Baixe 67898801 - sumario - livro - INTRODUCAO - A-ECONOMETRIA e outras Manuais, Projetos, Pesquisas em PDF para Econometria, somente na Docsity!
xv
- Capítulo 1 A Natureza da Econometria e dos Dados Econômicos
- 1.1 O que é Econometria?
- 1.2 Passos na Análise Econômica Empírica
- 1.3 A Estrutura dos Dados Econômicos
- 1.4 A Causalidade e a Noção de Ceteris Paribus na Análise Econométrica
- PARTE
- ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL
- Capítulo 2 O Modelo de Regressão Simples
- 2.1 Definição do Modelo de Regressão Simples
- 2.2 Derivação das Estimativas de Mínimos Quadrados Ordinários
- 2.3 Mecânica do Método MQO
- 2.4 Unidades de Medida e Forma Funcional
- 2.5 Valores Esperados e Variâncias dos Estimadores de MQO
- 2.6 Regressão através da Origem
- Capítulo 3 Análise de Regressão Múltipla: Estimação
- 3.1 Funcionabilidade da Regressão Múltipla
- 3.2 Mecânica e Interpretação dos Mínimos Quadrados Ordinários
- 3.3 O Valor Esperado dos Estimadores de MQO
- 3.4 A Variância dos Estimadores de MQO
- 3.5 Eficiência de MQO: O Teorema de Gauss-Markov
- Capítulo 4 Análise de Regressão Múltipla: Inferência
- 4.1 Distribuições Amostrais dos Estimadores de MQO
- 4.2 Testes de Hipóteses sobre um único Parâmetro Populacional: O Teste t
- 4.3 Intervalos de Confiança
- 4.4 Testes de Hipóteses sobre uma Combinação Linear dos Parâmetros
- 4.5 Testes de Restrições Lineares Múltiplas: O Teste F
- 4.6 Descrição dos Resultados da Regressão
- Capítulo 5 Análise de Regressão Múltipla: MQO Assimptótico
- 5.1 Consistência
- 5.2 Normalidade Assimptótica e Inferência de Amostras Grandes
- 5.3 Eficiência Assimptótica de MQO
- Capítulo 6 Análise de Regressão Múltipla: Problemas Adicionais
- 6.1 Efeitos da Dimensão dos Dados nas Estatísticas MQO
- 6.2 Um pouco mais sobre a Forma Funcional
- 6.3 Um pouco mais sobre o Grau de Ajuste e a Seleção de Regressores
- 6.4 Previsão e Análise de Resíduos
- Intervalos de Confiança de Previsões
- Análise de Resíduos
- Previsão de y quando a Variável Dependente é log (y)
- Resumo
- Problemas
- Variáveis Binárias (ou Dummy ) Capítulo 7 Análise de Regressão Múltipla com Informações Qualitativas:
- 7.1 A Descrição das Informações Qualitativas
- 7.2 Uma Única Variável Dummy Independente
- 7.3 O Uso de Variáveis Dummy para Categorias Múltiplas
- 7.4 Interações Envolvendo Variáveis Dummy
- 7.5 Uma Variável Dependente Binária: O Modelo de Probabilidade Linear
- Capítulo 8 Heteroscedasticidade 7.6 Um Pouco mais sobre Análise e Avaliação de Políticas e
- 8.1 Conseqüências da Heteroscedasticidade para o Método MQO
- após e Estimação MQO 8.2 Inferência Robusta em Relação à Heteroscedasticidade
- 8.3 O Teste da Existência de Heteroscedasticidade
- 8.4 Estimação de Mínimos Quadrados Ponderados
- 8.5 O Modelo de Probabilidade Linear Revisitado
- Capítulo 9 Problemas Adicionais de Especificação e de Dados
- 9.1 Má Especificação da Forma Funcional
- 9.2 Utilizando Variáveis Proxy para Variáveis Explicativas Não-Observadas
- 9.3 Propriedades do Método MQO quando há Erros de Medida
- 9.4 Ausência de Dados, Amostras Não-Aleatórias e Observações Extremas
- PARTE
- ANÁLISE DE REGRESSÃO COM DADOS DE SÉRIES TEMPORAIS
- Capítulo 10 O Básico da Análise de Regressão com Dados de Séries Temporais
- 10.1 A Natureza dos Dados das Séries Temporais
- 10.2 Exemplos de Modelos de Regressão de Séries Temporais
- 10.3 Propriedades de Amostra Finita do MQO sob as Hipóteses Clássicas
- 10.4 Forma Funcional, Variáveis Dummy e Números-Índices
- 10.5 Tendência e Sazonalidade
