Variável endógena O que é uma variável endógena Uma variável endógena é uma classificação de uma variável gerada por um modelo estatístico que é explicada pelas relações entre funções dentro do modelo. Por exemplo, o preço de equilíbrio de um bem em um modelo de oferta e demanda é endógeno porque é definido por um produtor em resposta à demanda do consumidor. É o oposto de uma variável exógena. As variáveis endógenas são importantes na modelagem econômica e econômica porque mostram se uma variável causa um efeito particular. Os economistas empregam modelagem causal para explicar os resultados, ou variáveis dependentes, com base em uma variedade de fatores, ou variáveis independentes, e para determinar em que medida um resultado pode ser atribuído a uma causa endógena ou exógena. Variáveis endógenas têm valores que mudam como parte de uma relação funcional entre outras variáveis dentro do modelo. Essa relação também é referida como dependente e é vista como previsível por natureza. Geralmente, as variáveis se correlacionam de tal forma que se pode esperar que o movimento geral de um produza um resultado particular no outro, embora não necessariamente na mesma direção, já que um aumento em uma variável pode causar uma queda em outra. Enquanto a mudança estiver correlacionada, será considerada endógena. Fora da economia, outros campos também usam modelos com variáveis endógenas. Estes podem incluir o campo da meteorologia e certos aspectos da agricultura. Em certos casos, o relacionamento é apenas endógeno em uma direção. Por exemplo, enquanto clima agradável pode levar a maiores quantidades de turismo, maiores quantidades de turismo não afetam o clima. Exemplos de Variáveis Endógenas Se um modelo estiver examinando a relação entre os tempos de deslocamento dos funcionários e o consumo de combustível, à medida que o tempo de deslocamento sobe dentro do modelo, o consumo de combustível também geralmente aumenta. Isso se deve ao fato de que quanto mais tempo uma pessoa tende a frequentar, mais combustível é preciso para chegar ao seu destino, como uma viagem de 50 quilômetros que exige mais de 20 quilômetros de trajeto. Outras relações que podem ser de natureza endógena incluem renda pessoal para consumo pessoal, precipitação e crescimento de plantas, ou educação obtida e níveis futuros de renda. Variáveis endógenas vs. exógenas Ao contrário das variáveis endógenas, as variáveis exógenas são consideradas independentes. Isso significa que uma variável dentro da fórmula não determina ou está diretamente correlacionada a uma mudança na outra. Variáveis exógenas não têm relação direta ou estereotipada, como renda pessoal e preferência de cor, preços de chuva e gás, ou educação obtida e flor favorita. A verdadeira questão não é por que tantos economistas usam Stata ao invés de R. A verdadeira questão é por que muitos economistas nunca usam nada além de regressão linear ou 2SLS com FE e erros padrão agrupados em suas análises empíricas. Sim, o Stata pode fazer isso de forma eficiente, mas se essa é a única técnica estatística que você usa em sua pesquisa, talvez seja hora de aprender um pouco mais. A verdadeira questão não é por que tantos economistas usam Stata em vez de R. A verdadeira questão é por que tantos economistas nunca usam nada além de regressão linear ou 2SLS com FE e erros padrão agrupados em suas análises empíricas. Sim, o Stata pode fazer isso de forma eficiente, mas se essa é a única técnica estatística que você usa em sua pesquisa, talvez seja hora de aprender um pouco mais. Porque técnicas simples com identificação clara são o que a MHE defende. O SAS é especialmente rico. O que é com essa etapa de dados de qualquer maneira A semântica da etapa de dados foi projetada quando os computadores tinham cerca de meio megabyte de memória de acesso aleatório e fitas para armazenamento permanente. Daí a semântica idiota do DATA STEP. Na realidade, NADA é o que torna o SAS melhor do que usar um sistema de banco de dados como o MySQL combinado com R ou matlab. Mas tente construir um modelo com mais de 50GB de dados com R. Possível através do mapa reduzir, mas um aborrecimento. Diga olá ao bom senso. Só porque você tem muitos dados não significa que você precisa carregar tudo isso na memória de acesso aleatório de uma só vez. Use um loop. E 99% do tempo, os economistas acham que o SAS é melhor para big data porque precisam analisar um