . . . 20
iii

Lista de Tabelas
2.1 Dados hipotéticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2 Valores do coeficiente de correlação e qualificação da correlação. . . . . . 16
2.3 Dados para exercício prático . . . . . . . . . . . . . . . . . . . . . . . . . 17
3.1 Média de notas escolares e renda familiar . . . . . . . . . . . . . . . . . . 19
3.2 Esquema de asteriscos e níveis de significância no Gretl. . . . . . . . . . . 21
4.1 Observações semanais sobre receitas, preço e gastos com propaganda para
a cadeia de lanchonetes . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.2 Resultado da regressão do modelo da cadeia de lanchonetes . . . . . . . . 29
iv

1 Introdução
O presente texto reúne notas de aula da disciplina Econometria I, ministrada no curso
de Ciências Econômicas da Universidade Federal de Campina Grande. Voltado não só
para os alunos que se matriculam nesta disciplina, mas também para qualquer pessoa
interessada em aprender a interpretar dados estatísticos sobre a realidade econômica
do Brasil e internacional. A ferramenta básica é um modelo econométrico que alia
fundamentos da teoria econômica com a técnica estatística da análise de regressão. O
modelo explica o comportamento de uma ou diversas variáveis econômicas.
O curso tem um caráter eminentemente aplicado, onde exemplos práticos servem para
introduzir conceitos de análise empírica e econométrica. Um aspecto importante do
curso é que os alunos são treinados no uso de um software econométrico: o pacote
econométrico Gretl, que usa licença open source e que vem sendo adotado nos principais
centros de ensino e laboratórios de econometria do mundo.
Não há pretensão de substituir os manuais consagrados de econometria, mas servir de
auxiliar ao processo de aprendizagem. Os exemplos serão resolvidos passo-a-passo com
o pacote econométrico referido acima.
1.1 O que é econometria
Segundo o prêmio Nobel de Economia, Lawrence Klein (1978)
O principal objetivo da econometria é dar conteúdo empírico ao raciocínio
econômico apriorístico. Este raciocínio apriorístico é composto, principal-
mente, pelo que chamamos de teoria econômica. Mas podem servir também
como estrutura e objeto da análise econômica as descrições gerais não quan-
titativas das instituições econômicas e seu funcionamento inter-relacionado,
desde que as proposições apriorísticas possam ser colocadas em forma mate-
mática.
Conforme o economista Jeﬀrey M. Wooldridge(2006),
A econometria é baseada no desenvolvimento de métodos estatísticos para
estimar relações econômicas, testar teorias, avaliar e implementar políticas de
governo e de negócios. A aplicação mais comum da econometria é a previsão
de importantes variáveis macroeconômicas, tais como taxas de juros, taxas de
inﬂação e produto interno bruto (PIB). Ainda que as previsões de indicadores
econômicos sejam bastante visíveis e, muitas vezes, extensamente publicadas,
os métodos econométricos podem ser usados em áreas econômicas que não
têm nada a ver com previsões macroeconômicas.
1

A econometria tem sido usada em campos de estudo da ciência política (efeitos de
gastos em campanhas políticas sobre os resultados de eleições), da educação (efeito de
gastos públicos com escolas sobre o desempenho de estudantes) e outros. É,portanto, a
combinação de teoria econômica, estatística e, nos dias atuais, ciência da computação.
A teoria econômica proporciona a base para identificar as variáveis econômicas im-
portantes. Para se estruturar uma análise econômica empírica, o primeiro passo “é a
formulação cuidadosa da questão de interesse”, segundo Wooldridge (op. cit).
A questão de interesse ou problema pode se referir a um aspecto da teoria para ser
testado ou os efeitos de uma política governamental. Os métodos econométricos podem
ser aplicados para responder a uma gama de questões.
Um estudo de economia aplicada segue um fluxo de tarefas constituídas das seguintes
etapas: formulação do problema, coleta de dados, especificação do modelo econométrico,
estimação dos parâmetros desconhecidos do modelo, diagnóstico do modelo estimado,
re-especificação do modelo se necessário e, por fim, aplicação do modelo.
• Formulação do problema. A formulação do problema é muito importante para a
especificação do modelo econométrico: definição das variáveis dependente e inde-
pendente, forma funcional do relacionamento entre estas variáveis e quantidade e
disponibilidade dos dados para a análise.
Na opinião do professor Philip Hans Franses (2002), a econometria não se restringe
a validar ou testar teorias. O econometrista também pode descobrir novas regula-
ridades estatísticas de dados econômicos. Na tarefa de validar ou não uma teoria,
os dados disponíveis podem não permitir rejeitar a hipótese. A teoria econômica
frequentemente se refere ao longo prazo, contudo focar no curto-prazo pode ser
mais frutífero. Para a questão “são os carros médios igualmente caros no Japão
e nos Estados Unidos, após o ajuste da taxa de câmbio ente esses dois países?”,
parece ser uma formulação melhor do que “a hipótese da paridade do poder de
compra permanece para o Japão e os EUA?”.
• Coleta dos dados. Nesta etapa alguns cuidados são necessários. Concentrar-se
em coletar dados estatísticos relevantes para a solução da questão de interesse.
Atentar para o fato de que diferentes definições embasam a coleta e publicação de
dados por diferentes instituições públicas e privadas como IBGE, FIESP, FGV,
IPEA, e outras. Há problemas também concernentes à disponibilidade dos dados:
dados faltantes, interrupção da série de coleta, credibilidade da fonte.
• Especificação do modelo econométrico. Esta etapa depende das duas anteriores.
Após a revisão da teoria e da coleta dos dados relevantes à questão de interesse,
passa-se à declaração da hipótese de pesquisa e especificação matemática e esta-
tística do modelo. Segundo Hill (1999), a teoria econômica não objetiva prever
o comportamento específico de um indivíduo ou firma, mas descreve o compor-
tamento médio ou sistemático de muitos indivíduos. Um exemplo é a clássica
formulação de Keynes (1985) da relação entre consumo e renda:
2