- Séries Temporais Capítulo 11 Questões Adicionais quanto ao Uso do MQO com Dados de
- 11.1 Séries Temporais Estacionárias e Fracamente Dependentes
- 11.2 Propriedades Assimptóticas do MQO
- 11.3 O Uso de Séries Temporais Altamente Persistentes na Análise de Regressão
- 11.4 Modelos Dinamicamente Completos e a Ausência de Correlação Serial
- 11.5 A Hipótese de Homoscedasticidade para Modelos de Séries Temporais
- Séries Temporais Capítulo 12 Correlação Serial e Heteroscedasticidade em Regressões de
- 12.1 As Propriedades do MQO com Erros Serialmente Correlacionados
- 12.2 O Teste da Correlação Serial
- 12.3 A Correção da Correlação Serial com Regressores Estritamente Exógenos
- 12.4 Diferenciação e Correlação Serial
- 12.5 Inferência Robusta em Relação à Correlação Serial após o MQO
- 12.6 Heteroscedasticidade em Regressões de Séries Temporais
- PARTE
- TÓPICOS AVANÇADOS
- Métodos Simples de Dados de Painel Capítulo 13 O Agrupamento de Cortes Transversais ao Longo do Tempo.
- 13.1 O Agrupamento Independente de Cortes Transversais ao Longo do Tempo
- 13.3 Análise de Dados de Painel de dois Períodos 13.2 Análise de Decisões Governamentais com Agrupamentos
- de dois Períodos 13.4 Análise de Decisões Governamentais com Dados de Painel
- 13.5 A Diferenciação com mais de dois Períodos de Tempo
- Capítulo 14 Métodos Avançados de Dados de Painel - 14.1 Estimação de Efeitos Fixos - 14.2 Modelos de Efeitos Aleatórios - 14.3 A Aplicação de Métodos de Dados de Painel a outras Estruturas de Dados
- Quadrados de dois Estágios Capítulo 15 Estimação de Variáveis Instrumentais e Mínimos
- 15.1 Motivação: Variáveis Omitidas em um Modelo de Regressão Simples
- 15.2 Estimação de VI do Modelo de Regressão Múltipla
- 15.3 Mínimos Quadrados de dois Estágios
- 15.4 Soluções de VI de Problemas de Erros nas Variáveis
- Sobreidentificadoras
- 15.6 O MQ2E com Heteroscedasticidade
- 15.7 A Aplicação do MQ2E a Equações de Séries Temporais
- e em Dados de Painel 15.8 A Aplicação do MQ2E em Cortes Transversais Agrupados
- Capítulo 16 Modelos de Equações Simultâneas
- 16.1 A Natureza dos Modelos de Equações Simultâneas
- 16.2 Viés de Simultaneidade no MQO
- 16.3 A Identificação e a Estimação de uma Equação Estrutural
- 16.4 Sistemas com mais de duas Equações
- 16.5 Modelos de Equações Simultâneas com Séries Temporais
- 16.6 Modelos de Equações Simultâneas com Dados de Painel
- Correções da Seleção Amostral Capítulo 17 Modelos com Variáveis Dependentes Limitadas e
- 17.1 Modelos Logit e Probit de Resposta Binária
- 17.2 O Modelo Tobit para Resposta de Solução de Canto
- 17.3 O Modelo de Regressão de Poisson
- 17.4 Modelos de Regressão Censurada e Truncada
- 17.5 Correções da Seleção Amostral
- Capítulo 18 Tópicos Avançados sobre Séries Temporais
- 18.1 Modelos de Defasagem Distribuída Infinita
- 18.2 O Teste de Raízes Unitárias
- 18.3 Regressão Espúria
- 18.4 Co-Integração e Modelos de Correção de Erro
- 18.5 Previsão
- Capítulo 19 A Montagem de um Projeto na Prática
- 19.1 A Formulação de uma Pergunta
- 19.2 A Revisão da Literatura
- 19.3 A Compilação dos Dados
- 19.4 A Análise Econométrica
- 19.5 A Redação de um Ensaio Empírico
- Apêndice G Tabelas Estatísticas
- Referências Bibliográficas
- Glossário
- Índice Remissivo
O
Capítulo 1 examina o escopo da econometria e propõe questões gerais que resultam da aplica- ção dos métodos econométricos. A Seção 1.3 examina os tipos de dados usados em negócios, economia e outras ciências sociais. A Seção 1.4 faz uma discussão intuitiva das dificuldades associadas com a inferência da causalidade nas ciências sociais.
