CURSO DE EViews

APOSTILA

Prof. Rogério Silva de Mattos

Departamento de Análise Econômica
Faculdade de Economia e Administração
Universidade Federal de Juiz de Fora
rmattos@fea.ufjf.br
http://www3.ufjf.br/~rmattos

Junho 2003

* EViews e Econometric Views são marcas registradas da empresa americana Quantitative Micro
Software (QMS). Copyright Rogério Silva de Mattos.
 2

ÍNDICE

Apresentação ...............................................................................................................3
1. Primeiros Passos ......................................................................................................5
1.1 Entrando no Eviews............................................................................................5
1.2 Arquivo de Trabalho...........................................................................................5
1.3 Entrando Dados ..................................................................................................7
1.4 Entrando Dados Pelo Teclado .............................................................................7
1.5 Salvando o Arquivo de Trabalho.........................................................................7
1.6 Verificando os Dados..........................................................................................7
1.7 Importando Dados ..............................................................................................8
1.8 Exportando Dados ..............................................................................................9
EXERCÍCIOS........................................................................................................ 10
2. Manipulação e Visualização de Dados .................................................................... 11
2.1 Criando Novas Séries........................................................................................ 11
2.3 Gráficos no EViews.......................................................................................... 12
EXERCÍCIOS........................................................................................................ 14
Anexo 2.1: Operadores Utilizáveis em Fórmulas..................................................... 15
3. Análise de Regressão Múltipla ................................................................................ 16
3.1 Introdução ........................................................................................................ 16
3.2 Regressão Múltipla ........................................................................................... 16
3.4 Relembrando Inferência Estatística ................................................................... 17
3.5 Voltando à Regressão Múltipla ......................................................................... 18
3.6 Qualidade do Ajustamento de Modelos ............................................................. 19
3.6 Algumas Definições Adicionais ........................................................................ 20
4. Regressão Múltipla no EViews............................................................................... 21
4.1 Dados de Receita Total versus Preço e Propaganda ........................................... 21
4.2 Rodando uma Regressão................................................................................... 21
4.3 Visualizando o Comportamento do Modelo ....................................................... 23
EXERCÍCIOS........................................................................................................ 24
5. Diagnóstico de Modelos ......................................................................................... 25
5.1 Pressupostos Básicos do Modelo de Regressão Múltipla .................................... 25
5.2 Propriedades dos MQO..................................................................................... 25
5.3 Autocorrelação Serial (ACS)............................................................................. 25
5.4 Heterocedasticidade .......................................................................................... 27
5.5 Não–Normalidade dos Erros ............................................................................. 28
EXERCÍCIOS........................................................................................................ 29
6. Modelos Especiais .................................................................................................. 31
6.1 Variáveis Dummy............................................................................................. 31
6.2 Variáveis independentes binárias (Dummy)....................................................... 31
6.3 Variáveis dummy dependentes.......................................................................... 34
6.4 Modelos Não–Lineares..................................................................................... 37
EXERCÍCIOS........................................................................................................ 38
Bibliografia ............................................................................................................ 42
 3

Apresentação

O software comercial EViews é uma versão para Windows de várias ferramentas para
análise estatística de dados de séries temporais. Essas ferramentas foram desenvolvidas
originalmente na década de 70 como um software para computadores grandes e que se
denominava Time Series Processor (TSP). Em 1981, foi disponibilizado pela primeira
vez a versão para computadores pessoais denominada MicroTSP. O sucessor imediato
deste último é o EViews, desenvolvido para ambientes gráficos tipo Windows.

O potencial de aplicações do EViews não se limita a séries temporais. Grandes projetos

de modelagem baseados em dados na forma de corte transversal (cross–section)
também podem ser trabalhados no EViews.

O EViews é muito poderoso para implementar a metodologia de modelos de regressão

múltipla, que é utilizada em vários campos do conhecimento. Embora o EViews seja
desenvolvido por economistas e a maioria de suas aplicações seja feita em economia,
outros profissionais como engenheiros, administradores, sociólogos, psicólogos,
cientistas políticos, citando–se apenas alguns, que usam modelos de regressão em suas
áreas de atuação, podem se beneficiar do aprendizado de EViews.

O objeto de dados básico no EViews é a série temporal. Cada série tem um nome e você
pode realizar operações sobre todas as observações apenas mencionando o nome da
série. O EViews oferece recursos visuais convenientes para entrar séries de tempo pelo
teclado ou importando de arquivos em disco, criar novas séries a partir de outras já
existentes, mostrar e imprimir séries e realizar análise estatística da relação entre as
séries.

Você pode usar o EViews através do mouse, acessando os diversos menus e caixas de
diálogos. Os resultados aparecem em janelas e podem ser manipulados com as técnicas
padrões do Windows. Alternativamente, existe a poderosa linguagem de comandos do
EViews, que permite entrar e editar comandos na janela de comandos, bem como criar
comandos específicos para implementar um projeto completo de pesquisa.

Abaixo está uma lista dos recursos mais importantes do EViews:

1. Entrada, extensão e correção de dados de séries temporais;

2. Computando uma nova série baseado em uma fórmula de qualquer
complexidade;
3. Gráficos das séries na sua tela ou na impressora, diagramas de dispersão,
gráficos de barra e do tipo pizza;
4. Mínimos quadrados ordinários (regressão múltipla), mínimos quadrados com
correção para autocorrelação e mínimos quadrados de dois estágios;
5. Mínimos quadrados não–lineares;
6. Estimação probit e logit para modelos de escolha binária;
7. Estimação linear e não–linear de sistemas de equações;
8. Estimação e previsão usando combinações de dados em corte transversal e
séries de tempo, bem como previsões;
9. Estimação e previsão de modelos ARCH–GARCH;
10. Estimação e análise de sistemas de autorregressão vetorial;
 4
11. Estatísticas descritivas: correlações, covariâncias, aucorrelações, correlações
cruzadas e histogramas;
12. Processos de erro de tipos autorregressivo sazonal e média móvel;
13. Defasagens distribuídas em forma polinomial;
14. Previsão baseada em regressão;
15. Solução de sistemas de equações;
16. Gerenciamento de bases de dados de séries temporais;
17. Leitura e escrita de arquivos de dados em formatos padrões de planilhas de
cálculo.

Como essa lista de recursos é muito vasta, alguns itens envolvendo conhecimentos
avançados de inferência estatística, neste curso vamos nos centrar em alguns itens
relevantes que irão nos capacitar a construir modelos empíricos de regressão múltipla
usando o EViews. Basicamente, estudaremos os recursos referentes aos itens 1, 2, 3, 4,
11, 13, 14, 16 e 17. Mesmo nos restringindo a esses itens, vamos aprender uma ampla
gama de procedimentos que nos permitirão aplicar as técnicas de modelos de regressão
a problemas reais de nosso interesse.

Aviso

Antes de iniciarmos, é importante um pequeno aviso. O EViews foi desenvolvido e é

atualizado por uma empresa americana denominada Quantitative Micro Software
(QMS). Essa empresa é proprietária dos direitos autorais do EViews e o explora
comercialmente.

Informações sobre como adquirir o EViews podem ser obtidas no site

http://www.eviews.com, mantido pela QMS. Há diversas modalidades de obtenção de
licenças de uso do EViews: por exemplo, há uma versão para estudantes, versões para
um único PC, versões para redes de computadores, e também versões de demonstração,
que podem ser baixadas por download do site mencionado.
 5

1. Primeiros Passos

1.1 Entrando no Eviews

Na área de trabalho do Windows, digite a sequência:

Iniciar\Programas\Econometric Views\EViews

Será aberta uma grande janela, dividida em 2 partes. A primeira parte corresponde à
linha de menu, com as opções:

File, Edit, Objects, View, Procs, Quick, Options, Window, Help

Através dessas várias opções e suas respectivas sub–opções é que iremos realizar todas
as operações com o EViews.

A segunda parte é uma grande faixa branca, logo abaixo da linha de menu, denominada
Janela de Comandos. Ela permite uma forma alternativa de operar o EViews, através da
digitação de comandos.

Para iniciantes, como é o nosso caso, a primeira forma é a mais adequada e será através
dela que iremos trabalhar aqui. A segunda forma, via Janela de Comandos, é mais
flexível, mas é mais adequada para quando tivermos mais experiência com o uso do
EViews.

1.2 Arquivo de Trabalho

Tudo o que fazemos no EViews é feito dentro de um ambiente específico que criamos
para cada projeto de modelagem. Podemos salvar neste arquivo quase tudo que fazemos
no EViews, como os dados, as equações estimadas, os gráficos, etc.

Como criamos um Arquivo de Trabalho? Digitamos a sequência:

File\New\Workfile.

Aparece, então, uma caixa de diálogo com um conjunto de opções:

Annual (dados anuais)

Quarterly (dados trimestrais)
Monthly (dados mensais)
Weekly (dados semanais)
Daily (5 day weeks) (dados diários para semanas de 5 dias úteis)
Daily (7 day weeks) (dados diários para semanas de 7 dias)
Undated or irregular (dados não datados, por exemplo, de corte–transversal)
 6
Nós temos de selecionar uma dessas opções clicando sobre o losango à esquerda da
opção desejada. A opção que iremos escolher vai depender, obviamente, do tipo de
problema que estivermos analisando.

A seguir, temos de entrar as informações nos dois campos em branco: Start Date (data
inicial) e End Date (data final). Para cada tipo de opção, temos procedimentos
apropriados para entrar as datas, conforme os exemplos a seguir:

Annual: 1981, 1895, 2001. Ou 95 (para o séc. XX).

Quarterly: 1992:1, 65:4, 2002:3.
Monthly: 1956:1, 1990:11
Weekly: é identificada pelo primeiro dia da semana. Ex.: 3:10:97. ( refere-se ao dia
10 de março de 1987 que representa o primeiro dia de uma determinada semana).
Daily (5 day weeks): digita-se no formato de dia. Ex.: 4:5:2000 (5 de abril de
2000).
Daily (7 day weeks) (dados diários para semanas de 7 dias)
Undated or irregular (dados não datados, por exemplo, de corte–transversal)

Nota: Você pode digitar um ponto “.” ao invés de dois pontos “:” numa data, por
exemplo: 1956.1, 1990.11.

Uma vez informada a data inicial e a final, podemos clicar ‘OK’. O EViews cria, então,
o Arquivo de Trabalho. A primeira coisa que acontece é o surgimento de uma janela
com informações do Arquivo de Trabalho recém criado. Para abreviar, chamaremos
essa janela de JAT.

Na linha do título da JAT, aparece ‘Workfile: UNTITLED’ (Arquivo de Trabalho: Sem

Título). Logo abaixo, aparece uma linha de menu de opções:

View,Procs,Save,Show,Fetch,Store,Delete,Genr,Sample

Em breve, estaremos aprendendo a usar essas opções. Na próxima parte JAT, aparece a
informação sobre os dados a serem usados:

Intervalo Disponível (Range: 2000:01 2002:12)

Intervalo em Uso (Sample: 2001:01 2002:12)

Nós podemos alterar esses dois intervalos quando quisermos. O intervalo disponível em
geral mudamos quando queremos aumentar a base de dados (por exemplo, quando
termina um mês e queremos inserir nova observação). O Intervalo em Uso nós
mudamos quando queremos usar só uma parte da amostra (sample) de dados. Por
enquanto não vamos mexer nesses intervalos.

Também aparece a informação sobre a equação em uso no momento. Como ainda não
estimamos uma equação (nem entramos os dados ainda!) o EViews nos informa que não
há qualquer equação (Default Equation: None).

Na ultima parte da JAT, aparecem dois objetos: C e RESID. O objeto C é usado pelo
EViews para guardar resultados, e também como nome reservado para a constante dos
 7
modelos de regressão. O objeto RESIDS é usado para guardar os resíduos de uma
equação de regressão.