conjunto de dados de pesquisa, embora 99% deles seja uma informação de lixo que precisa ser removida do conjunto de dados. Ele pode ser limpo de forma muito mais intuitiva no MySQL e depois alimentado para R ou Matlab quando você tiver apenas os bits necessários. É realmente apenas um acidente da história que o SAS é capaz de mastigar grandes conjuntos de dados porque foi originalmente criado para trabalhar com armazenamento em fita (embora ainda de forma bastante ineficiente e não intuitiva para a nossa idade). A verdadeira questão não é por que tantos economistas usam Stata em vez de R. A verdadeira questão é por que tantos economistas nunca usam nada além de regressão linear ou 2SLS com FE e erros padrão agrupados em suas análises empíricas. Sim, o Stata pode fazer isso de forma eficiente, mas se essa é a única técnica estatística que você usa em sua pesquisa, talvez seja hora de aprender um pouco mais. Eu não acho que escrever artigos com apenas 2SLS mais FE mais erros agrupados é ruim. Nós entendemos muito bem essas técnicas e, portanto, elas são menos propensas a erros para o autor e os resultados são mais fáceis de transmitir para o público. Eu acho que todo economista deveria CONHECER outras coisas, então a limitação não é automática (ou seja, eles escolhem a ferramenta simples por ser a melhor), mas eu não sinto que ferramentas mais sofisticadas são uma necessidade ou qualquer coisa. A identificação geralmente vem de algo mais sofisticado. O WRDS agora funciona com o R, mas todos os programas de amostra ainda estão no SAS. Fique ocupado e escreva alguns programas de exemplo do WRDS R. R é uma droga, e o Python também. Nos tempos antigos, eu costumava usar SAS para manipulação de dados e GAUSS para modelagem. Agora eu uso Python para manipulação de dados e Python / R para modelagem. O ex-especialista em commodities e commodities do Barclays, Pierre Vermaak, dirige-se ao UBS para comandar sua recém-renovada divisão de FRC, substituindo Thomas Klocker, que deixou o Bank of America Merrill Lynch em junho. - Veja mais em: experts. forexmagera / ubs-poaches-algo-trading-especialista-pierre-vermaak-barclays / sthash. MpdGJVvr. dpuf Pierre Vermaaks Skills amp Expertise Renda Fixa Investment Banking Negociação Eletrônica Quantitativa Finance Equity Derivatives Derivatives Trading Systems Sybase Estruturado Produtos Análise Quantitativa Risco de Mercado R Títulos de Investimento Quantitativos Podemos fazer o algoritmo EM em R Alguém realmente o implementou experts. forexmagra / ubs-poaches-algo-trading-especialista-pierre-vermaak-barclays / O ex-especialista em commodities e forex do Barclays Pierre Vermaak é dirigiu-se ao UBS para chefiar sua recém-renovada divisão de FRC, substituindo Thomas Klocker, que deixou o Bank of America Merrill Lynch em junho. - Veja mais em: experts. forexaks / ubs-poaches-algo-trading-especialista-pierre-vermaak-barclays / sthash. MpdGJVvr. dpuf uk. linkedin / pub / pierre-vermaak / 2/23 / 5b2 Pierre Vermaaks Skills amp Expertise Renda Fixa Banco de Investimentos Negociação Eletrônica Finanças Quantitativas Derivativos de Ações Derivativos Sistemas de Negociação Sybase Produtos Estruturados Análise Quantitativa Risco de Mercado R Títulos de Investimento Quantitativos Sim. A econometria economicamente inofensiva nos diz não muito mais que OLS / IV / FE mais algumas regressões quantílicas. Indo além disso, a econometria se tornaria prejudicial. A verdadeira questão não é por que tantos economistas usam Stata em vez de R. A verdadeira questão é por que tantos economistas nunca usam nada além de regressão linear ou 2SLS com FE e erros padrão agrupados em suas análises empíricas. Sim, o Stata pode fazer isso de forma eficiente, mas se essa é a única técnica estatística que você usa em sua pesquisa, talvez seja hora de aprender um pouco mais. Eu não acho que escrever artigos com apenas 2SLS mais FE mais erros agrupados é ruim. Nós entendemos muito bem essas técnicas e, portanto, elas são menos propensas a erros para o autor e os resultados são mais fáceis de transmitir para o público. Eu acho que todo economista deveria CONHECER outras coisas, então a limitação não é automática (ou seja, eles escolhem a ferramenta simples por ser a melhor), mas eu não sinto que ferramentas mais sofisticadas são uma necessidade ou qualquer coisa. A identificação geralmente vem de algo mais sofisticado. Bate o prego na cabeça. A