A lei psicológica fundamental em que podemos basear-nos com inteira
confiança, tanto a priori, partindo do nosso conhecimento da natureza
humana, como a partir dos detalhes dos ensinamentos da experiência,
consiste em que os homens estão dispostos, de modo geral e em média, a
aumentar o seu consumo à medida que a sua renda cresce, embora não
em quantia igual ao aumento de sua renda
Embora Keynes não tenha especificado a relação funcional entre renda e consumo,
ficou estabelecida nos estudos econométricos a relação linear entre as duas variá-
veis, como na equação
Y = β1 + β2X + (1.1)
Onde Y é a despesa de consumo, X é a renda e β1 e β2 são os parâmetros a serem
estimados, respectivamente, coeficiente de intercepto e coeficiente de inclinação.
O parâmetro é o componente aleatório, chamado também erro aleatório. Esse
componente incorpora as demais variáveis não consideradas na função e outros
fatores.
• Estimação dos parâmetros do modelo.
A equação 1.1 acima é um modelo econométrico cujos parâmetros β1 e β2, desco-
nhecidos serão estimados por algum método da estatística matemática. Dentre os
mais utilizados tem-se o método da análise de regressão e o método dos mínimos
quadrados ordinários. Dada a evolução recente da econometria e a disponibilidade
de computadores para cada pesquisador individual, esta tarefa vem sendo realizada
com o auxílio dos softwares chamados pacotes estatísticos. Dentre eles o Gretl.
• Diagnóstico do modelo.
Uma vez especificado o modelo, e tendo os valores estimados dos parâmetros é o
momento de avaliar se o modelo é coerente com os pressupostos teóricos e a per-
cepção do analista. Consiste esta etapa na aplicação de vários testes de hipóteses
sobre os parâmetros estimados e no modelo completo, objetivando verificar se foi
bem especificado. Enfim, busca-se responder às questões: as variáveis explicati-
vas eram todas importantes? Utilizou-se a forma funcional correta? Qual o grau
de explicação do modelo? Não se obtendo respostas satisfatórias, procede-se à
mudança do modelo aproveitando o conhecimento obtido da primeira análise.
• Aplicação do modelo.
Chegando-se ao modelo mais adequado, depois de todos os testes e confrontos com
os pressupostos teóricos,passa-se à aplicação do modelo para tarefas de previsão
ou avaliação dos efeitos de uma política.
3

1.2 Características dos dados econômicos
Diferentemente de estudos das áreas das ciências exatas e naturais, onde os dados
para análise são gerados em experimentos controlados em laboratório, em economia e
na análise empírica econométrica os dados são obtidos da observação dos fenômenos
econômicos e sociais, são dados não experimentais. Segundo Hill . et. al.(1999), a
maioria dos dados econômicos é coletada para ﬁns administrativos e não como objeto de
pesquisa.
Os dados econômicos podem ser quanto ao tipo dados quantitativos, quando as-
sumem valores numéricos sejam monetários, volume, extensão e proporções; ou dados
qualitativos quando assumirem valores expressos por atributos como sexo (masculino,
feminino), respostas binárias (sim e não ou 0 e 1).
Conforme Wooldridge(2006), quanto à apresentação os dados podem corresponder às
seguintes estruturas:
Dados de corte transversal Consiste em uma amostra de indivíduos, consumidores,
empresas, cidades, estados, países ou uma variedade de outras unidades, tomada
em um determinado ponto no tempo. Ignoram-se quaisquer diferenças de tempo.
Dados de séries de tempo consiste em observações sobre uma ou muitas variáveis ao
longo do tempo. Normalmente referindo-se a cronologias como anos, trimestres,
meses e dias. São exemplos de séries temporais produto interno bruto, índice de
preços ao consumidor e volume de vendas de automóveis.
Cortes transversais agrupados É uma combinação de dados de corte transversal e de
séries temporais. Um exemplo é quando se utilizam duas amostra de dados da
PNAD (Pesquisa Nacional por Amostra de Domicílios),efetuada anualmente pelo
IBGE, uma para o ano de 2005 e outra para o ano de 2009. As mesmas variáveis
são estudadas como renda, anos de estudo, condição do domicílio, etc. O detalhe
é que os indivíduos amostrados não são os mesmos.
Dados de painel ou longitudinais Consiste em uma série de tempo para cada membro
do corte transversal do conjunto de dados. Como exemplo temos quando coletamos
dados de investimento e ﬁnanceiros sobre um conjunto de empresas ao longo de
um período de cinco anos. Aqui as mesmas empresas são acompanhadas ao longo
de um determinado período.
1.3 Fonte dos dados
A compilação dos dados para um estudo econométrico é uma tarefa crítica. Depende
da acessibilidade, da periodicidade em que são colocados à disposição do público e do
formato de apresentação (impressos em relatórios ou boletins, gravados em meio digital
como arquivo de planilhas ou texto não formatado).
No Brasil, fontes de dados econômicos e sociais podem ser obtidos das páginas de
internet de instituições como o IBGE (http://www.ibge.gov.br), Banco Central do
4

Brasil (www.bcb.gov.br/) e do IPEA ( Instituto de Pesquisa Econômica Aplicada) que
mantém uma página de dados econômicos intitulada IPEADATA (www.ipeadata.gov.
br).
Alguns livros e manuais de economia (micro, macro, economia brasileira e economia
internacional) trazem tabelas com dados, mas para utilizá-los há o inconveniente de
manualmente inseri-los nas planilhas.
5

2 Introdução ao Gretl
2.1 Instalação
O software Gretl 1
é gratuito e está disponível no site oficial em português http://
gretl.sourceforge.net/gretl_portugues.html. A versão para instalação no sistema
operacional Windows está no link http://gretl.sourceforge.net/win32/index_pt.
html. Baixar o arquivo gretl_install.exe. Para executar o arquivo de instalação
basta clicar duas vezes com o botão esquerdo do mouse sobre este arquivo.
Grande parte do software está em português do Brasil, mas ainda há muitas páginas
de ajuda em inglês. É um projeto colaborativo e aos poucos essas lacunas vão sendo
preenchidas pela colaboração voluntária 2
.
Depois de instalado o programa aparecerá na área de trabalho um ícone com o dese-
nho de uma figura feminina, uma camponesa. Clicando duas vezes neste ícone com o
mouse ou seguindo a seqüencia na barra de comandos do Windows Iniciar > Todos os
programas > gretl > gretl, será iniciado o programa apresentando a janela reprodu-
zida na Figura 2.1. Como ainda não foi carregado nenhum arquivo de dados apenas as
opções de menu estão disponíveis Arquivo e Ferramentas, as demais opções aparecem
em cinza indicando que não estão disponíveis.
2.2 Entrada de dados
A entrada manual de dados no gretl é realizada através do comando Novo conjunto
de dados do menu Arquivo, como mostram a Figura 2.2 e a Figura 2.3.
Surgirá uma pequena janela Figura 2.4 solicitando a informação de quantas observa-
ções serão inseridas.
Após ser informada a quantidade de observações, deve-se selecionar a estrutura dos
dados, conforme a Figura 2.5: Dados de corte referindo-se a dados de corte transversal,
Série temporal indicando se os dados são de série temporal e Painel se os dados estão
na estrutura Painel.
Em seguida, pede-se para confirmar a estrutura do conjunto de dados conforme a
Figura 2.6. Antes de clicar no botão Aplicar, clicar com o mouse no quadrado,
assinalando-o, onde se lê Inicie a introdução de valores.
1
Gretl é um acrônimo para Gnu Regression, Econometrics and Time-series Library. Trata-se de uma
biblioteca de funções estatísticas e econométricas para análise de regressão e de séries temporais.
Segundo Adkins(2007), é de fácil uso e razoavelmente poderoso.
2
Para se informar sobre os aspectos de colaboração e voluntariado na comunidade de software aberto
o leitor poderá começar pelo link http://pt.wikipedia.org/wiki/Software_livre.
6