1.3 Entrando Dados

Basicamente, há duas maneiras de se entrar dados no EViews: pelo teclado ou
importando de um arquivo. Este último pode ser do tipo texto (ASCII), planilha Excel,
formato Lótus 123 (WK1), ou formato de série individual .DB. Veremos aqui somente
a entrada pelo teclado e a importação de arquivos texto e tipo planilha (Excel ou .WK1),
que são as mais usadas.

1.4 Entrando Dados Pelo Teclado

Suponha que nós queiramos entrar os dados da seguinte tabela:

Y 10 12 15 17 19 18 21 19 20 23 20 25
X 1 2 3 4 5 6 7 8 9 10 11 12

Com a JAT aberta, digitamos a sequência: Quick\Empty Group (Edit Series). Aparecerá
uma planilha vazia. Na primeira coluna, de cor cinza, aparece a data das linhas. Na
segunda coluna em branco, vamos entrar os dados para a variável Y. Digite na primeira
célula (em cinza) desta coluna o nome da variável: Y. Aperte a tecla ↓. Imediatamente,
as células em branco da coluna receberão a denominação ‘NA’ (de Not Avaylable, isto
é, não disponível). Digite o valor 10 na primeira célula e tecle ↓. Repita este
procedimento para entrar os demais dados para Y. Quando terminar, repita todos os
procedimentos para entrar os dados para X. Após entrar o último dado para X, pode
fechar a janela. (clicando no botão ‘×’ do canto superior da janela).

Você vai notar que agora aparecem mais dois objetos na JAT: as duas séries Y e X que
você acabou de entrar.

1.5 Salvando o Arquivo de Trabalho

Toda vez que você entrar dados, procure se lembrar de salvar o Arquivo de Trabalho. Se
não o fizer, ao sair do programa ou se houver um problema de falta de energia que
apague o computador, você vai perder todas as informações criadas desde o último
salvamento. Para salvá–lo, clique na opção Save da JAT. Depois, siga as instruções para
dar um nome ao Arquivo de Trabalho e informar o diretório onde quer salvá–lo. Note
que o EViews dá uma extensão para o arquivo da Arquivo de trabalho, e que é .WF1.

1.6 Verificando os Dados

Para ver novamente os dados, clique na opção Show da JAT. Aparecerá uma janela de
diálogo pedindo os objetos a mostrar. Digite: Y <espaço> X e clique em ‘OK’.
Aparecerá a planilha com os dados que você entrou para Y e X. Se quiser alterá–los, use
a opção Edit +/–.
 8

1.7 Importando Dados

O Eviews permite importar dados manipulados em outros softwares. Veremos aqui três
procedimentos: cópia de dados do Excel, e as importações de dados de um arquivo tipo
texto (ASCII) e de um arquivo tipo planilha (Lotus 123).

1.7.1 Copiando Dados do Excel

Usaremos, como exemplo, o arquivo EX01.XLS. Abra este arquivo no Excel. Dentro do
Excel, selecione Edit\Copy para copiar os dados para a área de transferência. Em
seguida, inicie o EViews e crie um novo Arquivo de Trabalho anual (File\New), ou
carregue um Arquivo de Trabalho já existente (File\Open). Certifique–se de que o
Intervalo em Uso (Sample) esteja definido para incluir as mesmas observações que você
copiou do Excel.

Na JAT recém aberta, selecione Quick\Empty Group e uma janela contendo uma
planilha de grupo aparecerá. A planilha abre no modo Editar, de forma que não há
necessidade de clicar o botão Edit +/–. Você tem de rolar a planilha uma linha para
baixo de forma a criar espaço para os nomes das séries. Clique na seta para cima da
barra de rolagem. Então, coloque o cursos na célula superior esquerda que está logo à
direita da palavra ‘obs’. Então, cole os dados (selecione Edit\Paste do menu principal) e
pronto.

1.7.2 Arquivo Texto

O primeiro passo é criar o arquivo de onde vamos importar. Normalmente fazemos isso
salvando os dados em formato texto ou em formato de planilha no software (que não o
EViews) onde estivermos trabalhando. O segundo passo é criar um arquivo de trabalho
apropriado: se os dados forem mensais, criar um arquivo de trabalho de tipo Monthly;
se forem trimestrais de tipo Quarterly e assim por diante.

Usaremos o arquivo EX01.TXT como exemplo. Este arquivo foi criado no Bloco de
Notas do Windows. Para ver o conteúdo dele, inicie o Bloco de Notas e abra o arquivo.
Você verá que ele contem três colunas de dados, correspondentes a três séries Y, X e Z.
Agora, vá para o Eviews e crie um arquivo de trabalho do tipo mensal, começando em
2000:1 e terminando em 2000:12. Execute a seguinte sequência:

File\Import\Read Text-Lotus-Excel

Abrirá uma janela chamada Open. Vá para o campo List Files of Type que fica no canto
inferior esquerdo da janela e selecione a opção Text-ASCII. Agora, procure o arquivo
pelos diretórios do seu microcomputador. Quando o achar, de um clique sobre ele. Você
verá que o nome do arquivo será automaticamente escrito no campo File Name, que fica
no canto superior esquerdo. Agora, dê ‘OK’,

Abrirá uma segunda janela chamada ASCII Data Import\Export. Em Order of Data,
selecione a opçao By Observation – series in columns. No grande campo em branco que
aparece logo embaixo, digite a relação de variáveis que aparecem na primeira linha do
 9
arquivo, isto é, digite (com pelo menos um espaço em branco de separação): Y X Z. Dê
‘OK’.

Você verá na JAT que apareceram três novos objetos, denominados, X, Y e Z. Use o
comando Show para verificar se os dados foram importados corretamente.

1.7.2 Arquivo Planilha Lotus 123 (WK1)

Há duas opções de arquivo tipo planilha para se importar no EViews: Excel (extensão
.XLS) e Lotus 123 (extensão .WK1). A presente versão do EViews funciona com alguns
problemas na importação do Excel diretamente. Usaremos a importação de planilha tipo
Lotus 123. Isso não vai nos impedir de usar o Excel, pois sempre poderemos salvar
nossos dados numa planilha Excel em um formato de planilha Lotus 123.

Usaremos o arquivo EX01.WK1. Os procedimentos são os mesmos que no caso da

importação do arquivo texto (ASCII). Primeiro, executamos a sequência:

File\Import\Read Text-Lotus-Excel

Abrirá uma janela chamada Open. Vá para o campo List Files of Type que fica no canto
inferior esquerdo da janela e selecione a opção Lotus wks-wk3. Agora, procure o
arquivo pelos diretórios do seu microcomputador. Quando o achar, de um clique do
botão esquerdo do mouse sobre ele. Você verá que o nome do arquivo será
automaticamente escrito no campo File Name, que fica no canto superior esquerdo.
Agora, dê ‘OK’,

Abrirá uma segunda janela chamada Spreadsheet Data Import\Export. Em Order of

Data, selecione a opção By Observation – series in columns. No grande campo em
branco que aparece logo embaixo, digite a relação de variáveis que aparecem na
primeira linha do arquivo, isto é, digite (com pelo menos um espaço em branco de
separação): Y X Z. Dê ‘OK’.

Você verá na Janela de Arquivo que apareceram três novos objetos, denominados, X, Y
e Z. Use o comando Show para verificar se os dados foram importados corretamente.

Nota: Na janela Spreadsheet Data Import\Export há um campo denominado Upper-left

data cell, normalmente já preenchido com ‘B2’. Isso significa que o EViews vai ler no
arquivo tipo planilha os dados que estão na região que começa com a célula B2. Se
quisermos, podemos alterar essa informação, caso os dados estejam em outra região da
planilha (em que a célula superior esquerda da região for outra que não a B2).

1.8 Exportando Dados

Na Janela do Arquivo de Trabalho, selecione Procs\Export Data. O EViews vai abrir
uma janela pedindo para você indicar o nome do arquivo (canto superior direito) e o seu
formato (canto inferior esquerdo). Voce pode escolher formato texto (ASCII) ou
planilha. Escolha como nome do arquivo EX01A e formato planilha Excell (.XLS).
Digite ‘OK’. Aí aparece uma janela SaveAs. Nesta janela você tem de escolher a opção
em coluna (By Observation) ou linha (By Series) e informar as séries que deseja salvar.
Você também pode selecionar a célula do canto superior esquerdo da planilha onde
 10
começará a gravação dos dados numéricos (default = B2). Digite ‘OK’. O arquivo
EX01A.XLS terá sido criado. Abra ele dentro do Excel e veja o resultado.

EXERCÍCIOS
1.1 Crie um novo arquivo de trabalho com periodicidade anual, para um total de 12 anos
começando em 1990, e experimente entrar manualmente os dados que estão no arquivo
EX01.TXT. Quando terminar, cheque se os dados foram copiados corretamente. Salve o
arquivo como EX01.WF1.

1.2 Abra no Excel o arquivo VOTE.XLS e observe os dados que estão dentro dele.
Conte quantas observações existem para as variáveis. Selecione a região que contém os
dados, inclusive a linha de título das variáveis, e copie para a área de transferência.
Entre no EViews e crie um novo arquivo de trabalho não datado com o mesmo número
de observações. Abra uma Janela de Grupo nova e copie para dentro dela os dados da
área de transferência (não esqueça de andar uma linha para cima na Janela de Grupo).
Depois feche essa janela. O que aconteceu na JAT? Salve o arquivo como VOTE.WF1.

1.3 O arquivo tipo texto PROFITS.DAT contém dados trimestrais de 1959.1 a 1999.3
para três variáveis (YEAR,QTR e PROFITS). Verifique isso usando o Bloco de Notas.
Crie um arquivo de trabalho apropriado no EViews e importe os dados desse arquivo.
Depois salve o arquivo com o nome de PROFITS.WF1.

1.4 Exporte os dados da série PROFITS do arquivo PROFITS.WF1 para um arquivo em

formato de planilha Excel (.XLS). De o nome a esse arquivo de PROFITS.XLS. Depois,
abra–o no Excel e veja o seu conteúdo.
 11

2. Manipulação e Visualização de Dados

Além dos recursos de importar e exportar dados, você tem ampla flexibilidade para
manipular dados dentro do EViews. A forma básica de fazer isso é operar sobre as
séries de dados. Você pode criar novas séries a partir das já existentes no arquivo de
trabalho usando fórmulas.

2.1 Criando Novas Séries

Abra o arquivo de trabalho EX01.WF1. Existem dois métodos para criar novas séries:
através da opção Genr ou da Janela de Grupo.

2.2.1 Opção Genr

Selecione o botão Genr na Janela do Arquivo de Trabalho. Aparecerá uma janela de

geração de séries via equação (Generate series by equation). No campo Enter Equation,
digite W = 3 + X –Z^2. Você verá que o objeto W foi adicionado à Janela Arquivo de
Trabalho. Este objeto é uma nova série. Você pode visualizar seus valores clicando
sobre ela na JAT.

Exemplo 2.1: Você pode usar vários tipos de equações para criar novas séries, como
segue:

R=Y
Z = X2 + X3 - X4
W = X2*X3/X4
YQ = Y^2
LNY = LOG(Y) (logaritmo neperiano de Y)
SENY = SIN(Y) (seno de Y)
COS2X3 = COS(2*X3) (cosseno de 2 vezes X3)
RQX2 = SQRT(X2) (raiz quadrada de X2)

Há muita flexibilidade no EViews para se editar equações para criar novas séries. No
Anexo 2.1, veja a relação de operadores utilizáveis nas fórmulas.