1.1 O QUE É ECONOMETRIA?
Imagine que você seja contratado pelo governo de seu Estado para avaliar a eficácia de um programa de treinamento financiado com recursos públicos. Suponha que esse programa ensine aos trabalhado- res várias maneiras de como usar computadores no processo produtivo. O programa, com duração de 20 semanas, oferece cursos fora do horário do expediente. Qualquer trabalhador horista da produção pode participar, e a matrícula em todo o programa, ou em parte dele, é voluntária. Você deve determi- nar qual o efeito, se houver, do programa de treinamento sobre o salário-hora de cada trabalhador. Suponha, agora, que você trabalhe para um banco de investimentos. Você deve estudar os retor- nos de diferentes estratégias de investimento que envolvem títulos do Tesouro dos Estados Unidos para decidir se elas estão de acordo com as teorias econômicas a elas associadas. A tarefa de responder a tais questões pode parecer desanimadora à primeira vista. Nesse ponto, você deve ter somente uma vaga idéia de qual tipo de dados coletar. Até o fim deste curso de princí- pios de econometria, você provavelmente saberá como usar os métodos econométricos para avaliar, formalmente, um programa de treinamento ou testar uma simples teoria econômica. A econometria é baseada no desenvolvimento de métodos estatísticos para estimar relações eco- nômicas, 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 econô- micos 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. Por exemplo, estudaremos os efeitos de gastos em campanhas políticas sobre os resultados de elei- ções. No campo da educação, consideraremos o efeito de gastos públicos com escolas sobre o desempenho de estudantes. Além disso, aprenderemos como usar métodos econométricos para pre- ver séries de tempo econômicas. A econometria evoluiu como uma disciplina separada da estatística matemática, porque enfoca problemas inerentes à coleta e à análise de dados econômicos não-experimentais. Dados não-expe- rimentais não são acumulados por meio de experimentos controlados de indivíduos, firmas ou seg-
A Natureza da Econometria e dos
Dados Econômicos
1
EXEMPLO 1. (Modelo Econômico do Crime) Em um artigo inspirador, o prêmio Nobel Gary Becker postulou um arcabouço da maximização da utilidade para descrever a participação de um indivíduo no crime. Certos crimes têm recompensas econômicas evi- dentes, mas muitos comportamentos criminosos têm custos. O custo de oportunidade do crime impede o criminoso de participar de outras atividades, como um emprego legal. Além disso, há custos associados com a possibilidade de ser capturado, e, se condenado, há os custos associados com o cumprimento de pena. Da perspectiva de Becker, a decisão de empreender a atividade ilegal é uma decisão de alocação de recur- sos com os benefícios e custos das atividades concorrentes sendo considerados. Sob hipóteses gerais podemos derivar uma equação que descreve a quantidade de tempo gasto na ati- vidade criminosa como uma função de vários fatores. Podemos representar tal função como
y = f ( x 1 , x 2 , x 3 , x 4 , x 5 , x 6 , x 7 ), (1.1)
em que
y = horas gastas em atividades criminosas, x 1 = “salário” por hora ocupada em atividade criminosa, x 2 = salário-hora em emprego legal, x 3 = renda de outras atividades que não o crime ou um emprego legal, x 4 = probabilidade de ser capturado, x 5 = probabilidade de ser condenado se capturado, x 6 = sentença esperada se condenado, e x 7 = idade.