Figura 2.1: Tela inicial do Gretl
Figura 2.2: Menu Arquivo do Gretl
Como mostra a Figura 2.7, pede-se um nome para a primeira variável. No gretl
as variáveis serão nomeadas com um máximo de 15 caracteres; iniciar com uma letra e
depois números e letras e o caractere sublinhado _ ; não usar acentos como em “salário”;
7

Figura 2.3: Selecionando a entrada manual de dados
Figura 2.4: Janela para informar número de observações
Figura 2.5: Janela para informar a estrutura dos dados
não ter espaços como em “Segundo Grau completo”;
A janela de inserção de dados na Figura 2.8 tem no canto superior esquerdo três
ícones:+,
√
,×. Correspondem respectivamente às ações inserir mais uma variável, con-
ﬁrmar os dados inseridos e fechar a janela de inserção de dados.
8

Figura 2.6: Tela para conﬁrmação da estrutura de dados.
Figura 2.7: Tela para informar o nome da primeira variável
Figura 2.8: Tela de inserção dos dados
2.3 Importação de dados
A outra maneira de inserir dados no gretl é através da seqüencia Arquivo - Abrir
dados - Importar. Como se vê na Figura 2.9. Nota-se que há uma variedade de formatos
de dados, mas neste texto faremos referência apenas às opções “texto/CSV” e “Excel”.
9

Figura 2.9: Seqüencia para importação de dados
2.4 Análise dos dados
O software Gretl tem como foco a análise de regressão e de séries temporais, mas
tem ferramentas que auxiliam na descrição estatística sumária de variáveis. Na barra
de menu superior há duas formas de se obter o resumo estatístico de uma variável ou
um conjunto selecionado: o comando Ver com a opção Estatísticas descritivas e
o comando Variável também com a opção Estatísticas descritivas. A resposta
ao comando é uma janela de resultados informando média, mediana, mínimo, máximo,
desvio padrão, coeficiente de variação, enviesamento(assimetria) e excesso de curtose.
2.4.1 Estatística descritiva
O objetivo da análise descritiva é resumir um conjunto de dados, extraindo as carac-
terísticas e informações mais relevantes para o estudo.
Sejam os dados da empresa fictícia Companhia MB, apresentados no livro Estatística
básica, de Bussab e Morettin(2005), página 11, Tabela 2.1. Para serem lidos pelo Gretl,
os dados foram digitados em uma planilha adaptando os títulos das colunas extraindo
os caracteres til, circunflexo e cedilha.
Salva a planilha, então procedeu-se à importação dos dados pelo Gretl usando a
10

seqüência de comandos utilizando o mouse: Arquivo > Abrir dados > Importar >
Excel. Abre-se uma janela onde o usuário deve informar o caminho da planilha que
contém os dados para análise. O software solicita a confirmação da estrutura de dados,
no caso Corte transversal.
Figura 2.10: Dados da Companhia MB importados para o Gretl
Para se obter uma descrição numérica da distribuição da variável salário, procede-se à
seqüência : selecionar a variável salário clicando com o mouse deixando-a destacada. Cli-
car com o mouse no comando Ver ou Variável e clicar em Estatísticas descritivas
e uma janela com os resultados surgirá na tela do computador, como se vê na Figura
2.11.
Figura 2.11: Estatísticas descritivas da variável salário
Medidas descritivas da distribuição
A média e a mediana são medidas de posição. O desvio padrão e o coeficiente de vari-
ação (C.V.) são medidas de dispersão. Com o nome de Enviesamento tem-se o coeficiente
11

de assimetria da distribuição e com o nome de Curtose Ex. o excesso de curtose.
Segundo Merrill e Fox(1980) 3
, define-se a média aritmética de um conjunto de dados
como
X =
1
n
n
i=1
Xi
No cálculo da média, leva-se em conta cada número do conjunto de observações, com
igual peso. Cada conjunto de números tem uma única média.
A média tem como desvantagem sofrer alteração em seu valor com a presença de
observações de valores extremamente grandes ou extremamente pequenos.
A mediana é o valor central de um conjunto de observações dispostas por ordem de
grandeza. A mediana não é afetada por valores extremos.
A estas medidas de posição deve-se acrescentar a informação sobre a variabilidade
em trono da média. São as medidas de dispersão. Com os valores Mínimo e Máximo,
fornecidos pelo Gretl, obtemos a Amplitude Total, ou seja,
Amplitude Total = Máximo − Mínimo
As medidas de dispersão mais utilizadas são desvio padrão e variância. O desvio
padrão é definido como a raiz quadrada positiva da variância. A variância de um conjunto
de dados se define como a média dos quadrados dos desvios dos dados com relação à
média. Gretl calcula a variância como
var(X) =
1
N − 1
N
i=1
(xi − ¯x)2
Portanto o desvio padrão será
dp(X) = var(X)
A variância e o desvio padrão terão valor zero quando todos os dados de uma variável
assumirem o mesmo valor. Assim, quanto mais próximo de zero indica que o conjunto
de valores é bastante concentrado e homogêneo.
A outra medida de dispersão informada pelo Gretl é o coeficiente de variação (C.V.).
Relaciona o desvio padrão com a média e se define como
C.V. =
dp(X)
¯X
O coeficiente de variação é comumente expresso como uma percentagem, assim deve-
se multiplicar por 100 o valor informado pelo Gretl. A dispersão dos dados será tanto
maior quanto o valor do C.V. se aproxime de 1 ou de 100%.
As duas últimas medidas fornecidas pelo Gretl informam a respeito da forma da distri-
buição: Enviesamento (assimetria) e Curtose Ex (excesso de curtose). Uma distribuição
é dita assimétrica se não é simétrica em relação à média. Segundo Merrill e Fox (op.
3
Fonte das definições seguintes.
12