2.2.2 Opção de Janela de Grupo

Um Grupo de Séries é um objeto dentro do EViews. Em termos práticos, este objeto

funciona de modo parecido com uma planilha onde podemos manipular várias séries de
diversas maneiras. Dentro dessa planilha, chamada de Janela de Grupo (JG), podemos
editar as séries (entrar ou alterar valores de suas observações) e também podemos criar
novas séries. Além disso, também podemos importar novas séries de um
arquivo/planilha Lotus ou Excel, simplesmente copiando–as para a área de transferência
e depois colando–as dentro da JG.

Para criar um grupo de séries, selecione Quick\Empty Group (Edit Series). O EViews
abre a JG sem nome (UNTITLED). Esta janela tem a aparecência de uma planilha, com
várias linhas e colunas. Clique sobre a célula acinzentada do lado da palavra ‘obs’.
Digite X. Você verá que os dados da série X vão aparecer na coluna respectiva. Clique
 12
agora na célula ao lado do nome da série ‘X’. Digite Z. Os dados para Z agora também
aparecem. Você simplesmente colocou as séries X e Z dentro do Grupo.

Salve o grupo usando a opção Name e usando o nome GROUP1. Você verá que o
objeto GROUP1 agora aparece na JAT. Para criar uma nova série, vá para a célula ao
lado do nome da série ‘Z’. Digite 4*X–2*Z. Você verá que um novo conjunto de
valores (uma série) vai aparecer. Digite agora sobre a célula contendo a expressão
4*X – 2*Z, a letra ‘V’. Uma nova série terá sido criado na JG. Mais, note que essa série
V também aparece como um novo objeto na JAT.

A JG serve a vários propósitos. Além de permitir juntar e criar séries numa planilha, ela
permite exportar o grupo como um arquivo Excel. Podemos fechar a JG e depois abri–la
a qualquer momento usando a opção Show, ou clicando sobre o objeto GROUP1 na
JAT.

Note que também podemos alterar os valores das séries disponíveis na JAT através da
JG. Basta clicar sobre um grupo que contenha a série que se quer alterar. Aí nos
movemos dentro da JG até as células cujos valores queremos alterar e alteramos.
Automaticamente, a série na JAT também fica alterada. Logo, a JG não é uma planilha
separada da JAT, ela permite atualizar os dados da JAT.

2.3 Gráficos no EViews

O Eviews apresenta uma boa galeria de gráficos. No entanto, esta galeria foi desenhada
mais para os objetivos de viabilizar uma boa análise dos dados e uma eficaz construção
de modelos.

O EViews permite fazer gráficos de uma ou mais séries, com o máximo permitido de 6
séries em único gráfico. Há recursos para se mostrar vários gráficos na mesma janela
(Multiple Graphs). Há ampla facilidade de edição (por títulos, legendas, textos, sobras,
etc.) nos gráficos para sua posterior exportação para uso em documentos criados em
outros softwares, tipo MS–Word.

Com relação à galeria disponível no EViews, os seguintes tipos de gráficos das séries
podem ser feitos:

Line Graph Gráfico de linha. Os valores absolutos das séries são

mostrados ligados por uma linha;

Stacked Line Gráfico de linha, sendo que cada linha é a soma das outras
linhas desenhadas anteriormente. Ou seja, a diferença
vertical entre duas linhas é o valor da série;

Bar Graph Gráfico de Barras. As séries são mostradas como uma

sequência de barras;

Stacked Bar Gráfico de barras, sendo que cada barra é a soma dos
valores das outras séries e cada série é mostrada como
uma pedaço da barra;
 13
Mixed Bar and Line A primeira série é mostrada como um gráfico de barras e
as demais como gráficos de linhas;

Scatter Diagram Diagrama de dispersão entre duas séries. Os pares

ordenados de valores das séries são mostrados como
pontos (desenhados com o símbolo ‘+’).

Fazer um gráfico no Eviews é muito simples. Abra o arquivo EX01.WF1. Selecione a

opção Quick\Graph. Aparecerá a janela Series list, para você informar as séries que vai
desenhar. Digite ‘X Z’, e depois OK. Aparecerá a Janela Graph. Em Graph Type,
selecione o tipo de gráfico (um dos listados acima) que você quer. Inicie pedindo Line
Graph. Digite ‘OK’. Você verá o gráfico a seguir.

50

40

30

20

10

0
00:01 00:03 00:05 00:07 00:09 00:11

X Z

Repita todo o procedimento para desenhar esse gráfico, menos o último passo (digitar
‘OK’). Isto é, você vai parar na janela Graph. Observe nessa janela que, além de poder
selecionar Graph Type, há um botão Show Options. Clique nesse botão. Aparecerá uma
ampla janela com várias opções de configuração do gráfico. Por enquanto, apenas
selecione a opção Normalized.

-1

-2
00:01 00:03 00:05 00:07 00:09 00:11

X Z
 14

As séries X e Z agora aparecem cruzadas. Isso ocorre porque eliminamos o efeito da

escala em que são medidas as séries. Os gráfico de linha das séries normalizadas é
muito útil para compararmos seus padrões de variação ao longo do tempo. Ele é muito
usado na construção de modelos com o EViews.

Deixaremos para os exercícios o aprendizado sobre os outros tipos de gráficos do

EViews e sobre a ampla variedade de opções de configuração de gráficos.

EXERCÍCIOS
2.1 Abra no Excel o arquivo EX02.XLS. Você vai ver 4 séries mensais: Y, X2, X3 e
X4, definidas no período 2000.01–2001.12. Abra um novo arquivo de trabalho no
EViews e copie para dentro dele os dados do arquivo EX02.XLS. Depois, salve o
arquivo de trabalho como EX02.WF1. Realize os seguintes procedimentos:

a) Crie todas as séries do exemplo 2.1, usando a opção Genr.

b) Crie as seguintes séries, usando a opção Genr:

XA = X2>=12 Cria série igual a 1 se X2 ≥ 12 e 0 caso

contrário;
XB = (X2<10)*X2 Cria série igual a X2 se X2<10 e 0 caso
contrário;
XC = (X2<4) AND (X2 >20) Cira série igual a 0 se 4<X2<20 e 1 caso
contrário;
XD = (X2<4) OR (X3<20) Cria série igual a 1 para X2<3 ou X3<20 e 0
caso contrário;
T = @TREND(2000.01) Cria uma série de tendência com 0 em 2000.01
D1 = @SEAS(4) Cria uma variável binária (=1 em abril e 0
outros meses) útil para problemas de
sazonalidade;
TY1 = (Y–Y(–1))*100/Y(–1) Cria série de taxas de crescimento em
percentagem da variável Y;
TY2 = D(Y)*100/Y(–1) Idem;
TY3 = D(Y,1)*100/Y(–1) Idem.

c) Compare T com X2. Qual a diferença entre elas?

2.2 Abra o arquivo EX02.WF1 e realize os seguintes procedimentos.

a) Faça um gráfico de linha das séries Y, X2, X3 e X4 sem nenhuma opção especial.
b) Usando as mesmas séries de a), faça os outros tipos de gráfico disponíveis (faça cada
gráfico numa janela separada para você comparar depois);
c) Repita o exercício a) usando a opção normalized;

2.3 Escolha um dos gráficos que você criou no exercício 2.2. Se tiver fechado a janela
dele, recrie–o. Agora exporte–o para dentro do MS–Word. Faça o seguinte: Na janela d
 15
Gráfico, vá no menu superior e selecione Edit\Copy. Abra o MS–Word e selecione
Novo Documento. Cole o gráfico aí dentro. Veja como ficou.

2.4 Explore os outros recursos de gráfico do EViews. Tente mexer nas opções. Explore
também os botões da Janela de Gráfico, tipo Name, Add Text, Add Shade e Zoom. Veja
o que acontece.

Anexo 2.1: Operadores Utilizáveis em Fórmulas

Os seguintes operadores podem ser usados:

Aritméticos
+ Soma
– Subtração
* Multiplicação
/ Divisão
^ Potenciação
Nota: como de praxe, a ordem de prioridade é potenciação, multiplicação e divisão,
soma e subtração. Para alterar esta ordem de prioridade usa–se parênteses.

Comparativos
> Maior do que; X>Y gera o valor 1 quando verdade e 0 quando falso;
< Menor do que; X<Y gera o valor 1 quando verdade e 0 quando falso;
= Igual a; X=Y gera o valor 1 quando verdade e 0 quando falso;
<> Diferente de;X<>Y gera o valor 1 quando verdade e 0 quando falso;
<= Menor ou igual; X<=Y gera o valor 1 quando verdade e 0 quando falso;
>= Maior ou igual; X>=Y gera o valor 1 quando verdade e 0 quando falso;

Lógicos
AND E lógico; X AND Y vale 1 se ambos X e Y são não–nulos;
OR OU lógico; X OR Y vale 1 se X ou Y é não nulo;

Diversos
D(X) Primeira diferença de X, i.e., X–X(–1);
D(X,n) N–ésima diferença de X,i.e., X–X(–n);
LOG(X) Logaritmo neperiano de X;
DLOG(X) Diferença do logaritmo natural de X; LOG(X)–LOG(X(–1));
DLOG( X,n) N–ésima diferença do logaritmo natural de X; LOG(X)–LOG(X(–n));
EXP(X) Função exponencial
ABS(X) Valor absoluto
SQR(X) Raiz quadrada
SIN(X) Seno
COS(X) Cosseno
RND Número aleatório gerado segundo a distribuição Uniforme(0,1);
NRND Número aleatório gerado segundo a distribuição Normal(0,1);
NA Código de dado faltando ou não–disponível
 16

3. Análise de Regressão Múltipla

3.1 Introdução
Seja R = receita total de vendas, P = preço médio e A = gastos com propaganda.

3.1.1 Equação Teórica: Rt = β 1 + β 2 P2 t + β 3t A

3.1.2 Equação Empírica: Rt = 104 ,79 − 6 ,642 P2 t + 2,984 A

3.2 Regressão Múltipla

3.2.1 Modelo Populacional (Teórico)

Yt = β 1 + β 2 X 2 t + K + β k X kt + ε t

3.2.2 Modelo Amostral (Estimação Estatística)

Yt = βˆ1 + βˆ 2 X 2 t + K + βˆ k X ki + εˆ t

r
Y = {Y1 , Y2 , K, Y N }
 r
Amostras ou Séries de Dados  X 2 = { X 21 , X 22 ,K , X 2 N }
r
 X 3 = { X 31 , X 32 ,K , X 3 N }

3.2.3 Equação Amostral

Yˆ = βˆ1 + βˆ 2 X t + K + βˆ k X ki

3.2.4 Estimadores (Fórmulas de Cálculo e Variáveis Aleatórias)

βˆ1 → β 1 βˆ 2 → β 2 ... βˆ k → β k

3.2.5 Estimativas (Valores Numéricos)

βˆ 1 = 104 ,79 βˆ 2 = − 6,642 2 βˆ3 = 2 ,984

 17

3.4 Relembrando Inferência Estatística

População

Amostra

r
Seja X = { X 1 , K, X N } uma amostra extraída aleatoriamente (representativamente) da
população. Então:

∑X
t =1
t → µ
X =
N

Média Média
Amostral Populacional

3.4.1 Propriedades dos Estimadores

A) Não Enviesamento

B) Eficiência (Precisão)

C) Consistência (Amostras Grandes)

3.4.2 Intervalos de Confiança

|–––––––––––––––––––––|––––––––––––––––––––|
XI X XS

P( X I ≤ µ ≤ X S ) = 1 − α → Nível de Confiança
 18
3.4.3 Testes de Hipóteses

Enunciado do Teste H0 : µ = 3
H1 : µ ≠ 3
Estatística de Teste X −3
tX =
S/ N
Nível de Significância α
Regra de Decisão (t crítico) Se − t C ≤ t X ≤ t C : Aceito H0.
Do contrário: Rejeito H0.
Obs: tC = t (α / 2; N − 1) é tabulado.