Outros fatores geralmente afetam a decisão de uma pessoa de participar de atividades criminosas, mas a lista acima representa o que poderia resultar de uma análise econômica formal. Como é comum na teoria econômica, não fomos específicos sobre a função f () em (1.1). Essa função depende de uma função utili- dade subjacente, raramente conhecida. Entretanto, podemos usar a teoria econômica – ou a introspecção – para prever o efeito que cada variável teria sobre as atividades criminosas. Essa é a base para uma análise econométrica das atividades criminosas individuais.
A modelagem econômica formal é, às vezes, o ponto de partida da análise empírica, porém é mais comum usar a teoria econômica de modo menos formal, ou mesmo contar inteiramente com a intui- ção. Você pode concordar quanto aos determinantes do comportamento criminoso que aparecem na equação (1.1) serem razoavelmente baseados no senso comum; poderíamos chegar a tal equação dire- tamente, sem partir da maximização da utilidade. Essa visão tem algum mérito, embora haja casos em que derivações formais geram idéias que a intuição pode ignorar. Vejamos o exemplo de uma equação que foi derivada por meio de um raciocínio um tanto informal.
Wooldridge Capítulo 1 A Natureza da Econometria e dos Dados Econômicos 3
EXEMPLO 1. (Treinamento e Produtividade do Trabalhador) Considere o problema proposto no início da Seção 1.1. Um economista especializado em trabalho gostaria de examinar os efeitos do treinamento sobre a produtividade do trabalhador. Nesse caso, há pouca necessi- dade de teoria econômica formal. Um entendimento econômico básico é suficiente para perceber que fato- res tais como educação, experiência e treinamento influenciam a produtividade do trabalhador. Os econo- mistas também estão bem cientes de que os trabalhadores são pagos de acordo com sua produtividade. Esse raciocínio simples leva a um modelo tal que
salárioh = f ( educ , exper , treina ), (1.2)
em que salárioh é o salário-hora, educ representa os anos de educação formal, exper refere-se aos anos de experiência no mercado de trabalho e treina corresponde a semanas ocupadas em treinamento. Novamente, outros fatores geralmente influenciam a taxa de salário, mas (1.2) captura a essência do problema.
Após especificarmos um modelo econômico, precisamos voltar ao que chamamos de modelo eco- nométrico. Visto que trabalharemos com modelos econométricos ao longo deste texto, é importante saber como eles se relacionam com os modelos econômicos. Considere a equação (1.1) como exem-
plo. A forma da função f () deve ser especificada antes de podermos empreender uma análise econo-
métrica. Uma segunda questão concernente a (1.1) é como lidar com variáveis que não podem ser razoavelmente observadas. Por exemplo, considere o “salário” que uma pessoa pode receber na ativi- dade criminosa. Em princípio, tal quantidade é bem-definida, mas poderia ser difícil, se não impossí- vel, observar o “salário” para um determinado indivíduo. Mesmo variáveis como a probabilidade de ser preso não podem ser obtidas de modo realista para um determinado indivíduo, mas pelo menos podemos observar estatísticas de detenção relevantes e derivar uma variável que se aproxime da pro- babilidade de prisão. Muitos outros fatores que não podemos listar, nem mesmo observar, afetam o comportamento criminoso, mas devemos de algum modo considerá-los. As ambigüidades inerentes ao modelo econômico do crime são resolvidas ao se especificar um modelo econométrico particular, tal como:
crime = β 0 + β 1 saláriom + β 2 outrenda + β 3 freqpris + β 4 freqcond
- β 5 sentmed + β 6 idade + u , (1.3)
em que crime é alguma medida de freqüência da atividade criminosa, saláriom é o salário que poderia ser ganho em um emprego legal, outrenda é a renda de outras fontes (ativos, herança etc.), freqpris é a freqüência de prisões por infrações anteriores (para aproximar a probabilidade de detenção), freqcond é a freqüência de condenações e sentmed é a duração média da sentença após as condenações. A esco- lha dessas variáveis é determinada pela teoria econômica e por considerações sobre os dados. O termo u contém fatores não observados, tais como o “salário” da atividade criminosa, o caráter moral, a for- mação da família e erros na mensuração de coisas como a atividade criminosa e a probabilidade de de tenção. Podemos adicionar variáveis de formação da família ao modelo, tais como o número de irmãos, a educação dos pais, e assim por diante, mas nunca poderemos eliminar u inteiramente. De fato, lidar com esse termo de erro ou termo de disturbância é, talvez, o componente mais importante de qual- quer análise econométrica.