cit.), o coeficiente de assimetria α3 é a medida de assimetria mais usada, e se define
como
α3 =
1
n
n
i=1(Xi − ¯X)3
s3
onde s3
é o cubo do desvio padrão. Para uma distribuição simétrica, α3 é zero. Va-
lores positivos de α3 indicam que a distribuição é positivamente assimétrica, ou seja,
seu gráfico (histograma) apresenta uma longa cauda à direita. Para valores negativos,
apresentará uma cauda longa à esquerda.
O coeficiente de curtose é a medida de “achatamento” da distribuição. A medida da
curtose é fornecida pelo cálculo de α4, definido como
α4 =
1
n
n
i=1(Xi − ¯X)4
s4
onde s4
é a quarta potência do desvio padrão. A distribuição normal é muito utilizada
como referência para medida do achatamento. Para a distribuição normal, α4 é igual a 3.
Desta forma, se α4 excede 3 (Curtose Ex. é positiva) , a distribuição é dita leptocúrtica
(mais apontada do que a distribuição normal), e se α4 é menor do que 3 (Curtose Ex.
é negativa), a distribuição é dita platicurtica (menos apontada do que a distribuição
normal).
Representação gráfica da distribuição
A representação gráfica de uma distribuição de freqüência chama-se histograma e no
Gretl pode ser obtido pela seqüência, usando o mouse: Variável > Distribuição de
freqüência, informar o número de classes que se deseja (o Gretl sugere 7), clicar na
caixa mostrar gráfico e clicar em OK. O gráfico será exibido em uma janela como a da
Figura 2.12. Clicando com o botão direito do mouse sobre a janela do gráfico surgirá
um menu com as opções de salvamento do gráfico para inserção no texto de um relatório
ou no corpo de um artigo para publicação.
Outro gráfico utilizado para descrever uma distribuição de freqüência é conhecido como
gráfico de caixa, também chamado de desenho esquemático em Bussab e Morettin(2005).
Pode ser obtido no Gretl pela seqüência: clicar em Variável, Gráfico das variáveis,
Diagramas de caixa, informar o nome de uma variável ou mais de uma variável (neste
caso separadas por espaço) e OK. O resultado aparece em uma janela como a Figura 2.13.
Clicando com o botão direito do mouse sobre a janela do gráfico surgirá um menu com
as opções de salvamento do gráfico para inserção no texto de um relatório ou no corpo
de um artigo para publicação.
2.4.2 Correlação
Um tópico importante na análise de variáveis sócio-econômicas diz respeito ao grau
de associação entre elas. A resposta é fornecida pelo cálculo do coeficiente de correlação
que informa o grau de associação, mas não pode ser usado para determinar a existência
13

Figura 2.12: Histograma da variável salário
Figura 2.13: Diagrama de caixa com as variáveis salário e idade.
de um vínculo de causalidade entre as variáveis. Segundo Hoﬀman(1980), para uma
amostra de n pares de valores Xi, Yi (com i = 1, ..., n) a estimativa de correlação linear
entre X e Y é dada por
r =
xiyi
x2
i y2
i
onde xi = Xi − ¯X e yi = Yi − ¯Y , com ¯X = 1
n
Xi e ¯Y = 1
n
Y i.
Considere os dados da tabela 2.1
Para calcular o coeﬁciente de correlação entre X e Y no Gretl utiliza-se a seqüência
de menus Ver - Matriz de correlação - Variáveis selecionadas- OK. A saída será
14

Tabela 2.1: Dados hipotéticos.
X Y
1 1
2 9
3 2
4 7
5 6
igual ao conteúdo do quadro abaixo
Coeﬁcientes de correlação, usando as observações 1 – 5
5% valor crítico (bilateral) = 0,8783 para n = 5
X Y
1, 0000 0, 3730 X
1, 0000 Y
Segundo Levin(1987), o coeﬁciente de correlação oscila entre os valores −1, 00 e +1, 00
e sendo interpretados segundo a Tabela 2.2.
15

Tabela 2.2: Valores do coeficiente de correlação e qualificação da correlação.
Valor do coeficiente Interpretação
−1, 00 correlação negativa perfeita
:
−0, 95 correlação negativa forte
:
−0, 50 correlação negativa moderada
:
−0, 10 correlação negativa fraca
:
0, 00 ausência de correlação
:
+0, 10 correlação positiva fraca
:
+0, 50 correlação positiva moderada
:
+0, 95 correlação positiva forte
:
+1, 00 correlação positiva perfeita
Logo, o coeficiente de correlação entre X e Y sendo igual a 0, 03730 pode ser inter-
pretado como uma correlação positiva entre fraca e moderada.
2.4.3 Exercício prático
1. A Tabela 2.3 traz informações sobre 30 alunos distribuídas nas variáveis Idade (em
anos), Altura (em metros), Peso (em quilogramas), TV (horas gastas assistindo
TV , por semana) e IMC (Índice de Massa Corpórea, calculado pela fórmula:
IMC = Peso
Altura2 ). Usando o Gretl, realize as tarefas a seguir.
a) Obtenha as estatísticas descritivas das variáveis e relate sobre o formato de
cada distribuição e a dispersão dos dados.
b) Obtenha para cada variável os gráficos histograma e diagrama de caixa. O
que informam estes gráficos?
c) Obtenha a matriz de correlação entre as variáveis e comente o resultado.
16

Tabela 2.3: Dados para exercício prático
Aluno Idade Altura Peso TV IMC
1 17 1.60 60.5 16 23.630
2 18 1.69 55.0 7 19.255
3 18 1.85 72.8 15 21.275
4 25 1.85 80.9 20 23.638
5 19 1.58 55.0 5 22.030
6 19 1.76 60.0 2 19.367
7 20 1.60 58.0 7 22.650
8 18 1.64 47.0 10 17.471
9 18 1.62 57.8 12 22.029
10 17 1.64 58.0 10 21.537
11 18 1.72 70.0 8 23.655
12 18 1.66 54.0 0 19.516
13 21 1.70 58.0 30 20.022
14 19 1.78 68.5 2 21.617
15 18 1.65 63.5 10 23.369
16 19 1.63 47.4 18 17.862
17 17 1.82 66.0 10 19.952
18 18 1.80 85.2 10 26.263
19 20 1.60 54.5 5 21.200
20 18 1.68 52.5 14 18.662
21 21 1.70 60.0 5 20.747
22 18 1.65 58.5 5 21.458
23 18 1.57 49.2 10 19.948
24 20 1.55 48.0 28 19.955
25 20 1.69 51.6 4 18.069
26 19 1.54 57.0 5 24.013
27 23 1.62 63.0 5 24.084
28 18 1.62 52.0 10 19.859
29 18 1.57 49.0 12 19.805
30 25 1.65 59.0 2 21.649
17