Regra de Decisão (P–valor) Se P (| t |≥ t X ) > α : Aceito H0.

Do contrário: Rejeito H0.

3.5 Voltando à Regressão Múltipla

3.5.1 Estimadores de Mínimos Quadrados Ordinários (EMQO)

∠= (X´X) −1 X´Y

 βˆ1  1 X 21 X 31 L X k1   Y1 
ˆ  1 X
β X 32 L X k2  Y 
βˆ =  2  X =  Y = 
22 2

( k×1)  M  ( N ×k ) M M M O M  ( N ×1)  M 
     
βˆ k  1 X 2 N X 3N L X kN  Y N 

3.5.2 Propriedades dos EMQO

Se os Pressupostos Básicos do modelo populacional forem verdadeiros, então os EMQO

são:

A) Não Enviesados
B) Eficientes
C) Consistentes

Logo: EMQO podem ser muito confiáveis ! Por isso, vamos preferí– lo. O EViews
chama EMQO de LS (Least Squares).
 19

3.5.3 Intervalos de Confiança para β ' , β 2 ,K , β k

|–––––––––––––––––––––|––––––––––––––––––––|
β̂ jI β̂ j β̂ jS

P( βˆ jI ≤ β j ≤ βˆ jS ) = 1 − α → Nível de Confiança

Tudo isso para j = 1,...,k.

3.5.4 Testes de Hipóteses para β ' , β 2 ,K , β k

Também conhecidos como testes individuais de significância para as variáveis

explicativas X 2 t ,K , X kt .

Enunciados dos H 0 : β j = 0 ( X j NÃO É significat iva)

Testes Individuais H 1 : β j ≠ 0 ( X j É significat iva)

Estatística de Teste βˆ j
t βˆ =
j
S βˆ
j

Nível de Significância α
Regra de Decisão (t crítico) Se − t C ≤ t ≤ t C : Aceito H0.
β̂ j

Do contrário: Rejeito H0.

Obs: tC = t(α / 2; N − k ) é tabulado.

Regra de Decisão (P–valor) ( j j

)
Se P t < −t βˆ ou t > t βˆ > α : Aceito H0.
Do contrário: Rejeito H0.

Tudo isso para j = 2,...,k.

Note: No caso da constante ( β 1 ) do modelo, a interpretação do teste é um pouco

diferente.

3.6 Qualidade do Ajustamento de Modelos

3.6.1 Grau de Ajustamento
 20

R =
Variação Explicada de Y
2
=
∑ (Yˆ t − Y )2
Variação Total de Y ∑ (Y t − Y )2

R 2 – é o R 2 ajustado para levar em conta graus de liberdade.

Propriedades dos indicadores de grau de ajustamento

R2 R2
Pertence a [0,1]. É menor ou igual ao R 2 e
pode ser negativo.
Sempre aumenta com Aumenta ou diminui com
novas variáveis. novas variáveis.

3.6.2 Teste F

Testa a regressão como um todo, isto é, se as variáveis explicativas tomadas em

conjunto explicam as variações em Y.

Enunciado do Teste H 0 : R 2 = 0   H 0 : β2 = β3 = K = βk = 0
 ⇔ 
H 1 : R 2 > 0   H 1 : pelo menosum dos βs = 0

Estatística de Teste
F=
∑ (Yˆ − Y ) /(k − 1)
i
2

∑εˆ /( N − k )
t
2

Nível de Significância α
Regra de Decisão (t crítico) Se F > FC : Aceito H0.
Do contrário: Rejeito H0.
Obs: FC = Fα (k − 1, N − k ) é tabulado.

Regra de Decisão (P–valor) Se P( f > F ) > α : Aceito H0.

Do contrário: Rejeito H0.

3.6 Algumas Definições Adicionais

N Número de observações para Yt , X 2 t ,K, X kt ;

Y Média da variável dependente Y;
εˆt = Yt − Yˆt Resíduo (t–ésima observação);
N

∑ εˆ
t =1
2
t Soma dos quadrados dos resíduos;
N
S 2 = ∑ εˆt2 ( N − k ) Variância da regressão;
t =1

S = S2 Desvio–padrão da regressão.
 21

4. Regressão Múltipla no EViews

4.1 Dados de Receita Total versus Preço e Propaganda

Crie um Arquivo de Trabalho semanal no EViews começando em 1:1:2001 e
terminando em 1:24:2001. Isso corresponde a um período de 52 semanas. Então,
importe os dados de receita (R) , preço (P) e gastos com propaganda (A) que estão no
arquivo texto PROPAG.DAT. Depois de lidos os dados, não esqueça de salvar o
Arquivo de Trabalho (use o nome PROPAG).

4.2 Rodando uma Regressão

Uma vez lidos os dados para o EViews, vamos rodar um regressão para estimar a
equação teórica. Selecione Quick\Estimate Equation. Aparecerá uma janela denominada
Equation Specification (Especificação de Equação). No primeiro campo em branco que
aparece digite a sequência:

RCPA

Esta sequência informa ao EViews que R é a variável dependente, C é para incluir uma
constante na regressão, P e A são as variáveis independentes. Logo abaixo, onde
aparece Estimation Settings (Configuração da Estimação), selecione a opção LS (que
significa EMQO para o EViews, lembra?). Por default, o EViews preenche o campo
Sample com a data inicial e final (isto pode ser alterado por você). Então, digite ‘OK’.

4.2.1 Janela de Equação

Aparecerá a Janela Equation contendo a seguinte Tela de Resultados:

LS // Dependent Variable is R
Date: 10/01/02 Time: 16:29
Sample: 1/01/2001 12/24/2001
Included observations: 52

Variable Coefficient Std. Error t-Statistic Prob.

C 104.78550 6.48272 16.16382 0.00000

P -6.64193 3.19119 -2.08133 0.04270
A 2.98430 0.16694 17.87689 0.00000
R-squared 0.8670850 Mean dependent var 120.323100
Adjusted R-squared 0.8616600 S.D. dependent var 16.318730
S.E. of regression 6.0696110 Akaike info criterion 3.662550
Sum squared resid 1805.1680000 Schwarz criterion 3.775122
Log likelihood -166.0111000 F-statistic 159.828000
Durbin-Watson stat 2.0407930 Prob(F-statistic) 0.000000

Use a opção Name para salvar essa equação no arquivo de trabalho com o nome EQ1.
 22

4.2.3 Componentes da Tela de Resultados (STAT)

a
LS (1 . linha). Indica o método de estimação utilizado. No caso o
EMQO;
Date: Dia em que foi rodada a regressão;
Time: Horário em que foi rodada a regressão;
Sample: Intervalo ou subamostra dos dados utilizados na
regressão;
Included Observations Número de obervações incluídas (N);
S.E. of regression Erro padrão da regressão (S);
Sum squared resid Soma dos quadrados dos resídos ( Σεˆt2 );
Log–likelihood Valor da função de verossimilhança;
Durbin–Watson stat Estatística de Durbin–Watson para teste de
autocorrelação serial de primeira ordem (DW);
Variable Relação das variáveis explicativas, inclusive a
constante, que foram incluídas no modelo;
Coefficient Relação das estimativas dos coeficientes (inclusive a
constante) das variáveis explicativas ;
Std. Error Estimativas dos desvios–padrão dos EMQO para cada
coeficiente;
t–statistic Relação das estatísticas t calculadas para cada
coeficiente;
Prob. Relação dos valores de prova das estatística t;
Mean dependent var Média da variável dependente (Õ );
S.D. dependent var Desvio padrão da variável dependente ( SY );
Akaike info criterion Critério de informação de Akaike para avaliação de
complexidade de modelos;
Schawrz criterion Critério de Schwarz (critério bayesiano de informação)
para avaliação de complexidade de modelos;
F–statistic Estatistica F calculada;
Prob (F–statistic) Valor de prova para o teste F.

4.2.4 Opções da Janela de Equação

Você perceberá que a Janela de Equação apresenta os seguintes botões de opções.

View,Procs,Objects,Name,Freeze,Estimate,Forecast,Stats,Resids

A seguir, apresentamos uma breve descrição dessas opções:

View Apresenta as seguintes sub–opções:

 23
Representations Mostra diferentes representações da equação estimada;
Estimation Output Repete a Tela de Resultados da Regressão;
Actual, Fitted, Residuals Mostra um gráfico ou uma tabela contendo as séries
observada (Yt ) e ajustada (Yˆt ) para a variável
dependente, bem como a série de resíduos ( ε̂ t );
Covariance Matrix Mostra a matriz estimada de variância–covariância dos
coeficientes do modelo de regressão;
Coefficient Tests Realiza vários testes envolvendo os coeficientes do
modelo;
Residual Tests Realiza vários testes com os resíduos ( ε̂ t );
Statbility Tests Realiza vários testes de estabilidade funcional do
modelo;

Nota: as opções de testes serão vistas à frente na seção de testes de diagnóstico.

Procs Apresenta as seguintes sub–opções:

Specify/Estimate Permite re–especificar a equação e re–estimá–la;
Forecast Permite realizar previsões usando a equação estimada;
Objects Permite realizar várias operações com o objeto equação,
como gravá–la em disco, salvá–la no ou apagá–la do
Arquivo de Trabalho, imprimir ou editar as telas de
resultados;
Print Imprime a tela ativa dentro da Janela de Equação na
impressora;
Name Salva no Arquivo de Trabalho o objeto Equação com um
nome a ser dado pelo usuário;
Freeze Congela a tela de resultados de modo a permitir editá–la.
Estimate Permite re–especificar a equação e re–estimá–la;
Forecast Realiza previsões usando a equação estimada;
Stats Re–apresenta a tela de resultados da equação estimada;
Resids Mostra um gráfico ou uma tabela contendo as séries
observada (Yt ) e ajustada (Yˆt ) para a variável dependente,
bem como a série de resíduos ( ε̂ t ).

4.3 Visualizando o Comportamento do Modelo

A opção Resid é bastante útil para verificarmos visualmente se o modelo ficou bem
ajustado. De um clique sobre ela. Você verá uma nova tela aparecer dentro da Janela de
Equação apresentando um gráfico. Este gráfico está dividido em duas partes:

1º parte: Linhas vermelha e verde. A linha vermelha corresponde à série

observada e a verde à série ajustada. Quanto mais a segunda se
 24
sobrepor à primeira, melhor a equação estimada estará descrevendo
a série observada;

2a. Parte: Linha azul. A linha azul representa os resíduos ( εˆt = Yt − Yˆt ), isto
é, a diferença entre a série observada e a ajustada. Quanto mais
“nervosa” aparentar essa linha, melhor, significa que a parte não
explicada pelo modelo é puramente aleatória.

Quando estiver trabalhando iterativamente no EViews testando várias especificações

diferentes de um modelo, procure sempre usar, junto com a análise das estatisticas da
regressão, o recurso gráfico da opçao Resid. Ela pode lhe ajudar a descobrir coisas
interessantes que irão levar você a melhorar o modelo.

EXERCÍCIOS
4.1. Abra o arquivo de trabalho PROPAG.WF1. Usando R como variável dependente,
estime as seguintes equações, salvando cada uma delas no arquivo de trabalho:

Eq1: P e A como váriáveis explicativas e com constante.

Eq2: P e A como váriáveis explicativas e sem constante.
Eq3: só P como variável explicativa com constante.
Eq4: só A como variáveis explicativas com constante.
r
Responda: Com base no R 2 , qual das equações ficou melhor? Para esta melhor
equação, todas as variáveis estão significativas, inclusive a constante? Os coeficientes
estimados também fazem sentido? Observe ainda para essa melhor equação os gráficos
das séries observada versus ajustada e dos resíduos: O ajustamento visual parece bom?
Salve o arquivo PROPAG.WF1 quando terminar.