4 Introdução à Econometria — Editora Thomson
lise pura de dados de corte transversal, ignoraríamos, na coleta de dados, quaisquer diferenças de tempo não importantes. Se o conjunto de famílias fosse pesquisado durante diferentes semanas do mesmo ano, ainda veríamos isso como um conjunto de dados de corte transversal. Uma importante característica dos dados de corte transversal é que não podemos, freqüentemente, assumir que eles foram obtidos por amostragem aleatória da população subjacente. Por exemplo, se obtemos informações sobre salários, educação, experiência e outras características ao extrair aleatoria- mente 500 pessoas de uma população de trabalhadores, teremos uma amostra aleatória da população de todas as pessoas que trabalham. A amostragem aleatória, matéria aprendida nos cursos introdutórios de estatística, simplifica a análise de dados de corte transversal. Uma revisão sobre amostragem alea- tória aparece no Apêndice C disponível em www.thomsonlearning.com.br, na página deste livro. Algumas vezes, a amostragem aleatória não é apropriada como uma hipótese para analisar dados de corte transversal. Por exemplo, suponha que estejamos interessados em estudar fatores que influen- ciam na acumulação de riqueza das famílias. Podemos estudar uma amostra aleatória de famílias, mas algumas talvez se recusem a relatar suas riquezas. Se, por exemplo, for menos provável que famílias mais ricas revelem sua riqueza, a amostra resultante sobre a riqueza não é uma amostra aleatória extraída da população de todas as famílias. Este é um exemplo de um problema de seleção amostral, um tópico avançado que discutiremos no Capítulo 17. Outra violação da amostragem aleatória ocorre quando construímos uma amostra a partir de uni- dades grandes relacionadas à população, em especial a unidades geográficas. O problema provável em tais casos é que a população não é suficientemente grande para se supor, de maneira razoável, que as observações são extrações independentes. Por exemplo, se queremos explicar novas atividades de negócios entre estados, como função de taxas de salários, preços de energia, alíquotas de impostos, ser- viços prestados, qualidade da força de trabalho e outras características estaduais, é improvável que as atividades de negócios em um Estado próximo a outro sejam independentes. Isso revela que os méto- dos econométricos que discutimos funcionam, de fato, em tais situações, mas algumas vezes necessi- tam ser refinados. Na maioria dos casos, ignoraremos as complexidades que surgem ao analisar tais situações e trataremos esses problemas dentro do arcabouço da amostragem aleatória, mesmo quando não for tecnicamente correto fazê-lo. Os dados de corte transversal são amplamente usados em economia e em outras ciências sociais. Em economia, a análise de dados de corte transversal está intimamente alinhada com campos da microeconomia aplicada, tais como economia do trabalho, finanças públicas estaduais e locais, orga- nização industrial, economia urbana, demografia e economia da saúde. Dados sobre indivíduos, famí- lias, empresas e cidades em um determinado ponto do tempo são importantes para testar hipóteses microeconômicas e avaliar políticas governamentais. Para a análise econométrica, os dados de corte transversal usados podem ser representados e armazenados em computadores. A Tabela 1.1 contém, de forma abreviada, um conjunto de dados de corte transversal para o ano de 1976, de 526 trabalhadores. (Esse é um subconjunto dos dados do arqui- vo WAGE1.RAW*.) As variáveis incluem salárioh (salário por hora), educ (anos de educação formal), exper (anos de experiência no mercado de trabalho), feminino (indicador de gênero) e casado (estado civil). Estas duas últimas variáveis são binárias (zero-um) por natureza, e servem para indicar caracte- rísticas qualitativas dos indivíduos. (A pessoa é do sexo feminino ou não; a pessoa é casada ou não.) Falaremos mais sobre variáveis binárias no Capítulo 7 e seguintes.