3 Regressão linear simples
Como ensina Kmenta(1988), “a teoria econômica preocupa-se sobretudo com relações
entre variáveis. Relações de oferta e procura, função custo, função produção e muitas
outras (...), a econometria se preocupa em testar as proposições teóricas incorporadas
nestas relações e em estimar os parâmetros nelas envolvidos”.
Sendo x e y duas variáveis relacionadas em alguma proposição teórica ou empírica, a
tarefa é estudar como y varia com variações em x? Conforme Wooldridge (op.cit),
Ao escrever um modelo que “explicará y em termos de x”, defrontamo-nos
com três questões. Primeira, como nunca há uma relação exata entre duas
variáveis, como consideramos outros fatores que afetam y ? Segunda, qual
é a relação funcional entre y e x? E terceira, como podemos estar certos de
que estamos capturando uma relação ceteris paribus entre y e x (se esse for
um objetivo desejado)?
As ambigüidade resolve-se com a especiﬁcação do modelo que relaciona y a x. Uma
equação tal como
y = β0 + β1x + u (3.1)
A equação 3.1 é chamada de modelo de regressão ou equação de regressão. As variáveis
x e y têm vários nomes mas os mais descritivos são variável explicada para y e variável
explicativa para x. A variável u , que em alguns livros é representada por , é chamada de
termo de erro ou perturbação da relação, representa outros fatores além de x que afetam
y como não observados. O parâmetro β1 é chamado de parâmetro de inclinação da
relação entre x e y e é muito importante na análise em economia aplicada. O parâmetro
de intercepto β0 tem seus usos mas é raramente central para uma análise (Wooldridge,
2006).
3.1 Uma aplicação no Gretl
Sejam os dados da tabela 3.1, retirados do livro de Pindyck e Rubinfeld (op. cit.).
Entrando esses dados no Gretl, tal como descrito na seção 2.4.1, procede-se à seqüência
de menus Modelo -> Mínimos Quadrados Ordinários e na janela que se abre informar
como variável dependente a variável Y selecionando-a com o mouse e clicando na seta
azul. Depois selecionar a variável X e clicar na seta verde inserindo-a como variável
independente. Notar que o Gretl já colocou a constante como const. Por ﬁm, clicar no
botão OK e aparecerá a janela com os resultados, indicados a seguir na Figura 3.1.
18

Tabela 3.1: Média de notas escolares e renda familiar
Y X
(média das notas) (renda dos pais em US$ 1000,00)
4,0 21,0
3,0 15,0
3,5 15,0
2,0 9,0
3,0 12,0
3,5 18,0
2,5 6,0
2,5 12,0
Figura 3.1: Resultados do Modelo de Mínimos Quadrados Ordinários.
Lendo os resultados do Gretl, temos na primeira coluna o termo const que se refere
ao intercepto da equação e X a variável independente. Na segunda coluna os valores
estimados dos coeficientes β0 e β1, respectivamente 1,37500 e 0,120370, desta forma o
modelo estimado fica como na equação 3.2
Y = 1, 375 + 0, 12X (3.2)
Segundo a equação 3.2, para cada unidade de X a mais, ˆY aumenta em 0,12. Os
demais itens da janela de resultados servem para diagnosticar se o modelo é significativo
nos parâmetros e se a equação tem um bom ajuste com relação aos dados da amostra.
3.1.1 Diagnóstico da regressão
O pressuposto do Modelo 1 é que a renda dos pais explica a média de notas dos alunos.
Tendo o modelo estimado, procede-se à verificação da significância dos parâmetros, em
especial de β1, o coeficiente de X, renda dos pais. Assim, para verificar se a renda dos
19

pais é significativa para explicar a média de notas dos alunos efetua-se a verificação do
intervalo de confiança dos parâmetros e o teste da nulidade H0 : β1 = 0.
Significância dos parâmetros
Para se obter os intervalos de confiança no Gretl, ativar a janela de resultados Modelo
1 e clicar no menu Análise -> Intervalos de confiança para os coeficientes.
Surgirá a janela da figura 3.2.
Figura 3.2: Intervalos de confiança para os coeficientes.
O nível de confiança padrão é α = 0, 05, que pode ser modificado clicando no botão
com o α na barra de comandos. Observando os resultados, o intervalo de confiança para
β0 é [0, 472639 ; 2, 27736] e para β1 é [0, 0569589 ; 0, 183782]. O zero não está incluído,
então para esta amostra os parâmetros não são zero com 95% de probabilidade.
Para o teste de hipótese Hill et. al.(op.cit.) sugerem as quatro etapas a seguir:
1. Determine as hipóteses nula (H0) e alternativa (H1).
2. Especifique a estatística de teste e sua distribuição se a hipótese nula é verdadeira.
3. Escolha α e determine a região de rejeição.
4. Calcule o valor amostral da estatística de teste.
Aplicando ao estudo das médias de notas e renda dos pais.
1. A hipótese nula é H0 : β1 = 0 . A hipótese alternativa é H1 : β1 = 0. Se a hipótese
nula é verdadeira, não há relação entre a renda dos pais e as médias de notas. Se
a hipótese alternativa é verdadeira, então há relação entre a renda dos pais e as
médias de notas.
2. Estatística de teste tc = βk
dp(βk)
∼ t(T−2) se a hipótese nula é verdadeira. Onde
dp(βk) é o erro-padrão do coeficiente e T o número de observações. Os graus de
liberdade da distribuição tc é igual a T menos o número de parâmetros envolvidos.
20

3. O α é um valor de probabilidade, em geral utiliza-se α = 0, 01 ou α = 0, 05.
Neste caso α = 0, 05. A região de rejeição é dada pelos valores de α e graus de
liberdade ( 8 observações menos dois parâmetros = 6). Assim o valor crítico de tc
será dado em uma tabela estatística da distribuição t de Student para tgl=6,α=0,05/2,
pois o teste é bicaudal se a hipótese alternativa é H1 : β1 = 0. No Gretl o valor
crítico de tc pode ser obtido de forma automática pela seqüência de menus da
janela principal: Ferramentas -> Tabelas estatísticas -> t e preencher as
janelas gl com os graus de liberdade e probabilidade da cauda direita com o
valor de α escolhido. O valor de tc crítico para a amostra de médias de notas é igual
a 2,447. A regra de rejeição da hipótese nula em favor da hipótese alternativa é
dada pela condição do valor amostral de t ≥ 2, 447 ou t ≤ −2, 447, ou, equivalente,
se |t| ≥ 2, 447.
4. Por fim, o valor amostral da estatística t de cada parâmetro é dado na janela
de resultados do Modelo 1 na coluna razão - t, que é o resultado da divisão do
valor do coeficiente pelo erro padrão. Verifica-se que a razão - t de cada um dos
coeficientes supera o valor crítico da estatística t da amostra (2,447). Portanto para
cada um dos parâmetros a hipótese de nulidade foi rejeitada ao nível de α = 0, 05.
Mais importante, no caso de β1 ter sido rejeitada a hipótese de nulidade, significa
que a variável X, rendimento dos pais, é significativa no modelo.
Outra forma de avaliar a significância dos parâmetros é observar a coluna p-valor.
Segundo Hill et. al.(op.cit), podemos decidir se rejeitamos uma hipótese nula
comparando-o com o nível de significância α. A regra é:
Regra de rejeição para um teste de hipótese: Quando o P-valor de um
teste de hipótese é menor do que o valor escolhido α, o procedimento de teste
conduz à rejeição da hipótese nula.
A consequência prática é que conhecendo o P-valor do teste, a decisão de rejeição
da hipótese nula vai resultar da comparação do P-valor com o nível de significância
α escolhido.
Outra facilidade fornecida pelo Gretl são os asteriscos (∗) ao lado dos p-valores.
O esquema da Tabela 3.2 demonstra que quanto mais asteriscos melhor ou mais
significante a estimativa.
Tabela 3.2: Esquema de asteriscos e níveis de significância no Gretl.
Asteriscos Valor do α Interpretação
∗ ∗ ∗ 0,01 Muito significativo
∗ ∗ 0,05 Significativo
∗ 0,10 Pouco significativo
21

