Click here to load reader

1 AULA 03 Análise de regressão múltipla: estimação · PDF file17 de julho de 2013 Análise de Regressão Linear ... distintos momentos da ... –Ao utilizar mais fatores na explicação

  • View
    212

  • Download
    0

Embed Size (px)

Text of 1 AULA 03 Análise de regressão múltipla: estimação · PDF...

  • 1

    AULA 03

    Anlise de regresso mltipla:

    estimao

    Ernesto F. L. Amaral

    17 de julho de 2013

    Anlise de Regresso Linear (MQ 2013)

    www.ernestoamaral.com/mq13reg.html

    Fonte:

    Cohen, Ernesto, e Rolando Franco. 2000. Avaliao de Projetos Sociais. So Paulo, SP: Editora Vozes. Captulo 7 (pp.118-136).

    Wooldridge, Jeffrey M. Introduo econometria: uma abordagem moderna. So Paulo: Cengage Learning, 2008. Captulo 3 (pp.64-109).

  • 2

    CAPTULO 7 - COHEN & FRANCO

    MODELOS PARA A AVALIAO DE IMPACTOS

  • 3

    DESENHO DE PESQUISA DE AVALIAO DE IMPACTO

    Os mtodos de estimao de impacto dependem do

    desenho da avaliao, isto , se h dados para grupos de

    tratamento (beneficirios) e controle (comparao).

    Diferena em diferenas ou dupla diferena (DD) estima:

    1) Diferena dentro de cada grupo (tratamento e controle).

    2) Diferena dessas duas mdias.

    DD = (T1 T0) (C1 C0)

    GRUPO ANTES POLTICA DEPOIS

    Tratamento T0 X T1

    Controle C0 C1

  • 4

    DESENHOS EXPERIMENTAIS

    Atribuio aleatria, dentre determinados grupos, da

    oportunidade de participar em programas, definindo grupos

    de tratamento e controle:

    Por exemplo, realizao de pesquisa para averiguar as

    regies pobres.

    Seleo aleatria de regies includas na poltica e

    daquelas que sero o controle.

    nica diferena entre grupos o ingresso no programa.

    Avaliao sistemtica e mensurao dos resultados em

    distintos momentos da implementao do programa.

    Se a seleo aleatria, pode-se dispensar a avaliao

    anterior poltica para ambos os grupos.

    X T1

    C1

  • 5

    DESENHOS QUASE-EXPERIMENTAIS

    O controle construdo com base na propenso do

    indivduo de ingressar no programa.

    Busca-se obter grupo de comparao que corresponda ao

    grupo de beneficirios:

    Com base em certas caractersticas (sociais,

    econmicas...) estima-se a probabilidade de um indivduo

    de participar do programa.

    Com base nessa propenso (exerccio de

    emparelhamento), constitui-se o grupo de controle.

    Estima-se os efeitos na comparao entre o grupo de

    tratamento e o grupo de controle, antes e depois do

    programa.

    T0 X T1

    C0 C1

  • 6

    DESENHOS NO-EXPERIMENTAIS

    Ausncia de grupos de controle torna mais difcil isolar

    causas que geram impactos na varivel de interesse.

    Pode ser realizada anlise reflexiva para estimar efeitos dos

    programas, com comparao dos resultados obtidos pelos

    beneficirios antes e depois do programa.

    Modelo antes-depois:

    Modelo somente depois com grupo de comparao:

    Modelo somente depois:

    T0 X T1

    X T1 T2

    C1 C2

    X T1 T2

  • 7

    DESENHO DA AVALIAOMTODO DE ESTIMAO

    DE IMPACTO

    EXPERIMENTAL COMPARAO DE MDIAS

    QUASE-EXPERIMENTAL

    REGRESSO MLTIPLA

    &

    DIFERENA EM DIFERENAS

    NO-EXPERIMENTAL REGRESSO MLTIPLA

  • 8

    CAPTULO 3 - WOOLDRIDGE

    ANLISE DE REGRESSO MLTIPLA:

    ESTIMAO

  • 9

    MODELO DE REGRESSO MLTIPLA

    A desvantagem de usar anlise de regresso simples o

    fato de ser difcil que todos os outros fatores que afetam y

    no estejam correlacionados com x.

    Anlise de regresso mltipla possibilita ceteris paribus

    (outros fatores constantes), pois permite controlar muitos

    outros fatores que afetam a varivel dependente

    simultaneamente.

    Isso auxilia no teste de teorias e hipteses, quando

    possumos dados no-experimentais.

    Ao utilizar mais fatores na explicao de y, uma maior

    variao de y ser explicada pelo modelo.

    Este o modelo mais utilizado nas cincias sociais.

    O mtodo de MQO usado para estimar os parmetros do

    modelo de regresso mltipla.

  • 10

    MODELO COM DUAS VARIVEIS INDEPENDENTES

    Salrio determinado por escolaridade, experincia e

    outros fatores no-observveis (Equao Minceriana).

    1 mede o efeito de escolaridade sobre salrio, mantendo

    todos os outros fatores fixos (ceteris paribus).