4.2. Abra o arquivo de trabalho PROFITS.WF1. Crie agora uma série de tendência
usando o comando Genr e a função @trend(). Dê o nome T a esta série. Observe os
novos números da Tela de Resultados e verifique se o modelo parece estar bom. Tente
Observe também o gráfico das séries observada e ajustada e o gráfico dos resíduos.
Tente usar também a série T^2 e observe os mesmos resultados. Avalie se o modelo
melhorou ou não. Salve o arquivo PROFITS.WF1 quando terminar.

4.3. Ainda no arquivo de trabalho PROFITS.WF1, experimente re–estimar a equação

usando variáveis defasadas. Inclua o componente PROFITS(–1), que corresponde ao
lucro do mês anterior. Verifique se o modelo melhorou, observando os graus de
r
ajustamento R 2 e R 2 . Experimente outras defasagens, como PROFITS(–2) e
PROFITS(–3). Verifique como se comportam as estatísticas.
 25

5. Diagnóstico de Modelos

Um modelo de boa qualidade é um modelo confiável. Para tanto, é necessário que certas
condições sejam satisfeitas. O Diagnóstico de Modelos é a atividade voltada para
verificar se essas condições são válidas para o problema de modelagem que você está
trabalhando.

5.1 Pressupostos Básicos do Modelo de Regressão Múltipla

Como falamos antes, os EMQO são eficientes e consistentes se certas condições forem
satisfeitas. É isso que torna esse método de estimação um método confiável na prática.
Essas condições tomam a forma pressupostos básicos para o modelo verdadeiro ou
populacional.

Pressupostos Básicos
1) O modelo verdadeiro é linear (nas variáveis e nos parâmetros);
2) As variáveis explicativas são independentes do erro aleatório ε e não não
perfeitamente correlacionadas entre si;
3) Pressupostos do erro erro aleatório ε:
a) média nula e variância constante σ 2 ;
b) ε i é não correlacionado com ε j , para i ≠ j .
c) ε i segue uma distribuição normal de probabilidade;

5.2 Propriedades dos MQO

Se os pressupostos básicos forem verdadeiros, à exceção de 3.c), então EMQO é

eficiente dentro da classe dos estimadores lineares. Se também valer a hipótese de
normalidade dos resíduos, EMQO é eficiente dentre todos os estimadores. Além disso,
EMQO é também consistente. Isso tudo signifca, em outras palavras, que:

SE ENTÃO
Pressupostos EMQO é o método mais
Básicos são ========> confiável para se estimar
modelos de regressão.
Válidos

5.3 Autocorrelação Serial (ACS)

É um caso de violação da hipótese 3.b), quando os erros ε t , ε t −1 , ε t −2 , ε t − 3 ,.... apresentam

correlação entre si. Como esse caso é mais comum em séries temporais, em que as
observação têm uma dependência serial, dizemos que os erros são autocorrelacionados,
porque a correlação se dá em geral entre o erro no instante t e os erros passados (t–1,t–
 26
2,....). O caso mais comum é o de autocorrelação serial de primeira ordem (ACS1), que
ocorre quando ε t é correlacionado com ε t −1 .

5.3.1 Consequências

– EMQO continuam não enviesados, mas não são mais eficientes (i.e., há outro
estimador que é eficiente);
– A variância residual S 2 fica enviesada, enviesando também os desvios padrões dos
estimadores . S bˆ , K, S bˆ e consequentemente as estatísticas t respectivas e a estatística
1 k

de teste F.

5.3.2 Testes para ACS

1) Durbin–Watson: Testa a hipótese nula de ausência de ACS1 contra hipótese

alternativa de presença de ACS1, isto é: H 0 : ρ = 0; H 1 : ρ ≠ 0 . Permite ainda indicar se
a ACS1 é positiva ou negativa. O EViews disponibiliza automaticamente esta estatística
para uma equação estimada por EMQO na Tela de Resultados da Janela de Equação.

2) Estatística Q de Ljung–Box: Testa a hipótese nula de que todas as autocorrelações

são nulas até o lag p, isto é: H 0 : ρ 1 = ... = ρ p = 0; H1 : algum ρ j ≠ 0( j = 1,..., p ) . Ela
pode ser calculada para vários valores de p e, portanto, serve para testar para ACS de
várias ordens (não apenas 1, como a DW). Esta estatística segue uma distribuição
χ 2 ( p ) , onde p é o número de graus de liberdade. Para usar este recurso no EViews,
dentro da Janela de Equação, após estimar um modelo usando EMQO, peça
View\Residual Tests\Correlogram Q–statistics.

5.3.3 Correções para ACS

Há vários métodos para se corrigir o problema da ACS.

1) Incluir mais variáveis explicativas: a presença de ACS normalmente se deve a

alguma informação relevante não incluída no modelo, como outras variáveis
explicativas, termos não lineares das variáveis já presentes, e variáveis dependentes e
independentes defasadas;

2) Incluir uma ou mais defasagens da dependente: muitas vezes o que gera a ACS é
alguma forma de inércia no comportamento da variável dependente. Assim incluir
defasagens da mesma resolve em muitos casos;

3) Correção AR(1): envolve o uso do Estimador de Mínimos Quadrados

Generalizados (EMQO) que leva em conta a presença de ACS1 e é o estimador eficiente
no caso de ACS1. Para implementar essa correção no EViews, na hora de especificar a
equação na Janela de Especificação de Equação, adicione o termo AR(1). Por exemplo,
liste Y C X AR(1), que o EViews estima a equação para Y em função de X, com
constante e usando o corretor via AR(1).
 27

4) Correção ARIMA: envolve o uso da especificação ARIMA nos resíduos. É útil

quando a estrutura dinâmica dos erros é envolve ACS de ordem maior do que 1. Sua
utilização no EViews, no caso de estruturas dinâmicas dos erros autorregressivas, é feita
com a adição de mais termos Ars, isto é AR(2), AR(3), etc., além de AR(1). Para mais
detalhes sobre modelos ARIMA (ver, Hill, Griffiths e Judge, 1999, Cap. 16).

5.4 Heterocedasticidade

É um caso de violação da hipótese 3.a). Os erros tem média nula mas a variância não é
mais constante: Var (ε i ) = σ i2 . Heterocedasticidade acontece com frequência em dados
tipo seção–cruzada (não são séries temporais). Entretanto, em tempos recentes o
problema da heterocedasticidade vem aparecendo muito também em séries econômicas
e de negócios, fruto da instabilidade crescente dos sistemas econômicos reais.

5.4.1 Consequências da Heterocedasticidade

Em geral, são muito parecidas com as da ACS.

– EMQO continuam não enviesados, mas não são mais eficientes (i.e., há outro
estimador que é eficiente);
– A variância residual S 2 fica enviesada, enviesando também os desvios padrões dos
estimadores . S bˆ , K, S bˆ e consequentemente as estatísticas t respectivas e a estatística
1 k

de teste F.

5.4.2 Testes para Heterocedasticidade

1) Gráficos: podem ser útil exploratoriamente. O diagrama de dispersão dos resíduos εˆi2
contra cada uma das variáveis explicativas pode sugerir que a variância de ε anda junto
com uma ou mais delas.

2) Teste de Heterocedasticidade de White: Considere o seguinte modelo de regressão:

Yi = a + b2 X + b3 Z + u i

O teste de White realiza, então, a seguinte regressão teste:

u i2 = α 1 + α 2 X i + α 3 Z i + α 4 X i2 + α 5 Z i2 + α 6 XZ + vi

e testa a hipótese nula de que todos os coeficientes α 2 ,K ,α 6 são iguais a zero. Se ela é
aceita, não há heterocedasticidade. Caso contrário há. O resultado do teste é uma
 28

estatística F e uma estatística χ 2 (k ' ) onde k´ é numero de regressores da regressão

teste.

Para usar o teste de White no EViews, peça, após estimar uma equação, a opção
View\Residuals Tests\White heteroskedasticicy. O Eviews oferece duas opções: sem os
termos cruzados tipo XZ na equação acima (no cross terms) e com os termos cruzados
(cross terms). Essa opção é importante porque quando o modelo tem muitas variáveis
explicativas o uso dos termos cruzados aumenta o número de graus de liberdade
perdidos na regressão teste.

5.4.3 Correções para Heterocedasticidade

Há vários procedimentos de correção para heterocedasticidade disponíveis (veja Hill,

Griffiths e Judge, 1999, Cap. 9). O EViews disponibiliza o recurso automático do
estimador de White para desvios–padrão dos estimadores na presença de
heterocedasticidade. Ou seja, para grandes amostras, este procedimento corrige o viés
das estatísticas de teste produzido pela presença de heterocedasticidade. Este
procedimento, porém, não dá estimativas eficientes dos parâmetros verdadeiros, pois
continua–se usando os EMQO para estimá–los.

Para usar esse procedimento no EViews, pressione, dentro da Janela de Especificação

de Equação, o botão Options. Então, marque a opção Heteroskedasticity Consistent
Covariance e o botão White.

5.5 Não–Normalidade dos Erros

È um caso de violação do pressuposto 3.c). Quando isso ocorre, a distribução de

probabilidade dos erros passa a ser outra que não a distribuição normal. Por exemplo,
pode ser uniforme, normal truncada, exponencial, binomial, ou outra.

5.5.1 Consequências da Não–Normalidade

A hipótese 3c) não é essencial para as boas propriedades dos EMQO. Quando ela é
verdadeira, os EMQO são os mais confiáveis (eficientes) dentre todos os estimadores
dos parâmetros de um modelo de regressão. Além disso, quando a amostra é grande, a
lei dos grandes números funciona a favor dos EMQO porque a distribuição destes fica
bem aproximada por uma distribuição normal.

Problemas podem surgir quando a hipótese de normalidade é violada em pequenas

amostras. Nestes casos, não podemos mais garantir que os EMQO são também
normalmente distribuídos. E, consquentemente, também não podemos usar as
estatísticas de teste t e F para implementar verificar a significância individual e em
bloco das variáveis explicativas.
 29

5.5.2 Testes de Normalidade

1) Gráficos: uma forma de verificar visualmente a hipótese de normalidade é usar um

histograma da série de resíduos. Se o histograma lembrar uma distribuição normal (i.e,
for unimodal e aproximadamente simétrica), temos uma confirmação visual.

2) Estatística de Jarque–Bera: serve para testar se a distribuição de uma variável

aleatória qualquer Y é normalmente distribuída ou não, podendo, portanto, ser aplicada
para verificar o pressuposto de normalidade dos erros ε t . A hipótese nula é de
normalidade ( H 0 : ε t é normal ) e, sob essa hipótese, a estatística de Jarque–Bera é
distribuida segundo uma χ 2 ( 2) .

Para usar visualizar o histograma dos residuos e os resultados do teste Jarque–Bera no

Eviews, clique, a partir da Janela de Equação, na opção View\Residual Tests\Histogram
– Normality Test.

5.5.3 Correção da Não–Normalidade

Esta correção é importante no caso de amostras pequenas. Portanto, uma primeira forma
de corrigir o problema é aumentar o tamanho da amostra substancialmente. Quando não
for possível e você tiver de se contentar com amostra pequenas, vários procedimentos
existem, a maioria baseados no uso de alguma forma de transformação da variável
dependente. Por exemplo, no caso de uma variável dependente que só assume valores
positivos, a transformação logarítmica tende a induzir normalidade dos erros em muitos
casos (ver mais em modelos não lineares na próximo seção). Outras transformações
existem, como a classe de transformações de Box–Cox (não serão vistas aqui).