Qualidade do ajustamento
Conforme Pindyck e Rubinfeld(op.cit), “uma boa regressão é aquela que ajuda a ex-
plicar uma grande proporção da variância de Y ”. A medida desse grau de explicação é
dada pelo R2
ou R-quadrado. O R2
dá a proporção da variação total de Y explicada pela
regressão de Y contra X. Varia entre 0 e 1 e normalmente se interpreta em porcentagem.
Se R2
0 indica um ajuste fraco, mas ao contrário, quanto mais próximo de 1 melhor
será o ajuste. O caso de R2
= 1 ocorre apenas quando todos os pontos estão sobre a
linha de regressão. Na Figura 3.1, o valor de R-quadrado é 0,782407 ou 78,24% o que
indica um bom ajuste, ou seja que a renda dos pais ajuda a explicar 78% da variação
nas médias de notas da amostra de 8 pessoas. Mas Wooldridge (op.cit) adverte “que um
R-quadrado aparentemente baixo não significa, necessariamente, que uma equação de
regressão de MQO é inútil. (...) usar o R-quadrado como o principal padrão de medida
de sucesso de uma análise econométrica pode levar a confusões”.
Resumindo os resultados da regressão
Os resultados da estimação do modelo de regressão podem ser apresentados de forma
resumida na forma de uma equação de regressão ajustada
Y = 1, 37500
(0,36878)
+ 0, 120370
(0,025915)
X
T = 8 ¯R2
= 0, 7461
(erros padrão entre parênteses)
Intervalo de confiança da previsão
Após a obtenção do modelo estimado e da verificação do seu alcance explicativo através
dos testes de hipótese, pode-se utilizar a equação estimada para realizar previsões de
Y para dado X. Porém assim como os valores estimados de β0 e β1 têm um intervalo
de confiança, o valor previsto y0 para um dado x0 não observado, mas com valor não
muito distante de X, também tem um intervalo de confiança. Para isto será necessário
conhecer o desvio padrão da previsão dado pela equação 3.3(Hill et.al.)
dp(f) = ˆσ2 1 +
1
T
+
(x0 − ¯x)2
(xt − ¯x)2
(3.3)
Assim, o intervalo de confiança da previsão será dado por
ˆy0 ± tcdp(f) (3.4)
Para o modelo de média de notas em função da renda dos pais, considere-se a equação
estimada
Y = 1, 375 + 0, 12X
22

e desejamos prever a média de nota y0 para uma renda de x0 = 20 mil. Temos
y0 = 1, 375 + 0, 12 ∗ (20) = 3, 7824
A obtenção do intervalo de confiança da previsão no Gretl não é feita de forma direta.
No livro de Adkins(2010) há uma sugestão de código com base na fórmula 3.5
ˆvar(f) = ˆσ2
+
ˆσ2
T
+ (x0 − ¯x)2
ˆvar(b2) (3.5)
Antes de apresentar o código sugerido deve-se informar o leitor que o software Gretl
tem mais de um ambiente de operação. O ambiente até agora comentado é chamado
de ambiente gráfico ou interface gráfica com o usuário (sigla GUI em inglês), onde a
interação é realizada através de menus acionados com cliques do mouse. Outros dois
ambientes estão disponíveis. Um é chamado de console e é acionado clicando com o
mouse no terceiro ícone , da esquerda para a direita, na barra inferior de comandos na
janela principal do Gretl. O console também é acionado digitando o comando gretlcli
seguido de Enter na janela do DOS do Windows, que está em Iniciar - Programas -
Acessórios.
No console os comandos são digitados informando parâmetros e variáveis de saída. O
outro ambiente não tem um nome mas é acionado clicando com o mouse no segundo
ícone, antes do ícone do console. Seu ícone é parecido com o Bloco de Notas do Windows,
uma folha e um lápis. Neste ambiente os comandos são digitados em uma seqüência e
depois são todos executados de uma vez clicando-se no ícone com o desenho de uma
roda dentada, na barra de menus da janela.
Ao executar um modelo, em qualquer dos ambientes, o Gretl salva os resultados de
alguns cálculos em variáveis do sistema. Assim, os valores estimados dos coeficientes da
regressão são salvos na variável $coeff. Então para acessar o valor estimado do coefi-
ciente da constante digita-se no console o comando adequado informando o parâmetro
$coeff(const). A soma dos quadrados dos resíduos é salva na variável $ess. Os graus
de liberdade e o número de observações estão nas variáveis $df e $nobs. Para computar
¯x utiliza-se a função interna mean(x) e para se obter o valor crítico de uma distribuição
a função critical.
Abaixo o código sugerido seguido de comentários.
ols Y const X
genr yhat0 = $coeff(const)+$coeff(X)*20
genr sig2 = $ess/$df
genr f = sig2 + sig2/$nobs + ((20 - mean(X))^2)*($stderr(X)^2)
genr l_inf = yhat0 - critical(t,$df,0.025)*sqrt(f)
genr l_sup = yhat0 + critical(t,$df,0.025)*sqrt(f)
Comentário do código:
23

1. Na primeira linha o comando ols informa que o método dos mínimos quadrados
ordinários será utilizado para estimar a equação de regressão de Y em X 1
. A
partícula const instrui que a reta tem um intercepto.
2. Na segunda linha é feito o cálculo do Y previsto com o valor de X = 20 utilizando-
se dos valores estimados dos coeficientes salvos nas variáveis $coeff(const) para
β0 e $coeff(X) para β1. O valor previsto será salvo na variável yhat0.
3. Na terceira linha é gerado o ˆσ2
da equação 3.5. Que é o resultado da divisão
da Soma resid. quadrados informada na janela de resultados do modelo (salvo
na variável $ess) pelos graus de liberdade do modelo — número de observações
menos o número de parâmetros — salvo na variável $df.
4. Na quarta linha é calculada a ˆvar(f). Descrevendo: $nobs é o número de ob-
servações da amostra; mean(X) calcula a média da variável X;e ($stderr(X)^2)
calcula o erro padrão de β1, o coeficiente de X.
5. Na quinta linha é calculado o limite inferior do intervalo de previsão,salvo na
variável l_inf. Aqui é usado o comando critical: critical(t, $ df,0.025)
dá o valor crítico da distribuição t com graus de liberdade salvo na variável $df
com o α = 0, 05/2 = 0, 025; sqrt(f) é a raiz quadrada do f calculado na quarta
linha.
6. Na última linha do código é calculado o limite superior do intervalo de previsão,
salvo an variável l_sup.
Então o valor previsto da média para X = 20 é yhat0=3,7824 com o seguinte intervalo
de predição, considerando o nível α = 0, 05 de confiança: valor mínimo da média igual
l_inf=2,832 e valor máximo da média igual a l_sup=4,723 ou [2.832, 4.723].
3.1.2 Exercício prático
1. Use o Gretl e os dados seguintes sobre preço e consumo de arroz para estimar uma
função procura da forma ˆQ = a + bP, onde Q é o consumo de arroz em milhares
de toneladas , e P é o preço de varejo em dólares por tonelada .
Agora, responda ao seguintes quesitos:
a) Qual a interpretação econômica dos coeficientes a e b na função procura ˆQ =
a + bP?
b) Os coeficientes estimados de a e de b são consistentes com aquilo que se
esperaria com base na teoria econômica?
c) Teste as hipóteses: H0 : a = 0 contra HA : a = 0 e H0 : b = 0 contra
HA : b < 0 fixando o nível de confiança em5%.
1
O Gretl faz distinção entre maiúsculas e minúsculas. Assim X é diferente de x.
24