6 Introdução à Econometria — Editora Thomson
- NRT: Todos os arquivos mencionados no texto têm a designação “.RAW”, mas no banco de dados os arqui- vos são planilhas em Excel (“.XLS”), e os arquivos de trabalho de programas econométricos (como “.WF1”, do Eviews©). Portanto, a designação “.RAW” é genérica e dá um significado de “.matéria- prima” para aplicações e exercícios.
Tabela 1. Conjunto de Dados de Corte Transversal sobre Salários e outras Características Individuais
A variável nobsi na Tabela 1.1 é o número da observação atribuído a cada indivíduo na amostra. Diferentemente das outras variáveis, ela não é uma característica do indivíduo. Todos os programas econométricos e estatísticos atribuem a cada unidade um número de observação. A intuição deveria dizer-lhe que, para dados como os da Tabela 1.1, não importa qual pessoa é classificada como obser- vação um, qual pessoa é designada pela observação dois, e assim por diante. O fato de que a ordena- ção dos dados não importa para a análise econométrica é uma característica fundamental dos conjun- tos de dados de corte transversal obtidos a partir da amostragem aleatória. Às vezes, variáveis diferentes correspondem a diferentes períodos nos conjuntos de dados de corte transversal. Por exemplo, a fim de determinar os efeitos de políticas governamentais sobre o cresci- mento econômico de longo prazo, os economistas têm estudado a relação entre crescimento do PIB per capita real ao longo de certo período (digamos, 1960 a 1985) e variáveis determinadas, em parte, pela política governamental em 1960 (consumo do governo como percentagem do PIB e taxas de ensino médio de adultos). Tais conjuntos de dados poderiam ser representados como na Tabela 1.2, a qual constitui parte do conjunto de dados usados no estudo de De Long e Summers (1991) sobre as taxas de crescimento entre países. A variável cpibpcr representa o crescimento médio do PIB per capita real ao longo do período 1960 a 1985. O fato de que consgov60 (consumo do governo como percentagem do PIB) e second (percentagem da população adulta com ensino médio) correspondem ao ano de 1960, enquanto cpibpcr é o crescimento médio ao longo do período 1960 a 1985, não leva a quaisquer problemas especiais ao tratar essas informações como um conjunto de dados de corte transversal. As observa- ções estão ordenadas alfabeticamente por país, mas essa ordenação não afeta em nada qualquer aná- lise subseqüente.
Wooldridge Capítulo 1 A Natureza da Econometria e dos Dados Econômicos 7
nobsi salárioh educ exper feminino casado
1 3,10 11 2 1 0
2 3,24 12 22 1 1
3 3,00 11 2 0 0
4 6,00 8 44 0 1
5 5,30 12 7 0 1
...... ...... ......
525 11,56 16 5 0 1
526 3,50 14 5 1 0
Muitas séries de tempo econômicas, sejam semanais, mensais ou trimestrais, exibem um forte padrão sazonal, o qual pode ser um importante fator na análise de séries de tempo. Por exemplo, dados mensais sobre o início da construção de moradias se diferenciam entre os meses simplesmente devido a mudanças das condições climáticas. Aprenderemos como trabalhar com séries de tempo no Capítulo 10. A Tabela 1.3 contém um conjunto de dados de séries de tempo, obtido de um artigo de Castillo- Freeman e Freeman (1992), sobre os efeitos do salário mínimo em Porto Rico. O ano mais antigo no conjunto de dados é a primeira observação, e o ano mais recente disponível é a última observação. Quando os métodos econométricos são utilizados para analisar dados de séries de tempo, os dados devem ser armazenados em ordem cronológica.