EXERCÍCIOS

5.1 Abra o arquivo CNPEACE.XLS. Este arquivo contém séries anuais de consumo
(CO) e renda (Y) para a economia americana entre 1929 e 1970. Crie um arquivo de
trabalho no EViews para ler esses dados, e depois que os importar, salve o arquivo com
o nome CNPEACE.WF1. Então, estime uma equação, com constante, de CO em função
de Y. Então:
a) Observe a estatística de Durbin–Watson. O que ela sugere?
b) Observe o gráfico dos resíduos (com as série atual e ajustada). O que você percebe de
errado?
c) Oberve o correlograma e as estatísticas Q de Ljung–Box. O que você percebe de
errado?
Salve a equação.

5.2 Experimente re–estimar o modelo do exercício 5.1 comparando as seguintes

alternativas:
 30
a) Usando a variável CO defasada de um período como explicativa. Observe o gráfico
de resíduos , o correlograma e as estatísticas Q. Salve a equação.
b) Adicione um termo AR(1) à equação que você estimou em b) (crie uma nova
equação). Observe o gráfico de resíduos , o correlograma e as estatísticas Q. Salve a
equação.
c) Use agora a variável DG como explicativa no lugar de CO(–1) e AR(1). Observe o
gráfico de resíduos , o correlograma e as estatísticas Q. Salve a equação.

5.3 Crie um arquivo de trabalho não datado com 38 observações. Importe os dados do
arquivo USFOOD.XLS. Esses dados consistem de despesas com alimentação (Y), renda
(X) e numero de moradores por domicílio (N), em uma amostra aleatório de 38
domicílios numa região metropolitana de uma grande cidade americana. Estime usando
EMQO um modelo com Y como dependente, uma constante, e X e N como
explicativas. Salve a equação e, então:
a) Faça o gráfico dos resíduos versus a renda e versus o número de moradores. Esses
gráficos sugerem a existência de heterocedasticidade?
b) Gere a série YF = Y – RESIDS. Faça o gráfico dos resíduos versus YF. Novamente,
esse gráfico sugere a existência de heterocedasticidade?
c) Aplique um teste de White para verificar estatisticamente se há heterocedasticidade.
Use primeiro a opção no cross terms e depois a opção cross terms. O que o teste está
indicando nos dois casos?
d) Agora, estime o modelo usando o estimador de desvios–padrão de White. Salve a
equação. Compare os resultados com o da estimação por MQO feita anteriormente.
e) Você acha que o estimador de White subestima ou sobre–estima a confiabilidade dos
EMQO?

5.4 Abra o arquivo PROPAG.WF1. Execute as seguintes tarefas:

a) Para a séries de receitas (R), faça o histograma e verifique o teste de normalidade de
Jarque Bera.
b) Para a série de preço (P), faça o histograma e verifique o teste de normalidade de
Jarque Bera.
c) Para a série de propaganda (A), faça o histograma e verifique o teste de normalidade
de Jarque Bera.
d) Rode a regressão R C P A. Para a série de resíduos, faça o histograma e verifique o
teste de normalidade de Jarque Bera. Você detectou alguma situação problemática?

5.5 Abra o arquivo CNPEACE.WF1, e clique sobre a equação que você salvou no
exercício 5.1, acima.
a) Para a série de consumo (CO), faça o histograma e verifique o teste de normalidade
de Jarque Bera.
b) Para a série de renda (Y), faça o histograma e verifique o teste de normalidade de
Jarque Bera.
c) Na JAT, clique sobre a equação que você salvou no exercício 1), acima. Para a série
de resíduos, faça o histograma e verifique o teste de normalidade de Jarque Bera.
Você detectou alguma situação problemática?
 31

6. Modelos Especiais

Modelos especiais representam extensões do modelo básico de regressão múltipla que

ampliam bastante nossa capacidade de modelar dados empíricos. Veremos duas
extensões importantes e sua implementação no EViews: variáveis dummy (tanto
(explicativas como dependentes) e modelos não lineares.

6.1 Variáveis Dummy

Servem para medir fatores qualitativos que afetam o comportamento da variável
dependente. Por exemplo, períodos de guerra ou paz numa série temporal, sexo e raça
em dados de corte transversal.

As variáveis Dummy normalmente assuem o valor 0 ou 1, daí serem conhecidas

também como variáveis binárias. Elas podem ser definidas como abaixo:

1 período de guerra
Dt = 
0 período de paz
1 i - ésimo indivíduo é negro
DRi = 
0 i - ésimo indivíduo é de outra raça

1 i - ésimo indivíduo é do sexo masculino

DSi = 
0 i - ésimo indivíduo é do sexo feminino
1 t - ésimo perído é o mês j
DEi ( j ) = 
0 t - ésimo período é outro mês do ano

O último exemplo refere–se às chamadas variáveis dummy sazonais, usadas para captar
padrões sazonais no comportamento da variável dependente.

6.2 Variáveis independentes binárias (Dummy)

6.2.1 Dummy de intercepto

Implicam em mudanças do intercepto do modelo. Por exemplo, seja o modelo de

consumo agregado:

Ct = β 1 + α 1 Dt + β 2 Yt + ε t

onde Y é a renda agregada disponível e Dt vale 1 em períodos de guerra e 0 em períodos

de paz. Isso implica que:

Ct = ( β 1 + α 1 ) + β 2 Yt + ε t modelo para os períodos de guerra

Ct = β 1 + β 2 Yt + ε t modelo para os períodos de paz
 32

Teste de hipótese de interesse:

H 0 : α 1 = 0 (não há diferença nos modelos para os períodos de guerra e de paz)

H 1 : α 1 ≠ 0 (há diferença nos modelos para os períodos de guerra e de paz)

6.2.2 Dummy de inclinação (ou de coeficiente de variável)

Implicam em mudanças no coeficiente da variável quantitativa. Seja uma nova versão

do modelo de consumo agregado:

Ct = β 1 + β 2 Yt + α 2 ( Dt Yt ) + ε t

onde, novamente, Y é a renda agregada disponível e Dt vale 1 em períodos de guerra e 0

em períodos de paz. A variével ( Dt Yt ) é também chamada de termo de interação
(reflete, no caso, interação entre D e Y). Isso implica que:

Ct = β 1 + ( β 2 + α 2 )Yt + ε t modelo para os períodos de guerra

Ct = β 1 + β 2 Yt + ε t modelo para os períodos de paz

Teste de hipótese de interesse:

H 0 : α 2 = 0 (não há diferença nos modelos para os períodos de guerra e de paz)

H 1 : α 2 ≠ 0 (há diferença nos modelos para os períodos de guerra e de paz)

6.2.3 Dummy de intercepto e inclinação

Implicam em mudanças tanto no intercepto e/ou no coeficiente da variável quantitativa.

Seja uma terceira versão do modelo de consumo agregado:

Ct = β 1 + α 1 Dt + β 2Yt + α 2 Dt + ε t

onde, novamente, Y é a renda agregada disponível e Dt vale 1 em períodos de guerra e 0

em períodos de paz. Isso implica que:

Ct = ( β 1 + α 1 ) + ( β 2 + α 2 )Yt + ε t modelo para os períodos de guerra

Ct = β 1 + β 2 Yt + ε t modelo para os períodos de paz

Esse modelo é mais geral e permite alterações concomitantes no intercepto e no

coeficiente da renda Y. Note que ele engloba os dois modelos anteriores como caso
particulares: se α 1 = 0 , então só há mudança no coeficiente de Y; se α 2 = 0 , então só há
mudança no intercepto.

Testes de hipótese de interesse:

 33
H 0 : α 1 = 0 (não há diferença nos interceptos de cada período)
H 1 : α 1 ≠ 0 (há diferença nos interceptos de cada períodos)

H 0 : α 2 = 0 (não há diferença nos coeficientes de Yt para cada período)

H 1 : α 2 ≠ 0 (há diferença nos coeficientes de Yt para cada período)

H 0 : α 1 = α 2 = 0 (não há diferença nos modelos de cada período)

H 0 : α 1 e/ou α 2 = 0 (há diferença nos modelos de cada período)

6.2.4 Variáveis Dummy no EViews

Usar variáveis dummy no Eviews é muito fácil. Elas podem ser entradas pelo teclado,
através da JG, usando–se a opção Quick\Empty Group (Edit series), porém esse
dispositivo só é útil quando temos poucos dados. Para grandes números de observações,
elas podem ser definidas por fórmula usando a opção Genr da JAT ou dentro da JG (ver
seção 2 desta apostila). No primeiro caso, é preciso cuidar para as definições dos
intervalos em uso (sample). Vejamos três exemplos.

Exemplo 6.1: Abra o arquivo EX01.WF1. Queremos gerar uma variável dummy D1 que
vale 0 nos meses do 1º semestre e vale 1 nos meses do 2º semestre. Seguiremos dois
estátios.

1º Estágio Clique na opção Genr. No campo Enter Equation, digite

‘D1 = 0’. Deixe o campo Sample como está (2000:01
2000:12). Dê ‘OK’. Você terá criado uma variável que vale
zero para todas as observações.

2º Estágio Clique de novo na opção Genr. No campo Enter Equation,

digite agora ‘D1=1’. No campo Sample, defina o intervalo de
meses do segundo semestre (2000:07 a 2000:12). Dê ‘OK’.
Clique na variável D1 na JAT e veja o resultado.

Exemplo 6.2: O uso de fórmulas com operadores comparativos e lógicos também

permite gerar variáveis dummy, como segue:

D1 = Z>20 Gera D1 = 1 se Z > 20 e D1 = 0 do contrário.

D2 = (Y<15) OR (Y>30) Gera D2=1 se Y <15 ou se Y>30 e D2=0 do

contrário
D3 = (Z>=15) AND (Z<=40) Gera D3 = 1 se (15 <= Z<= 40) e D3=0 do
contrário
Veja mais sobre operadores comparativos e lógicos no Anexo 2.1

Exemplo 6.3: Função @SEAS para geração de dummy sazonal.

D1 = @SEAS(1) Cria variável dummy que vale 1 todo mês de Janeiro ou

todo 1º trimestre do ano
 34
D4 = @SEAS(4) Cria variável dummy que vale 4 todo mês de abril ou
todo 4º trimestre do ano, e 0 nos outros meses ou
trimestres.

Uma vez criada uma variável dummy, ela pode ser usada numa equação a ser estimada
via EMQO ou qualquer outro método disponível no EViews.

6.3 Variáveis dummy dependentes

Nesse tipo de modelo de regressão, a variável dependente só assume o valor 0 ou 1.

Suas aplicações serão úteis quando você estiver interessado em modelar o
comportamento de escolha individual entre 2 alternativas: por exemplo, comprar ou não
comprar um certo produto, ir de carro ou de ônibus ao trabalho, votar ou não votar em
certo candidato, etc. Esses modelos, na verdade, servem para estimar a probabilidade
condicional de ocorrência de um evento. O condicionamento é em relação a variáveis
explicativas.

6.3.1. Modelo Linear de Probabilidade (MLP)

Yi = Pi + ε i

Pi = E (Yi | X i ) = β 1 + β 2 X i

Exemplo 6.4:
1 comprar um carro da marca A
Yi = 
 0 comprar um carro de outra marca
X t = Idade do t–ésimo indivíduo

Interpretação: Pi = probabilidade de um indivíduo com a idade Xt comprar o carro da

marca A

β 1 = parcela da probabilidade que independe da idade;

β 2 = dPi dX i = efeito marginal da idade sobre a probabilidade de um indivíduo
comprar um carro da marca A

Estimação: aplica–se mínimos quadrados ordinários para se achar a equação empírica.