Ano Consumo Preço
1957 178 105
1958 224 105
1959 160 130
1960 315 130
1961 229 130
1962 250 150
1963 181 150
1964 306 170
1965 237 170
1966 300 180
d) Qual o grau de bondade do ajuste, R2
?
e) Usando a função procura estimada, projete o consumo para o preço de $ 200
por tonelada.
f) Qual a sua conclusão sobre o modelo estimado?
25

4 Regressão linear múltipla
O modelo de regressão linear múltipla é uma extensão do modelo de regressão linear
simples. A principal diferença é que o modelo contém mais de uma variável explicativa.
Isto muda a interpretação dos coeficientes estimados e requer mais algumas suposições.
A forma geral do modelo é mostrada na equação 4.1
Y = β1 + β2X2 + · · · + βkXk + (4.1)
onde Y é a variável dependente, Xk é k-ésima variável explicativa, k = 2, 3, . . . , K, é o
erro aleatório, e β1, β2, . . . , βk são os parâmetros a serem estimados. Tal como na regres-
são linear simples, tem média zero, variância constante e não é auto-correlacionado.
Os parâmetros β são independentes e não podem estar perfeitamente correlacionados.
Os parâmetros β2, β3, . . . , βk medem o efeito de uma umidade em cada uma das va-
riáveis Xk sobre o valor esperado de Y ,mantidas constantes todas as outras variáveis
explicativas. O parâmero β1 é o termo de intercepto.
Como exemplo prático utilizaremos o modelo aplicado para explicar a receita total
em uma cadeia de lanchonetes publicado em Hill et. al. (op. cit., p. 147). O gerente de
uma cadeia de lanchonetes deve decidir quanto gastar com propaganda e que atrativos,
como preços mais baixos, deve introduzir para aquela semana. As questões de interesse
para a gerência estão descritas a seguir:
(...) o quanto a receita total varia em função do nível de despesas com a
propaganda. Um aumento nessas despesas gera um aumento da receita total?
Em caso afirmativo, o aumento da receita justifica o aumento das despesas
com propaganda? A gerência tem interesse também na estratégia de preços.
A redução dos preços conduz a um aumento ou a diminuição da receita
total? Se uma redução dos preços implica apenas um pequeno aumento da
quantidade vendida, a receita total cairá (a demanda é inelástica em relação
ao preço); uma redução de preço que conduza a um grande aumento na
quantidade vendida produzirá um aumento na receita total (a demanda é
elástica em relação ao preço).
A tarefa é construir um modelo econômico em que a receita total dependa de uma
ou mais variáveis explicativas. Com base na hipótese de que a receita total, RT, esteja
relacionada linearmente com o preço, p, e com as despesas com anúncios/propagandas,
a, especificamos o modelo econômico
RT = β1 + β2p + β3a (4.2)
26

O modelo econômico (equação 4.2) descreve o comportamento esperado de muitos
pontos de venda distintos. Para considera a diferença entre a receita total observável e o
valor esperado receita total, adicona-se ao modelo um erro aleatório, = RT − E(RT).
Esse erro aleatório contém todos os fatores que fazem a receita total semanal difira de
seu valor esperado. Entre estes fatores não considerados explicitamente na equação do
modelo estão as condições meteorológicas, o comportamento dos concorrentes e outros.
Assim o modelo econométrico para a receita total da cadeia de lanchonetes será
RT = β1 + β2p + β3a + (4.3)
4.1 Estimação de mínimos quadrados ordinários
utilizando Gretl
Os dados do exemplo estão na tabela 4.1. Depois de inseridos os dados no Gretl,
clicamos no menu Modelo, seguido de Mínimos Quadrados Ordinários. Surgirá uma
janela onde colocamos a variável RT como variável dependente e as variáveis p e a como
variáveis independentes. Após clicar no botão OK, a janela com os resultados será
mostrada na tela do computador, tendo na barra de títulos gretl: modelo 1. Durante
uma sessão do Gretl a cada vez que executamos um modelo este será momeado em
sequência modelo 1, modelo 2, etc.
O resultado dos cálculos efetuados pelo Gretl aparecem, no modo tabular, como mos-
trados na tabela 4.2 e na forma de equação como na equação 4.4, com erros-padrão entre
parênteses.
RT = 104, 786 − 6, 642p + 2, 984a (4.4)
(6, 483) (3, 1912) (0, 167)
R2
= 0, 8617 F(2, 49) = 159, 83
T = 52 ˆσ = 6, 0696
4.2 Análise dos resultados
Comparando-se à janela de resultados da regressão linear simples, a novidade para
a regressão múltipla é a adição da linha referente a mais uma variável independente.
Agora temos const, p e a. As colunas são iguais: coeficiente, erro-padrão, razão-t
e p-valor. Para se obter o intervalo de confiança dos coeficientes estimados segue-se
o menu da janela gretl:modelo 1: Análise e Intervalos de confiança para os
coeficientes.
O teste de significância de cada um dos coeficientes individualmente segue o mesmo
procedimento: comparação da razão-t do coeficiente com o valor crítico da estatística
t para a amostra sob análise, ou comparação do p-valor com o nível de significância α
especificado para a análise.
27