verdadeira questão não é por que tantos economistas usam Stata em vez de R. A verdadeira questão é por que tantos economistas nunca usam nada além de regressão linear ou 2SLS com FE e erros padrão agrupados em suas análises empíricas. Sim, o Stata pode fazer isso de forma eficiente, mas se essa é a única técnica estatística que você usa em sua pesquisa, talvez seja hora de aprender um pouco mais. Eu não acho que escrever artigos com apenas 2SLS mais FE mais erros agrupados é ruim. Nós entendemos muito bem essas técnicas e, portanto, elas são menos propensas a erros para o autor e os resultados são mais fáceis de transmitir para o público. Eu acho que todo economista deveria CONHECER outras coisas, então a limitação não é automática (ou seja, eles escolhem a ferramenta simples por ser a melhor), mas eu não sinto que ferramentas mais sofisticadas são uma necessidade ou qualquer coisa. A identificação geralmente não vem de algo mais sofisticado. Previsão e modelos econométricos Um modelo econométrico é uma das ferramentas que os economistas usam para prever desenvolvimentos futuros na economia. Nos termos mais simples, os econometras medem as relações passadas entre variáveis tais como gastos do consumidor, renda familiar, taxas de impostos e taxas de juros. emprego, e assim por diante, e tente prever como as mudanças em algumas variáveis afetarão o curso futuro de outras. Antes que econometristas possam fazer tais cálculos, eles geralmente começam com um modelo econômico, uma teoria de como diferentes fatores na economia interagem uns com os outros. Por exemplo, pense na economia como composta por residências e empresas, conforme ilustrado na Figura 1. As famílias abastecem as empresas com serviços de mão-de-obra (como alfaiates, contadores, engenheiros, etc.) e recebem salários e remunerações das empresas em troca de seu trabalho. Utilizando os serviços de mão-de-obra, as empresas produzem vários produtos (vestuário, carros, etc.) disponíveis para compra. As famílias, usando os rendimentos derivados de seus serviços de trabalho, tornam-se os clientes que compram a produção. Os produtos que os negócios produzem acabam nos lares, e os pagamentos de salário e salário retornam aos negócios em troca dos produtos que as famílias compram. Essa cadeia de eventos, conforme mostrado pelas atividades numeradas de 15 na Figura 1. é uma descrição ou um modelo diagramático da operação de uma economia de empresa privada. Está obviamente incompleto. Não há banco central fornecendo dinheiro, sistema bancário nem impostos governamentais, construindo estradas ou oferecendo educação ou defesa nacional. Mas o essencial do setor privado da economia, a produção, a produção e a compra de produtos e serviços são representados de maneira útil na Figura 1. O modelo diagramático da Figura 1 tem certas desvantagens quando se trata de representar quantidades como o valor dos pagamentos de salários e salários ou o número de carros produzidos. Para representar magnitudes mais convenientemente, os economistas empregam um modelo matemático, um conjunto de equações que descrevem várias relações entre variáveis. Considere as compras domésticas de produção, mostradas como atividade 4 na Figura 1. Se W é o valor dos salários e ordenados que as famílias ganham, e C é gasto doméstico com roupas, então a equação C .12 W indica que as famílias gastam 12% de suas despesas. salários e vencimentos em roupas. Uma equação também poderia ser construída para representar as compras domésticas de carros ou quaisquer outros bens e serviços. De fato, cada uma das atividades ilustradas na Figura 1 pode ser representada na forma de uma equação. Fazer isso pode levar uma mistura de teoria econômica, fatos econômicos básicos sobre a economia particular e sofisticação matemática, mas uma vez feito, o resultado seria um modelo econômico matemático ou quantitativo, que é apenas um passo importante de um modelo econométrico. Na equação para compras de roupas, C 12 W, 12% foram selecionados apenas para fins ilustrativos. Mas se o modelo quer dizer algo útil sobre a economia americana de hoje, ele deve conter números (econometristas e outros que aplicam métodos estatísticos similares referem-se a números como parâmetros) que descrevem o que realmente acontece no mundo real. Para este propósito, devemos nos voltar para os dados históricos relevantes para descobrir qual a porcentagem da renda