Pˆi = βˆ1 + βˆ 2 X

Limitações do MLP:
 35
– a probabilidade estimada pode ser negativa ou maior que 1 (100%) para
determinados indivíduos (o que é logicamente impossível !);
– o modelo embute heterocedasticidade;

6.3.2 Modelos Logit e Probit

Para contornar o problema de P̂i poder ficar fora do intervalo [0,1] (ou [0%,100%]),
usa–se um modelo não–linear, como segue:

Yi = Pi + ε i

Pi = F ( β 1 + β 2 X )

Onde F(,) é uma transformação ou função não–linear de β 1 + β 2 X cujo domínio é o

intervalo ( −∞ , ∞ ) e contradomínio o intervalo [0,1]. Há duas opções muito usadas para
essa transformação:

eβ +β X
1 2

Logística Pi =
1 + eβ +β 1 2X

1
β1 +β 2 X 1 − z
Normal–padrão acumulada Pi = ∫ e 2
dz
−∞
2π

eβ +β X
1 2
dP i

β2 β +β X 2
= i efeito marginal da idade sobre a probabilidade de um
(1 + e 1
) dX i
2 i

indivíduo comprar o carro da marca A

 36
β 2 N ( β 1 + β 2 X | 0 ,1) efeito marginal da idade sobre a probabilidade de um
indivíduo comprar um carro da marca A

Modelo Logit : Usa a transformação logística para modelar Pi

Modelo Probit: Usa a transformação normal–padrão cumulativa para

modelar Pi

Estimação : Ambos são estimados pelo Método de Máxima

Verossimilhança (MMV)

Os modelos de escolha discreta também podem ser usados com várias variáveis
explicativas, inclusive outras variáveis dummy.

6.3.3 Modelos MLP, Logit e Probit no EViews

Crie um novo arquivo de trabalho não–datado com 21 observações. Importe os dados do

arquivo ESCOLHA.XLS para dentro desse arquivo de trabalho. Salve o último com o
nome ESCOLHA.WF1.

Os dados que você acabou de importar se referem a escolhas (Y) de indivíduos entre ir
de ônibus (Y=0) ou de carro (Y=1) para o trabalho. A variável independente (X) é a
diferença de tempo entre ir de ônibus (TO) ou de carro (TA), para cada indivíduo.

Para o modelo MLP, simplesmente estime uma equação como aprendido anteriormente.
Nomeie a equação estimada como EQMLP.

Para o modelo logit, selecione Quick\Estimate Equation. Ao abrir a JEE, entre as

variáveis dependente e independente usando uma constante, isto é, digite: ‘Y C X’.
Depois, selecione a opção Logit, clicando sobre o losango respectivo. Clique ‘OK’, e
depois salve a equação estimada como EQLOGIT.

Para o modelo probit, proceda da mesma forma. Nomeie a equação estimada como
EQPROBIT.

Note que a Tela de Resultados (STAT) nos dois últimos casos, modelos logit e probit, é
um pouco diferente da tela correspondente no caso do método LS. Abaixo,
reproduzimos essa tela para o modelo probit.
 37

PROBIT // Dependent Variable is Y

Date: 10/05/02 Time: 22:44
Sample: 1 21
Included observations: 21
Convergence achieved after 4 iterations

Variable Coefficient Std. Error t-Statistic Prob.

C -0.064434 0.39924 -0.161392 0.8735

X 0.029999 0.010286 2.916347 0.0089

Log likelihood -6.165158

Obs with Dep=1 10
Obs with Dep=0 11

Variable Mean All Mean D=1 Mean D=0

C 1.00000 1.00000 1.00000

X -1.22381 44.32 -42.62727

Note que o cabeçalho e a tabela relativa a equação estimada são semelhantes ao caso
LS. Mas várias outras estatísticas não estão disponíveis aqui. Abaixo da equação
estimada, o EViews informa o valor máximo da log verossimilhança (log likelihood), o
número de observaçãoes de Y que são 1 (Obs with Dep=1) e 0 (Obs with Dep=0),
respectivamente, e mostra outra tabela com as médias da constante e das variáveis
independentes, considerando três situações: com todas as observações (Mean all), com
as observações para as quais Y=1 (Mean D=1) e com as observações para as quais Y=0
(Mean D=0).

6.4 Modelos Não–Lineares

Há uma ampla literatura sobre modelos de regressão não lineares. Por exemplo, o
modelo de consumo agregado com termo de interação que vimos antes é um exemplo de
modelo não linear. Os modelos logit e probit também. Veremos aqui, além desses,
apenas dois tipos de modelos não lineares que são muito usados na prática: o modelo
log– log (às vezes chamado também de modelo log–linear) e o modelo log– lin.

6.4.1 Modelo Log–Log

Neste tipo de modelo, as variáveis dependente e independente são transformadas em

logaritmo antes de serem usadas no modelo de regressão. Considere o modelo de
consumo agregado novamente. Num formato log– log, esse modelo ficaria representado
como:

ln Ct = β 1´ + β 2´ ln Yt + ε ´t
 38
Este modelo têm basicamente duas utilidades. A primeira é que, em pequenas amostras,
a distribuição de probabilidade para a variável dependente e o termo aleatório ε ´t fica
melhor aproximada por uma variável normalmente distribuída. Perceba que C só
assume valores positivos, ao passo que lnC pode assumir valore positivos ou negativos.

A segunda utilidade, e talvez a mais importante pois atua em pequenas e grandes

amostras, é o fato de que o coeficiente de lnY pode ser interpretado como uma
elasticidade–renda do consumo, isto é:

Variação Percentual de C
β ´2 =
Variação Percentual de Y

Isto é um produto do modelo log– log: os parâmetros passam a se constituir em

elasticidades e não em meros coeficientes de sensibilidade. Isso é útil para economistas
e administradores, em particular, que usam muito o conceito de elasticidade.

6.4.2 Modelo Log–Lin

Este modelo é similar ao anterior, com a diferença de que só a variável dependente é

transformada em logaritmo:

ln Ct = β 1´´ + β ´´2 Yt + ε ´´t

Este caso também tem a vantagem de permitir uma melhor aproximação da distribuição
da variável dependente pela distribuição normal, o que é útil sobretudo em pequenas
amostras. O coeficiente da renda Y, neste caso, é dado por:

Variação Percentual de C
β ´´2 =
Variação Absoluta de Y

EXERCÍCIOS

6.1 Abra o arquivo CNPEACE.WF1. Repare que há na JAT uma equação que você
estimou anteriormente, usando CO em função de uma constante e de Y. Realize os
seguintes procedimentos:
a) Abra essa equação e observe novamente os resultados, inclusive o gráfico dos
resíduos e da série ajustada;
b) Defina uma variável dummy (chame–a de DG) que assume o valor 1 nos anos da 2ª
Guerra Mundial (1941–1945) e 0 nos demais anos.
c) Em uma nova janela, estime outra equação adicionando DG ao rol de variáveis
independentes. Analise os resultados, inclusive o gráfico dos resíduos e da série
ajustada. Salve essa equação (com nome diferente do usado na primeira), e compare
com a primeira;
 39
d) Em uma nova janela, estime outra equação adicionando também um termo de
interação DG*Y ao rol de variáveis independentes. Analise os resultados, inclusive o
gráfico dos resíduos e da série ajustada. Salve essa equação (com nome diferente do
usado na primeira), e compare com as anteriores;
Salve o arquivo CNPEACE.WF1.

6.2 No Excel, abra o arquivo METRICS.XLS, que contem, para 50 economistas, dados
de: salários anuais em dólares (SALARY), sexo (variável dummy SEX = 1 para
masculino, 0 para feminino), um índice de performance no trabalho (GPA) e um
indicador de formação especializada em econometria (variável dummy METRICS = 1
para especializado, 0 para não especializado), e tempo de experiência (TEXP). Crie no
EViews um arquivo de trabalho não datado para 50 observações, e importe os dados.
Salve o arquivo com o nome de METRICS.WF1. Realize os seguintes procedimentos:
a) Estime uma equação por MQO considerando SALARY como dependente, uma
constante, e as demais variáveis como independentes. Analise os resultados,
inclusive o gráfico dos resíduos e da série ajustada. Salve essa equação;
b) Estime nova equação em nova janela, incluindo dois termos de interação:
SEX*TEXP e METRICS*TEXP. Salve a equação. Verifique se o modelo melhorou
(use alguns testes de diagnóstico, sobretudo para heterocedasticidade);
c) Com base na última equação, responda:
– qual a equação empírica para determinação do salário dos homens?
– qual a equação empírica para determinação dos salários das mulheres?
– qual a equação empírica para determinação dos salários dos homens sem
especialização em econometria?
– qual a equação empírica para determinação dos salários das mulheres com
especialização em econometria?
Analise os resultados, inclusive o gráfico dos resíduos e da série ajustada. Salve essa
equação (com nome diferente do usado na primeira), e compare com a primeira;

6.3 Abra o arquivo ESCOLHA.WF1.

a) Calcule, para cada equação estimada, as seguintes probabilidades de um indivíduo ir
de carro (Y=1), ao invés de ônibus (Y=0) , para o trabalho:
– quando X = – 100;
– quando X = –15,
– quando X = 0 ;
– quando X = 20,
– quando X = 50;
b) Faça uma tabela (use o Excel) mostrando os resultados para cada situação do item b).
Aponte as situações em que há resultados ilógicos, e as situações em que a
probabilidade estimada é 0 ou 1. Analise as diferenças entre os resultados para o
modelo logit e o probit.
c) Se o governo local fizer uma reforma no sistema viário que diminua 15 minutos, em
média, o tempo de ir de carro, qual o aumento esperado sobre a probabilidade de um
indivíduo ir de carro? Use os três modelos para responder isso e analise as diferenças.
Salve o arquivo ESCOLHA.WF1.
 40

6.4 (Adaptado do exercício 9.9 de Hill, Griffits e Judge (1999)) O arquivo VOTE.XLS
contém dados reais sobre o resultado da votação, por estado, da eleição presidencial de
1976 nos Estados Unidos, disputada por Jimmy Carter (democrata) e Gerald Ford
(Republicano). As variáveis nesse arquivo são:
DEM = número de votos recebidos pelo candidato democrata;
REP = número de votos recebido pelo candidato republicano;
INC = renda média em 1975;
SCHOO = número mediano de anos de escolaridade completados por pessoas
com 18 anos de idade ou mais;
URBAN = porcentagem da população que vive em área urbana;
REGION = 1 para nordeste,; 2 para sudeste; 3 para centro–oeste e centro–sul; 4
para regiões do oeste e das montanhas;
a) Crie um arquivo de trabalho apropriado no EViews com nome de VOTE.WF1 e
importe os dados. Defina uma variável dependente Y que tome o valor 1 se o voto
popular foi a favor do candidato democrata e 0 se a favor do candidato republicano.
b) Estime um modelo probit para o resultado da votação, utilizando as variáveis
explicativas INC, SCHOO e REGION. Discuta o modelo ajustado.
c) Calcule o efeito sobre a probabilidade de o estado votar no candidato democrata, em
face de um aumento de 1.000 dólares na renda média para o caso dos Estados da
Louisiana, Oklahoma e Califórnia. (Use o Excel).

6.5 Abra novamente o arquivo CNPEACE.WF1. Experimente estimar novas equações

usando as especificações log– log e log–lin. Analise os resultados e procure verificar em
que medida você pode dizer que os modelos ficaram melhores ou não.
 41

7 Previsão

A palavra “previsão” em estatística e econometria significa a utilização de um modelo

para a previsão de valores de uma variável, em geral aleatória. Se o modelo for um
modelo de regressão, a variável sendo prevista é a variável dependente. Como veremos,
para prever esta variável com o modelo de regressão, precisamos estabelecer cenários
para as variáveis explicativas.

Considere que você tem em mãos a seguinte equação estimada.