Tabela 1. Salário Mínimo, Desemprego e Dados Relacionados para Porto Rico
A variável minmed se refere ao salário mínimo médio no ano, cobmed é a taxa de cobertura média (o percentual de trabalhadores cobertos pela lei de salário mínimo), desemp é a taxa de desemprego e pnb é o produto nacional bruto. Usaremos esses dados mais adiante em uma análise de séries de tempo do efeito do salário mínimo sobre o emprego.
Cortes Transversais Agrupados
Alguns conjuntos de dados têm tanto características de corte transversal quanto de séries de tempo. Por exemplo, suponha que dois estudos sobre famílias sejam realizados nos Estados Unidos com dados de corte transversal, um em 1985 e outro em 1990. Em 1985, uma amostra aleatória de famílias é pesquisa- da para variáveis tais como renda, poupança, tamanho da família, e assim por diante. Em 1990, uma nova amostra aleatória de famílias é extraída usando as mesmas questões da pesquisa. A fim de aumentar nosso tamanho de amostra, podemos formar um corte transversal agrupado ao combinar os dois anos. Agrupar cortes transversais de diferentes anos é, freqüentemente, um modo eficaz de analisar os efeitos de uma nova política de governo. A idéia é coletar dados de anos anteriores e posteriores a uma importante mudança de política governamental. Como exemplo, considere o seguinte conjunto de dados sobre os preços da moradia coletados em 1993 e 1995 nos Estados Unidos, quando houve uma redução nos impostos sobre a propriedade em 1994. Suponha que tenhamos dados sobre 250 residên- cias para 1993 e sobre 270 para 1995. Um modo de armazenar tais dados é apresentado na Tabela 1.4.
Wooldridge Capítulo 1 A Natureza da Econometria e dos Dados Econômicos 9
nobsa ano minmed cobmed desemp pnb
1 1950 0,20 20,1 15,4 878,
2 1951 0,21 20,7 16,0 925,
3 1952 0,23 22,6 14,8 1.015,
...... ...... ......
37 1986 3,35 58,1 18,9 4.281,
38 1987 3,35 58,2 16,8 4.496,
Tabela 1. Cortes-Transversais Agrupados: Dois Anos de Preços de Moradias
As observações 1 a 250 correspondem às residências vendidas em 1993, e as observações 251 a 520 correspondem às 270 residências vendidas em 1995. Embora a ordem na qual armazenamos os dados não se revele crucial, não se esqueça de que o ano de cada observação é, geralmente, muito importante. Essa é a razão de introduzirmos ano como uma variável separada. A análise de um corte transversal agrupado é muito parecida com a de um corte transversal padrão, exceto pelo fato de que precisamos, freqüentemente, considerar diferenças periódicas das variáveis ao longo do tempo. De fato, além de aumentar o tamanho da amostra, a característica de uma análise de corte transversal agrupada é, freqüentemente, ver como uma relação fundamental mudou ao longo do tempo.
Dados de Painel ou Longitudinais
Um conjunto de dados de painel (ou dados longitudinais) consiste em uma série de tempo para cada membro do corte transversal do conjunto de dados. Como exemplo, suponha que tenhamos o históri- co de salário, educação e emprego para um conjunto de indivíduos ao longo de um período de dez anos, ou que possamos coletar informações, tais como dados de investimento e financeiros, sobre o mesmo conjunto de empresas ao longo de um período de cinco anos. Dados de painel também podem ser cole- tados para unidades geográficas. Por exemplo, podemos coletar dados para o mesmo conjunto de muni- cípios dos Estados Unidos sobre fluxos de imigração, impostos, taxas de salários, gastos governamen- tais etc., para os anos de 1980, 1985 e 1990.
10 Introdução à Econometria — Editora Thomson
nobsm ano preçoc imppro arquad qtdorm banhos
1 1993 85.500 42 1.600 3 2,
2 1993 67.300 36 1.440 3 2,
3 1993 134.000 38 2.000 4 2,
....... ....... .......