familiar que os americanos, na verdade, gastam com roupas. A coluna intitulada Total na Tabela 1 mostra a porcentagem de rendimentos (após impostos) que os americanos gastaram com roupas (incluindo sapatos) para cada um dos anos de 1995 a 2002. Um fato é imediatamente óbvio: 12% estavam longe. Se tivesse sido deixado no modelo, teria levado a uma superestimativa substancial das compras de roupas e teria sido inútil entender ou prever o comportamento na economia americana. Algo mais próximo de 4,21%, a média dos valores anuais na coluna Total, refletiria com mais precisão o gasto anual total em roupas e calçados como porcentagem da renda familiar nos Estados Unidos. Tabela 1 Gastos com Roupas e Calçados, 1995-2002 Um exame mais cuidadoso dos fatos revela, no entanto, que 4,21% podem não representar adequadamente o comportamento real. Houve uma variação anual substancial de 4,5% para apenas 3,9% da renda familiar gasta com roupas e calçados. Além disso, parece haver uma tendência de queda, com os maiores percentuais chegando em meados dos anos 90 e os menores percentuais ocorrendo mais recentemente. O seguinte procedimento estatístico simples cuida dessas objeções. Comece com o gasto anual total em roupas e calçados, subtraia 100 bilhões e depois calcule os gastos balanceanos em roupas e calçados além dos primeiros 100 bilhões como porcentagem da renda familiar. A coluna intitulada Total 100 na Tabela 1 mostra os resultados muito satisfatórios, com pouca variação anual em torno da média de 2,65% e nenhuma tendência aparente ao longo do tempo. Você pode se perguntar o que essa subtração de 100 bilhões representa. Aqui está uma maneira útil de pensar sobre isso. A população dos EUA foi em média de 277,6 milhões de pessoas em 1995-2002. Portanto, o valor de 100 bilhões representa, em números redondos, 360 por pessoa (100 bilhões divididos por 277,6 milhões de pessoas). Os fatos da Tabela 1 sugerem que um gasto em roupas e calçados com cerca de 360 por pessoa por ano é uma quantia básica ou minimamente aceitável nos Estados Unidos atualmente. Uma vez que esse mínimo seja contabilizado, compras adicionais de roupas e calçados atingirão 2,65% da renda familiar. Em outras palavras, os americanos gastam mais em roupas e calçados quanto maior sua renda familiar, mas gastam pelo menos 100 bilhões por ano. E a melhor previsão do total que será gasto é: 100 bilhões mais 2,65% adicionais da renda familiar. Na forma de equação, isso é representado por C 100 .0265 W, muito distante da C .12 W com a qual começamos. O fato de que os valores dos parâmetros 100 e .0265 na equação do vestuário foram determinados usando os dados relevantes é o que nos dá razão para acreditar que a equação diz algo significativo sobre a economia. Usar os dados para determinar ou estimar todos os valores de parâmetros no modelo é o passo crítico que transforma o modelo econômico matemático em um modelo econométrico. Um modelo econométrico é dito completo se contiver equações suficientes para prever valores para todas as variáveis do modelo. A equação C 100 .0265 W, por exemplo, prevê C se o valor de W for conhecido. Assim, deve haver uma equação em algum lugar no modelo que determine W. Se todas essas conexões lógicas tiverem sido feitas, o modelo estará completo e poderá, em princípio, ser usado para prever a economia ou testar teorias sobre seu comportamento. Na verdade, nenhum modelo econométrico é realmente completo. Todos os modelos contêm variáveis que o modelo não pode prever porque são determinadas por forças externas ao modelo. Por exemplo, um modelo realista deve incluir impostos sobre a renda pessoal coletados pelo governo porque os impostos são a cunha entre a renda bruta auferida pelas famílias e a receita líquida (o que os economistas chamam de renda disponível) disponível para as famílias gastarem. Os impostos cobrados dependem das alíquotas do imposto de renda. Mas as taxas de impostos são determinadas pelo governo como parte de sua política fiscal e não são explicadas pelo modelo. Se o modelo for utilizado para projetar a atividade econômica em vários anos no futuro, o econometricista deve incluir taxas futuras esperadas na base de informações de modelos. Isso requer uma suposição sobre se o governo mudará as taxas futuras de imposto de renda e, em caso afirmativo, quando e por quanto. Da mesma forma, o modelo requer uma suposição sobre a política monetária