Trabalho de Econometria II - Análise de Regressão Linear da Produção de Automóveis

PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FACULDADE DE ECONOMIA ADMINISTRAÇÃO CONTÁBEIS E ATUARIAIS RA00223714 Trabalho de Econometria II 1 Modelo e análise 10 025 2 Normalidade 15 0 3 Viés do modelo 15 0 4 Viés de especificação 30 0 5 Multicolinearidade 30 025 Nota 05 SÃO PAULO 2022 Base de dados A base de dados consiste em dados mensais da produção de automóveis como variável dependente As suas variáveis explicativas são o nível de crédito o nível de salário e o preço do aço Modelo linear Na imagem 1 conseguimos ver a saída do eviews para uma regressão linear da produção versus as variáveis explicativas A um nível de confiança de 95 todas as variáveis explicativas e a constante se mostraram significativas Apesar da constante ter um valor negativo a representação atual do modelo não é coerente para o cenário em que todas as variáveis explicativas são zero Dessa forma esse valor negativo pode ser explicado com a presença de outras variáveis que impactam a variável de interesse Para as variáveis explicativas o sinal de todos os coeficientes foi positivo Indicando uma relação direta entre as variáveis se uma aumenta a outra também irá O maior coeficiente foi o da variável credito uma explicação para esse maior coeficiente pode ser pelo fato de que a disponibilidade de crédito pode afetar tanto a oferta quanto a demanda de carros Em contrapartida salario só afeta a demanda e precoaco só impacta a oferta A justificativa teórica tem que ocorrer antes da coleta de dados amostrais Você não fez as justificativas Imagem 1 Normalidade Residual Analisando o histograma dos resíduos visualmente a série aparenta seguir uma distribuição normal Essa percepção é comprovada pelo teste Jarque Bera Imagem 2 cujo pvalor foi inferior a 5 então podemos tratar a distribuição da série de resíduos como normal Não É exatamente o contrário Se você tivesse apresentado as hipóteses a serem testadas veria que a hipótese nula da normalidade seria rejeitada a 5 Imagem 2 Viés do Modelo A forma funcional do modelo gerado é linear nos parâmetros assim como podemos ver na imagem 3 A base de dados trabalhada não se trata de uma amostra e sim de toda a população por conter todos os dados mensais da faixa de tempo estudada Você precisa voltar a estudar estatística para saber diferenciar população de amostra A população é objeto de análise da teoria econômica valendo para qualquer realidade e época desde que dentro de um sistema capitalista de produção Já a amostra é uma parte desse todo logo quando se adota um período de análise em uma localidade específica para estudo estamos investigando uma amostra da população Dessa forma a hipótese de amostragem aleatória é de certa forma confirmada Que conclusão é essa O que isso significa Imagem 3 Viés de Especificação do Modelo É notória a falta de algumas variáveis explicativas que ajudariam a melhorar a performance da regressão Exemplos para essas variáveis seriam dados passados de vendas de automóveis nível de atividade econômica evolução do uso de outros meios de transporte alternativos níveis de impostos venda de veículos seminovos e usados interesse em aluguel de carros e aplicativos de motorista Com o uso dessas variáveis e mais outras ainda se possível é possível desenvolver um modelo com menor correlação entre as variáveis e melhor poder explicativo Com um R 2 superior a 89 a chance destas variáveis que você relaciona serem redundantes às constantes no modelo é imensa Então a ausência não é tão notória assim Talvez substituição de variáveis explicativas mas como você não apresentou inicialmente a justificativa causal para o comportamento esperado entre as variáveis explicativas propostas e a dependente não há como avaliar a necessidade das variáveis citadas por você Em termos quantitativos temos o Rquadrado visível na Imagem 1 sendo de quase 90 uma valor consideravelmente alto mas que não pode ser considerado como parâmetro para determinar se o modelo é bom ou não pois uma alta especificidade pode fazer com que o modelo não seja flexível para lidar com novos dados O que você entende por alta especificidade Mas o teste de hipótese de significância do modelo proposto pode definir a significância e confiabilidade do modelo caso atendidos todos os pressupostos de estimação Multicolinearidade Como é possível verificar na Imagem 4 há uma correlação considerável entre as variáveis explicativas entretanto como regra de bolso é possível afirmar que não havendo correlações maiores do que 07 ou menores do que 07 o problemas não sofre de multicolinearidade Um destaque para a única correlação negativa credito salario a qual pode ser percebida num cenário de menor taxa de juros a qual facilita a obtenção de crédito mas também movimenta e aquece a economia impulsionando a inflação a qual por sua vez reduz o poder de compra dos trabalhadores A investigação deste pressuposto ausência de multicolinearidade problemática não é assim que deve ser abordado Sua violação é sintomática e portanto caso não haja esses sintomas no modelo o pressuposto está atendido e não deve ser investigado haja vista todos os modelos econométricos terem multicolinearidade Imagem 4 Considerações Finais Após análise das suposições podemos dizer que os estimadores gerados no MQO em questão são bons Entretanto ainda caberia fazer testes para endogeneidade e heterocedasticidade e caso necessário fazer os ajustes necessários ao modelo Efetivamente o modelo apresenta problema de viés de especificação que gera não normalidade residual afetando totalmente sua interpretação e utilização