    2 mede o efeito de experincia sobre salrio, mantendo

    todos os outros fatores fixos.

    Como experincia foi inserida na equao, podemos medir o

    efeito de escolaridade sobre salrio, mantendo experincia

    fixa.

    Na regresso simples, teramos que assumir que

    experincia no correlacionada com escolaridade, o que

    uma hiptese fraca.

    = 0 + 1 + 2+

  • 11

    ENTENDENDO ANLISE CETERIS PARIBUS

    NA REGRESSO MLTIPLA

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    BaixaEscolaridade

    Alta

    EB/EA

    EB/EB

    Experincia

    Alta

    Experincia

    Baixa

    EA/EA

    EA/EB

    Elaborado com auxlio de Luiz Cludio Louzada.

    = 0 + 1 + 2+

  • 12

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    BaixaEscolaridade

    Alta

    EB/EA

    EB/EB

    ENTENDENDO ANLISE CETERIS PARIBUS

    NA REGRESSO MLTIPLA

    Experincia

    Alta

    Experincia

    Baixa

    EA/EA

    EA/EB

    Experincia

    constante

    Escolaridade

    varia

    Experincia

    constante

    Escolaridade

    varia

    Estes dois efeitos

    agregados resultaro no

    1

    Elaborado com auxlio de Luiz Cludio Louzada.

    = 0 + 1 + 2+

  • 13

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    BaixaEscolaridade

    Alta

    EB/EA

    EB/EB

    ENTENDENDO ANLISE CETERIS PARIBUS

    NA REGRESSO MLTIPLA

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    constante

    Experincia

    varia

    Escolaridade

    constante

    Experincia

    varia

    Estes dois efeitos

    agregados resultaro no

    2

    EA/EA

    EA/EB

    Elaborado com auxlio de Luiz Cludio Louzada.

    = 0 + 1 + 2+

  • 14

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    BaixaEscolaridade

    Alta

    EB/EA

    EB/EB

    ENTENDENDO ANLISE CETERIS PARIBUS

    NA REGRESSO MLTIPLA

    Experincia

    Alta

    Experincia

    Baixa

    Escolaridade

    constante

    Experincia

    varia

    Escolaridade

    constante

    Experincia

    varia

    Estes dois efeitos

    agregados resultaro no

    2

    EA/EA

    EA/EB

    Experincia

    constante

    Escolaridade

    varia

    Experincia

    constante

    Escolaridade

    varia

    Estes dois efeitos

    agregados resultaro no

    1

    Elaborado com auxlio de Luiz Cludio Louzada.

    = 0 + 1 + 2+

  • 15

    EXEMPLOS COM PNAD DE MINAS GERAIS DE 2007

    O banco de dados de pessoas possui informao de anos

    de escolaridade (anest), idade (idpia), rendimento no

    trabalho principal (renpri), logaritmo do rendimento no

    trabalho principal (lnrenpri) e peso da pessoa (v4729):

    ...

  • 16

    EXEMPLO 1: PNAD DE MINAS GERAIS DE 2007

    Escolaridade e idade explicando rendimento:

    _cons -1071.595 39.02647 -27.46 0.000 -1148.091 -995.0986 idpia 26.9488 .7925765 34.00 0.000 25.39526 28.50234 anest 113.8647 2.322679 49.02 0.000 109.312 118.4175 renpri Coef. Std. Err. t P>|t| [95% Conf. Interval]

    Total 2.5105e+10 15681 1600989.85 Root MSE = 1162.4 Adj R-squared = 0.1561 Residual 2.1184e+10 15679 1351081.24 R-squared = 0.1562 Model 3.9215e+09 2 1.9608e+09 Prob > F = 0.0000 F( 2, 15679) = 1451.25 Source SS df MS Number of obs = 15682

    (sum of wgt is 8.4521e+06). reg renpri anest idpia [aweight=v4729]

  • 17

    EXEMPLO 2: PNAD DE MINAS GERAIS DE 2007

    Escolaridade e idade explicando logaritmo do rendimento:

    _cons 4.687027 .0243362 192.60 0.000 4.639325 4.734729 idpia .0217022 .0004942 43.91 0.000 .0207335 .022671 anest .1014244 .0014484 70.03 0.000 .0985854 .1042634 lnrenpri Coef. Std. Err. t P>|t| [95% Conf. Interval]

    Total 11199.4651 15681 .714206054 Root MSE = .72483 Adj R-squared = 0.2644 Residual 8237.31092 15679 .525372212 R-squared = 0.2645 Model 2962.15421 2 1481.07711 Prob > F = 0.0000 F( 2, 15679) = 2819.10 Source SS df MS Number of obs = 15682

    (sum of wgt is 8.4521e+06). reg lnrenpri anest idpia [aweight=v4729]

  • 18

    MODELO GERAL DE DUAS VARIVEIS INDEPENDENTES

    0 o intercepto.

    1 mede a variao em y com relao a x1, mantendo os

    outros fatores constantes.

    2 mede a variao em y com relao a x2, mantendo

Search related