que o banco central (o Sistema da Reserva Federal dos Estados Unidos) buscará, bem como hipóteses sobre uma série de outras variáveis fora do modelo (ou exógenas) para prever todas as variáveis internas (ou endógenas) do modelo. A necessidade de o econometriciano usar o melhor julgamento econômico disponível sobre fatores externos é inerente à previsão econômica. Uma previsão econômica baseada econometricamente pode, portanto, estar errada por duas razões: (1) suposições incorretas sobre as variáveis externas ou exógenas, que são chamadas erros de entrada ou (2) equações econométricas que são apenas aproximações da verdade (note que compras de roupas além da mínimo não chega a exatamente 2,65% da renda familiar todos os anos). Desvios das previsões dessas equações são chamados erros de modelo. A maioria dos previsores econométricos acredita que o julgamento econômico pode e deve ser usado não apenas para determinar valores para variáveis exógenas (um requisito óbvio), mas também para reduzir o provável tamanho do erro do modelo. Tomada literalmente, a equação C 100 .0265 W significa que qualquer desvio de compras de roupas de mais de 2,65% da renda familiar deve ser considerado uma aberração aleatória do comportamento normal ou esperado daqueles caprichos inerentemente imprevisíveis do comportamento humano que continuamente atrapalham as pesquisas de opinião, economistas e outros que tentam prever eventos socioeconômicos. O previsor econômico deve estar preparado para estar errado por causa do erro de modelo imprevisível. Mas todo o erro do modelo é realmente imprevisível Suponha que o analista leia relatórios que indiquem reações do consumidor excepcionalmente favoráveis aos mais recentes estilos de vestuário. Suponhamos, com base nisso, que o previsor acredita que, nos próximos anos, as compras de roupas provavelmente excederão o mínimo usual por algo mais próximo de 3% do que os habituais 2,65% da renda familiar. O previsor deve ignorar essa crença bem fundamentada de que as vendas de roupas estão prestes a decolar e, assim, produzir uma previsão que, na verdade, deve estar errada. A resposta depende do objetivo da previsão. Se o propósito é puramente científico de determinar com que precisão um modelo bem construído pode prever, a resposta deve ser: Ignore as informações externas e deixe o modelo sozinho. Se o propósito é o mais pragmático de usar as melhores informações disponíveis para produzir a previsão mais informativa, a resposta deve ser: Incorporar as informações externas no modelo, mesmo que isso signifique efetivamente apagar o valor do parâmetro .0265 e substituí-lo por. 0300 enquanto gera previsão para o próximo ano. A imposição de ajustes constantes nessas previsões foi, em um momento, desacreditada como totalmente não científica. Hoje em dia, muitos pesquisadores consideram esse comportamento inevitável na ciência social da previsão econômica e começaram a estudar a melhor maneira de obter uma perspectiva científica para incorporar essa informação externa. Grande parte da motivação por trás da tentativa de especificar o modelo econômico mais precisamente descritivo, tentando determinar os valores dos parâmetros que mais representam o comportamento econômico, e combinando-os com as melhores informações externas disponíveis, surge do desejo de produzir previsões precisas. Infelizmente, uma precisão de previsões econômicas não é fácil de julgar, há simplesmente muitas dimensões de detalhe e interesse. Um usuário da previsão pode se importar principalmente com o produto interno bruto (PIB), outro principalmente sobre exportações e importações, e outro principalmente sobre inflação e taxas de juros. Assim, a mesma previsão pode fornecer informações muito úteis para alguns usuários, sendo enganosa para outros. Por falta de algo obviamente superior, o indicador mais comum da qualidade de uma previsão macroeconômica é a precisão com que ela prevê o crescimento real do PIB. O PIB real é a medida sumária mais inclusiva de todos os bens e serviços acabados produzidos dentro dos limites geográficos da nação. Para muitos propósitos, há muito valor em saber, com algum tempo de espera, se o PIB real aumentará a uma taxa rápida (uma economia em expansão com uma taxa de crescimento acima de 4%), desacelerando ou acelerando em relação ao comportamento recente. ou a cair (uma economia fraca com uma taxa de crescimento abaixo de 