250 1993 243.600 41 2.600 4 3,
251 1995 65.000 16 1.250 2 1,
252 1995 182.400 20 2.200 4 2,
253 1995 97.500 15 1.540 3 2,
....... ....... .......
520 1995 57.200 16 1.100 2 1,
mo, a razão para ordenar os dados de painel como na Tabela 1.5 é que precisaremos fazer transforma- ções dos dados para cada cidade nos dois anos. Como os dados de painel requerem a repetição das mesmas unidades ao longo do tempo, os con- juntos de dados de painel, especialmente aqueles sobre indivíduos, famílias e empresas, são mais difí- ceis de se obter que os cortes transversais agrupados. Não surpreendentemente, observar as mesmas unidades ao longo do tempo traz várias vantagens sobre os dados de corte transversal ou mesmo sobre os de dados de cortes transversais agrupados. O benefício que salientaremos neste livro é que ter múl- tiplas observações sobre as mesmas unidades nos permite controlar certas características não obser- váveis dos indivíduos, firmas etc. Como veremos, o uso de mais de uma observação pode facilitar a inferência causal em situações em que inferir causalidade seria muito difícil se somente um único corte transversal estivesse disponível. Uma segunda vantagem dos dados de painel é que eles, fre- qüentemente, nos permitem estudar a importância das defasagens do comportamento ou o resultado de tomar decisões. Essa informação pode ser importante, visto que se pode esperar o impacto em mui- tas políticas públicas somente após algum tempo. A maior parte dos livros para cursos de nível superior não contém uma discussão de métodos eco- nométricos para dados de painel. Entretanto, os economistas agora reconhecem que algumas questões são difíceis, se não impossíveis, de serem respondidas satisfatoriamente sem dados de painel. Como você verá, podemos fazer consideráveis progressos com análises simples de dados de painel, um méto- do que não é muito mais difícil do que trabalhar com um conjunto de dados de corte transversal padrão.
Um Comentário sobre Estruturas de Dados
A Parte 1 deste livro cobre a análise de dados de corte transversal, já que ela propõe menos conceitos e dificuldades técnicas. Ao mesmo tempo, ela ilustra muitos dos temas essenciais da análise economé- trica. Usaremos os métodos e as idéias da análise de corte transversal no restante do texto. Embora a análise econométrica de séries de tempo use muitas das mesmas ferramentas que a análise de corte transversal, ela é mais complicada devido à existência de tendência que traduz a natureza altamente persistente de muitas séries de tempo econômicas. Acredita-se que agora são considerados falhos muitos exemplos que têm sido tradicionalmente usados para ilustrar a manei- ra pela qual os métodos econométricos podem ser aplicados a dados de séries de tempo. Faz pouco sentido usar tais exemplos inicialmente, visto que esse hábito somente reforça uma prática econo- métrica insatisfatória. Portanto, postergaremos o tratamento da econometria de séries de tempo até a Parte 2, quando questões importantes concernentes a tendência, persistência, dinâmica e sazona- lidade serão introduzidas. Na Parte 3, trataremos explicitamente de cortes transversais agrupados e dados de painel. A aná- lise de cortes transversais independentemente agrupados e a análise simples de dados de painel são ambas independentemente, extensões claras e diretas da análise pura de corte transversal. Entretanto, vamos esperar até o Capítulo 13 para tratar desses tópicos.
1.4 A CAUSALIDADE E A NOÇÃO DE CETERIS PARIBUS NA
ANÁLISE ECONOMÉTRICA
Em muitos testes de teoria econômica, e certamente para avaliar políticas públicas, o objetivo do eco- nomista é inferir que uma variável (tal como a educação) tem um efeito causal sobre outra variável (tal como a produtividade do trabalhador). Encontrar simplesmente uma associação entre duas ou mais variáveis pode ser sugestivo, mas, a não ser que se possa estabelecer uma causalidade, raramen- te ela é convincente.
12 Introdução à Econometria — Editora Thomson
