técnicas econométricas são utilizados para estimar os modelos econômicos, o que acaba lhe permitem explicar como vários fatores afetam algum resultado de interesse ou de prever eventos futuros. A técnica de mínimos quadrados ordinários (OLS) é o método mais popular de realizar análise de regressão e estimar modelos econométricos, porque em situações normais (ou seja, o modelo satisfaz uma série de suposições estatísticas) que produz (o melhor possível) os melhores resultados.
A prova de que OLS gera os melhores resultados é conhecido como o Gauss-Markov teorema, mas a prova exige várias suposições. Estes pressupostos, conhecido como o modelo de regressão linear clássico (CLRM) premissas, são as seguintes:
Os parâmetros do modelo são lineares, ou seja, os coeficientes de regressão não entram na função que está sendo estimado como expoentes (embora as variáveis podem ter expoentes).
Os valores para as variáveis independentes são derivados a partir de uma amostra aleatória de população, e que contém variabilidade.
As variáveis explanatórias não têm colinearidade perfeita (isto é, nenhuma variável independente pode ser expresso como uma função linear de quaisquer outras variáveis independentes).
O termo de erro tem média zero condicional, o que significa que o erro médio é zero a qualquer valor específico da variável independente (s).
O modelo não tem heteroskedasticity (ou seja, a variância do erro é o mesmo, independentemente do valor da variável independente).
O modelo não tem autocorrelação (o termo de erro não exibe uma relação sistemática ao longo do tempo).
Se um (ou mais) dos pressupostos CLRM não for cumprido (que econometristas chamar falta), Então OLS pode não ser a melhor técnica de estimativa. Felizmente, as ferramentas econométricas permitem modificar a técnica de OLS ou usar um método de estimativa completamente diferente se os pressupostos CLRM não possuem.
Fórmulas Úteis em Econometria
Depois de adquirir dados e escolher o melhor modelo econométrico para a pergunta que você quer responder, usar fórmulas para produzir a produção estimada. Em alguns casos, você tem que realizar estes cálculos à mão (sorry). No entanto, mesmo se o seu problema permite que você use software econométrico, como STATA para gerar resultados, é bom saber o que o computador está fazendo.
Aqui está um olhar para os estimadores mais comuns a partir de um modelo econométrico, juntamente com as fórmulas utilizadas para produzi-los.
Análise Econométrica: Olhando Flexibilidade na Models
Você pode querer permitir que o seu modelo econométrico para ter alguma flexibilidade, porque as relações econômicas são raramente linear. Muitas situações estão sujeitos à "lei" de diminuir benefícios marginais e / ou aumentar os custos marginais, o que implica que o impacto das variáveis independentes não será constante (linear).
A forma funcional precisa depende da sua aplicação específica, mas o mais comum são as seguintes:
Problemas típicos Estimando modelos econométricos
Se o modelo de regressão linear clássico (CLRM) não funciona para os seus dados, porque um dos seus pressupostos não se sustenta, então você tem que resolver o problema antes de finalizar a sua análise. Felizmente, uma das contribuições primárias de econometria é o desenvolvimento de técnicas para corrigir esses problemas ou outras complicações com os dados que fazem a estimativa modelo padrão difícil ou não confiável.
A tabela a seguir lista os nomes dos problemas mais comuns de estimativa, uma breve definição de cada um, as suas consequências, as ferramentas típicas usadas para detectá-los e métodos comumente aceitos para a resolução de cada problema.
| Problema | Definição | Consequências | Detecção | Solução |
|---|
| alta multicolinearidade | Duas ou mais variáveis independentes em um modelo de regressão exhibita estreita relação linear. | Grande erros padrão e insignificantet-estatística
estimativas dos coeficientes sensíveis a pequenas alterações modelspecification
sinais de coeficiente absurdas e magnitudes | Os coeficientes de correlação de pares
fator de inflação da variância (VIF) | 1. Recolha de dados adicionais.
2. Re-especificar o modelo.
3. Gota variáveis redundantes. |
| Heteroskedasticity | A variação das mudanças termo de erro em resposta a uma changein o valor das variáveis independentes. | estimativas dos coeficientes ineficientes
erros padrão tendenciosas
testes de hipóteses não confiáveis | park test
teste Goldfeld-Quandt
teste de Breusch-Pagan
teste de white | 1. mínimos quadrados ponderados (WLS)
2. Erros padrão robustos |
| autocorrelação | Uma relação identificável (positivo ou negativo) existsbetween os valores do erro em um período e os valores de theerror em outro período. | estimativas dos coeficientes ineficientes
erros padrão tendenciosas
testes de hipóteses não confiáveis | teste Geary ou corridas
teste de Durbin-Watson
teste de Breusch-Godfrey | transformação 1. Cochrane-Orcutt
transformação 2. Prais-Winsten
3. Os erros robusta padrão Newey-Oeste |