Tabela 4.1: Observações semanais sobre receitas, preço e gastos com propaganda para
a cadeia de lanchonetes
Semana RT p a Semana RT p a
1 123.10 1.92 12.40 27 124.20 2.12 8.80
2 124.30 2.15 9.90 28 98.40 2.13 3.20
3 89.30 1.67 2.40 29 114.80 1.89 5.40
4 141.30 1.68 13.80 30 142.50 1.50 17.30
5 112.80 1.75 3.50 31 122.60 1.93 11.20
6 108.10 1.55 1.80 32 127.70 2.27 11.20
7 143.90 1.54 17.80 33 113.00 1.66 7.90
8 124.20 2.10 9.80 34 144.20 1.73 17.00
9 110.10 2.44 8.30 35 109.20 1.59 3.30
10 111.70 2.47 9.80 36 106.80 2.29 7.10
11 123.80 1.86 12.60 37 145.00 1.86 15.30
12 123.50 1.93 11.50 38 124.00 1.91 12.70
13 110.20 2.47 7.40 39 106.70 2.34 6.10
14 100.90 2.11 6.10 40 153.20 2.13 19.60
15 123.30 2.10 9.50 41 120.10 2.05 6.30
16 115.70 1.73 8.80 42 119.30 1.89 9.00
17 116.60 1.86 4.90 43 150.60 2.12 18.70
18 153.50 2.19 18.80 44 92.20 1.87 2.20
19 149.20 1.90 18.90 45 130.50 2.09 16.00
20 89.00 1.67 2.30 46 112.50 1.76 4.50
21 132.60 2.43 14.10 47 111.80 1.77 4.30
22 97.50 2.13 2.90 48 120.10 1.94 9.30
23 106.10 2.33 5.90 49 107.40 2.37 8.30
24 115.30 1.75 7.60 50 128.60 2.10 15.40
25 98.50 2.05 5.30 51 124.60 2.29 9.20
26 135.10 2.35 16.80 52 127.20 2.36 10.20
Fonte: Hill et.al. ( op. cit)
A medida do grau de ajuste da regressão informada pelo R-quadrado (R2
) agora
tem de ser complementada pelo R-quadrado ajustado. A explicação, segundo Hill
et.al.(op.cit.)
Uma diﬁculdade com R2
é que seu valor pode ser aumentado adicionando-
se cada vez mais variáveis, mesmo que essas variáveis não tenham qualquer
justiﬁcativa econômica.(...) Os programas de regressão para computador
frequentemente apresentam uma medida alternativa de aderência, chamada
R2
ajustado, em geral simbolizada por ¯R2
28

Tabela 4.2: Resultado da regressão do modelo da cadeia de lanchonetes
Modelo 1: MQO, usando as observações 1–52
Variável dependente: RT
Coeficiente Erro Padrão razão-t p-valor
const 104,786 6,48272 16,1638 0,0000
p −6,64193 3,19119 −2,0813 0,0427
a 2,98430 0,166936 17,8769 0,0000
Média var. dependente 120,3231 D.P. var. dependente 16,31873
Soma resíd. quadrados 1805,168 E.P. da regressão 6,069611
R2
0,867085 R2
ajustado 0,861660
F(2, 49) 159,8280 P-valor(F) 3,37e–22
Log da verossimilhança −166,0111 Critério de Akaike 338,0222
Critério de Schwarz 343,8759 Hannan–Quinn 340,2664
4.2.1 Teste de significância do modelo
Com a possibilidade de integrar mais variáveis ao modelo, surge a necessidade de se
efetuar um teste conjunto da relevância de todas as variáveis incluídas.
A hipótese nula a ser testada é que conjuntamente todos os coeficientes, exceto o
associado ao termo constante — ou seja o coeficiente estimado de const — são zero.
Isto é, a formulação das hipóteses nula e alternativa seria
H0 : β2 = 0, β3 = 0, . . . , βk = 0
H1 : ao menos um dos βk é diferente de zero
Caso a hipótese nula não seja rejeitada, nenhuma das variáveis explicativas tem in-
fluência sobre a variável dependente. A estatística de teste é a estatística F. A hipótese
nula é rejeitada se o valor de F do modelo calculado pelo Gretl for maior ou igual ao
valor critico da estatística F tabelada.
O valor crítico da estatística F tabelado é encontrado com base na informação dos
graus de liberdade, v1 e v2, e do nível de confiança α.
Observando o resultado do modelo 1 na tabela 4.2, verificamos que a a estatística
F calculada para o modelo pelo Gretl é F(2, 49) = 159, 8280. O termo antes do sinal
de igualdade F(2, 49) informa que os graus de liberdade no numerador da estatística F
é igual a 2 — resultado de 3 − 1, três parâmetros (β1, β2 e β3) menos o parâmetro da
constante (β1); os graus de liberdade no denominador da estatística F é igual a 49 —
resultado de 52−3, o número de observações (52) menos o número de total de parâmetros
no modelo(3).
O valor crítico da estatística F(2, 49), considerando um nível de confiança α = 0, 05,
pode ser obtido consultando uma tabela de F ou utilizando o menu Ferramentas, na ja-
29

nela principal do Gretl. Assim, clicando em Ferramentas, Tabelas estatísticas e se-
lecionando a aba F preenchemos as informações solicitadas: gl(numerador), digitamos
2; gl(denominador), digitamos 49; e probabilidade da cauda direita, digitamos
0,05. Então clicando em OK, aparece a janela com o resultado: Valor crítico = 3,18658.
Desta forma, a hipótese nula é rejeitada no modelo 1, concluindo-se que a relação es-
timada é signiﬁcativa. À mesma conclusão chegamos observando o valor da estatística
P-valor(F) =3,37e-22. O número 3,37 vezes 10−22
, ou 0.000000000000000000000337,
muito menor do que 0, 05, implicando na rejeição da hipótese nula.
30

Referências
ADKINS, L. C. Using gretl for Principles of Econometrics. 3rd Edition, Version 1.3131,
2010. Disponível em : http://www.learneconometrics.com/gretl/. Acessado em :28
de setembro de 2011.
BUSSAB, W. O.; MORETTIN, P. A. Estatística básica. 5. ed. São Paulo: Saraiva,
2005.
COTTRELL, A.; LUCCHETTI, R. Gretl User’s Guide. Disponível em: http://gretl.
sourceforge.net/gretl_portugues.html. Acessado em: 15/02/2011.
FRANSES, P. H. A concise introduction to econometrics: an intuitive guide. Cambridge-
UK : Cambridge University Press, 2002.
HILL, R. C.; GRIFFITHS, W. E.; JUDGE, G. G. Econometria. São Paulo:Saraiva,
1999.
HOFFMAN, R. Estatístca para economistas. São Paulo: Pioneira, 1980.
LEVIN, J. Estatística aplicada a ciências humanas. 2. ed. São Paulo: Harbra, 1987.
KEYNES, J. M. A teoria geral do emprego, do juro e da moeda. 2. ed. — São Paulo:
Nova Cultural, 1985.
KLEIN, L. R. Introdução à econometria. São Paulo: Atlas, 1978.
MERRIL, W. C.; FOX, K. A. Estatística econômica: uma introdução. São Paulo: Atlas,
1980.
PINDYCK, R. S.; RUBINFELD, D. L. Econometria: modelos e previsões. Rio de Ja-
neiro: Elsevier, 2004.
WOOLDRIDGE, J. M. Introdução à Econometria: uma abordagem moderna. São Paulo:
Thomson Pioneira, 2006.
31

Noções de Econometria. Tutorial com aplicação do software Gretl

Mais conteúdo relacionado

Mais procurados (20)

Destaque (20)

Semelhante a Noções de Econometria. Tutorial com aplicação do software Gretl (20)

Último (13)

Noções de Econometria. Tutorial com aplicação do software Gretl