Yˆt = 21,3 + 0 ,79 X t

Lembre–se que você achou o intercepto 21,3 e o coeficiente 0,79 (de X) usando uma
amostra de N dados para Y e X. Vejamos, então, alguns conceitos.

7.1 Previsão Fora da Amostra

Refere–se ao uso da equação empírica para prever Y dado um valor de X que não estava
na amostra que você usou para achar a equação empírica.

Yˆo = 21,3 + 0 ,79 X o

O subscrito “o” indica que o valor de X é out of sample (fora da amostra), logo é um
valor de X diferente de Xi , para i = 1,...,N.

7.2 Previsão Futura (Forecasting)

É um caso particular de previsão fora da amostra. A Previsão Futura se aplica quando

nossos dados são séries de tempo, como as vendas trimestrais ou o consumo anual. Este
caso envolve o uso de valores futuros (fora da amostra) para X que serão usados para
prever Y. Assim, você pode escrever:

Yˆt +1 = 21,3 + 0,79 X t +1 Previsão um passo (one step) a frente.

Yˆt +2 = 21,3 + 0,79 X t +2 Previsão dois passos (two steps) a frente

Yˆt +l = 21,3 + 0,79 X t +l Previsão l passos ( l steps) a frente

Quando t = N, isto é, quando t é igual ao último valor disponível da série de tempo

(último mês, semana, ano, etc.), então as equações acima representam previsões futuras
de Y com o modelo de regressão.
 42

7.3 Previsão Intervalar

Os exemplos de previsão considerados acima são todos do tipo previsão pontual. Ou

seja, a aplicação direta do modelo estimado (equação empírica) nos dá um único
número (um ponto) previsto para Y. Para embutir incerteza na previsão feita, usamos
previsões intervalares de Y. Ou seja construímos intervalos de previsão, que nada mais
são do que intervalos de confiança da previsão de Y, como segue:

|–––––––––––––––––––––|––––––––––––––––––––|
Yˆ0 I Yˆo ŶoS

P(YˆoI ≤ Yo ≤ YˆoS ) = 1 − α → Nível de Confiança

Note que a figura acima representa genericamente a previsão intervalar fora da amostra.
Logo, ela também pode representar previsão intervalar futura. Basta substituirmos o
subscrito o por t + l .

7.4 Previsão no EViews

Fazer previsões no EViews é muito fácil. Uma vez que (pelo menos) uma equação tenha
sido estimada, você pode usá–la para computar as previsões, tanto pontuais como
intervalares. Dois cuidados têm de ser tomados, porém:

1. Você precisa incluir valores fora da amostra para as variáveis explicativas (o

EViews não faz isso por você !).

2. Você tem que se assegurar de que a equação default da JAT seja a equação que
você quer usar para prever (basta estar dentro de uma janela de equação).

7.4.1 Expandindo o Range

Para incluir novos valores das variáveis explicativas no EViews você tem de usar a
opção de expandir o Intervalo Disponível (Range).

1. Na JAT, selecione Procs\Expand Range.

2. Informe o novo Range

Exemplo: 2000:1 2000:12 (antigo Range com 12 meses)

2000:1 2001:6 (novo Range com mais 6 meses)

Os valores fora da amostra para as variáveis explicativas são incluídos nas próprias
séries. Para isso, depois de expandir o Range como acima, proceda da seguinte forma:

1. Clique duas vezes na JAT sobre a opção Sample, que corresponde ao Intervalo em
Uso.
 43
2. Defina–o como igual ao novo Range.
3. Entre os novos dados pelo teclado (use Show, listando todas as variáveis
explicativas, e a opção Edit +/–).

7.4.2 Opção Forecast

Agora, você pode usar diferentes equações para fazer as previsões. A partir da JAT,
estime uma nova equação ou clique duas vezes sobre uma equação que você salvou
anteriormente. Isso faz com que a equação default da JAT se torne, automaticamente,
aquela cuja Janela de Equação está aberta diante de você (para checar qual é a equação
default a qualquer momento, verfique no canto superior direito da JAT, onde está
escrito default equation).

1. De dentro da Janela de Equação, selecione a opção Forecast.

2. Será aberta a Janela Forecast. Informe:

Forecast Name O nome da série que você quer guardar as previsões

(por exemplo YF).
S.E. (optionally) Opcionalmente, o nome de uma série onde serão
armazenados os desvios–padrão das previsões (por
exemplo SF).
Sample range for forecast Intervalo de períodos onde você quer prever (por
exemplo 2001:01 2001:6), ou, de modo equivalente,
o interalo do Range onde estão os valores fora da
amostra para as variáveis explicativas.
Method A opção de método de previsão (prefira sempre
Dynamic)
Do a graph Opcionalmente, se você quer um gráfico
Forecast evaluation Realiza uma avaliação das previsões quando no
intervalo informado (sample range) estiverem
incluídas observações dentro da amostra (logo não
funciona quando só estão sendo usados dados fora
da mostra).

Depois de selecionadas as opções acima, clique em OK. O resultado será um gráfico de

linha, com as previsões pontuais numa linha azul e as intervalares representadas por
duas linhas vermelhas tracejadas em torno da linha azul. As linhas tracejadas
correspondem a previsão Ŷ0 mais ou menos 2 desvios–padrão.
 44

Exercícios
7.1 Abra o arquivo PROPAG.WF1. Note que os dados amostrais se referem ao ano de
2001 (se encerram na última semana do ano). No período compreendido pelas quatro
primeiras semanas de 2002, considere os seguintes cenários alternativos para a política
de preço e gastos de propaganda a ser adotada pela cadeia de lanchonetes:

Cenário 1

Semana Iniciada Preço (P) Gastos c/Propaganda (A)

em ... em R$ em R$ mil
31 de Dezembro de 2001 2,3 9,7
7 de Janeiro de 2002 2,2 9,7
14 de Janeiro de 2002 2,1 9,7
21 de Janeiro de 2002 2,0 9,7
Nota: Neste cenário, o preço a ser praticado é reduzido progressivamente e os gastos
com propaganda ficam constantes e moderados (iguais à média das últimas quatro
semanas).
Cenário 2

Semana Iniciada Preço (P) Gastos c/Propaganda (A)

em ... em R$ em R$ mil
31 de Dezembro de 2001 2,36 11
7 de Janeiro de 2002 2,36 12
14 de Janeiro de 2002 2,36 13
21 de Janeiro de 2002 2,36 14
Nota: Neste cenário, o preço a ser praticado é mantido o mesmo nas quatro semanas, e
igual ao praticado na última semana de 2001; os gastos com propaganda, por sua vez,
são progressivamente incrementados.

Usando a equação que você estimou no capítulo 4 (EQ1), faça previsões condicionais
das receitas de vendas para ambos esses cenários. Para tanto, siga os seguintes passos.

1. Expanda o Range para incluir as 4 semanas de 2002 (lembre–se que o formato

padrão de datas no EViews é M/D/A, logo: Start date: 1:01:2001; End date: 1:21:2002)
2. Ajuste o Intervalo em Uso (Sample) para 12:31:2001 a 1:21:2002
3. Para o Cenário 1, crie as variáveis P1 = P e A1 = A (ambas são criadas como ‘NA’).
Use Show para mostrar P2 e A2 e então a opção Edit +/– para entrar os dados.
4. Para o Cenário 2, crie as variáveis P2 = P e A2 = A (ambas são criadas como ‘NA’).
Use Show para mostrar P1 e A1 e então a opção Edit +/– para entrar os dados.
5. Para fazer as previsões de R segundo o Cenário 1:
a) abra a equação EQ1;
b) use a opção Forecast (informe o nome da série a ser prevista como R1, o da série
de desvios– padrão da previsão como SF1, e escolha a opção Do Graph);
c) Depois que aparecer o gráfico, vá na JAT e use Show para mostrar os resultados
numéricos (na Janela de Show, peça R1 SF1 (R1–2*SF1) (R+2*SF1);
 45
6. Proceda de forma análoga para fazer as previsões de R segundo o Cenário 2:
a) abra a equação EQ1
b) use a opção Forecast (informe o nome da série a ser prevista como R2, o da série
de desvios– padrão da previsão como SF2, e escolha a opção Do Graph);
c) Depois que aparecer o gráfico, vá na JAT e use Show para mostrar os resultados
numéricos (na Janela de Show, peça R2 SF2 (R2–2*SF2) (R+2*SF2);

Qual dos dois cenários se mostra mais interessante para incrementar as receitas de
vendas? Considere os impactos dos custos com propaganda em sua resposta.

Nota: lembre–se que você pode salvar os resultados numéricos numa planilha em
formato Excel, o que irá lhe permitir usar os dados previstos em relatórios.

7.2 Repita os itens a) e b) do exercício 6.3 usando agora apenas o EViews (isto é, sem
usar o Excel).
 46

CONSTRUÇÃO DE MODELOS

Basta conhecer as técnicas de análise de regressão para se construir um bom modelo

para previsão ?

R: Infelizmente, não

Fase de Preparação

1. Conceituação do Modelo (Teoria)

→ Variáveis relevantes do fenômento/problema

→ Status das variáveis: se dependentes ou independentes

→ Sinal esperado dos coeficientes

Exemplo: Modelo de previsão de vendas

VENDASt = a + bRENDAt + cPRECOt + εt

a, b > 0 c<0

2. Dados

indicadores para as variáveis (p. ex.: INPC para Inflação, Consumo de energia elétrica
para Nível de Atividade, etc.)

periodicidade (modelo mensal, trimestral, etc.)

Tamanho da amostra (ou da série)

3. Análise Inicial dos Dados

→ Análise gráfica (plotagem dos dados ou das séries)

→ Checar presença de valores atípicos (outliers) e corrigir

→ Estatísticas descritivas

FASE DE ESTIMAÇÃO E DIAGNÓSTICO

4. MODELOS TENTATIVOS
→ Estimar o modelo (com todas as variáveis na 1a vez)
 47
→ Checar coeficientes (sinal e magnitude)

→ Checar significância das variáveis independentes

→ Checar grau de ajustamento

→ Análise gráfica (ajustado x realizado e resíduos)

→ Exluir a variável insignificante com menor estatística T

→ Repetir todos procedimentos acima

6. MODELO FINAL
→ Repetir o ciclo acima até encontrar um modelo, com:

a) todas as variáveis significativas;

b) todos os coeficientes consistentes;
c) grau de ajustamento satisfatório.

7. ALTERNATIVAS
→ Se o modelo não ficar satisfatório, tente procedimentos alternativos, como:

a) incluir variáveis defasadas;

b) usar variáveis em logaritmo;
c) outros.
→ Repita o processo interativo dos itens 4 e 5.
 48
8. DESEMPENHO PREDITIVO

Método 1: faça previsões com o modelo e procure “sentir” se não está havendo
algum tipo de exagero nos números gerados. Se estiver, reconduza a análise.
Caso contrário, pode começar a usar o modelo.

Método 2: Antes de começar a construir o modelo, divida a série em dois

intervalos de períodos, reservando os dados do segundo intervalo (períodos mais
recentes) para fazer testes de previsão. Estimar um modelo usando dados apenas
para o primeiro intervalo. Depois, faça previsões para os períodos do segundo
intervalo e calcule a média dos erros de previsão. Este procedimento é util para a
comparação entre modelos, pois:

“Nem sempre o modelo que ficou melhor estimado é o que irá gerar as melhores
previsões”

Complemente este método com o método 1 e você provavelmente irá achar um

bom modelo de previsão !

Bibliografia

Hill, C., Griffiths, W. e Judge, G. (1999). Econometria. São Paulo: Ed. Saraiva.

QMS (1995). EViews: User’s Guide (v. 2.0). Irvine: QMS.