1% ou mesmo uma economia recessiva com taxa de crescimento negativa). As informações contidas na Figura 2 podem ser usadas para julgar, da maneira resumida que acabamos de indicar, a precisão da previsão econométrica alcançada pelo Seminário de Pesquisa em Economia Quantitativa (RSQE) da Universidade de Michigan nas últimas três décadas. O projeto de previsão do RSQE, que remonta à década de 1950, é um dos mais antigos dos Estados Unidos. A Figura 2 compara, para cada um dos anos 19712003, a variação percentual real do PIB real (a taxa de crescimento econômico) com a previsão da RSQE publicada em novembro do ano anterior. Existem várias maneiras de caracterizar a qualidade do registro de previsão do RSQE. Embora as previsões não tenham registado a variação percentual real numa média de apenas 1,1 pontos percentuais (medida pelo erro médio de previsão sem ter em conta o sinal), o erro de previsão foi tão reduzido como 0,5 ponto percentual ou menos em treze dos trinta e três anos apresentados . Por outro lado, seis anos previam erros de 2 pontos percentuais ou mais e, para 1982 e 1999, os erros de previsão eram de 3,1 e 3,0 pontos percentuais, respectivamente. Mas, apesar de alguns erros relativamente grandes, nunca houve um ano de expansão que a RSQE prevê que seja um ano fraco, nunca um ano fraco, que a RSQE prevê ser um ano de expansão e apenas algumas instâncias mais recentes, 1999 e 2001, nas quais a previsão foi realmente equivocada no sentido de errar seriamente se a taxa de crescimento econômico estava prestes a aumentar ou diminuir em relação à taxa de crescimento dos anos anteriores. A discussão, até agora, enfocou o que é chamado de modelo econométrico estrutural. Ou seja, o econometricista usa uma mistura de teoria econômica, matemática e informações sobre a estrutura da economia para construir um modelo econômico quantitativo. O econometricista passa então aos dados observados para estimar os valores dos parâmetros desconhecidos e transformar o modelo econômico em um modelo econométrico estrutural. O termo estrutural refere-se ao fato de que o modelo obtém sua estrutura, ou especificação, da teoria econômica com a qual o econometricista começa. A ideia, por exemplo, de que os gastos com roupas e sapatos é determinada pela renda familiar vem do cerne da teoria econômica. As teorias econômicas são complexas e incompletas. Para ilustrar: outras variáveis, como o preço do vestuário em relação a outros bens de consumo, também são importantes. Essa situação torna muito mais difícil do que sugerir a esse ponto especificar o modelo econômico com o qual se deve começar uma estrutura econométrica estrutural. modelo para uso na previsão. Nos últimos anos, os econometras descobriram que é possível fazer previsões econômicas usando um procedimento mais simples e não estrutural, sem perder muita precisão de previsão. Embora o procedimento mais simples tenha custos significativos, esses custos não aparecem no curso normal da previsão. Isso será explicado após uma rápida introdução ao procedimento alternativo conhecido como previsão de séries temporais. A ideia de previsão de séries temporais é facilmente explicada com o auxílio da Figura 3. que mostra as mudanças ano a ano nos gastos com vestuário e calçados a partir de 1981 e Figura 2 Precisão da Previsão RSQE: Crescimento Real do PIB, 1971-2003 vs. Previsão RSQE do mês de novembro anterior) Figura 3 - Gastos com Vestuário e Calçados, Variações Ano a Ano, 1981-2002 até 2002. A linha horizontal marca a variação média anual de 8,8 bilhões. A maioria das mudanças ano a ano está na faixa de 4,413 bilhões, e apenas uma mudança, a de 2001, está bem fora dessa faixa. As mudanças ano a ano, em outras palavras, parecem estáveis. Alguns estão acima de 8,8 bilhões e alguns estão abaixo de 1983-1988 exibiram uma série de mudanças que ficaram próximas a 11 bilhões, mas isso era incomum. Mais frequentemente, a mudança de um ano é um pequeno guia para a mudança nos próximos anos, à medida que as mudanças saltam demais. Assim, uma regra de previsão que diz que os gastos dos próximos anos com vestuário e calçados serão 8,8 bilhões a mais do que nos anos que gastam faz sentido. E isso, para este caso simples, é a essência da previsão de séries temporais. Observe atentamente o comportamento histórico da variável de interesse e, se esse comportamento for caracterizado por algum tipo de estabilidade, faça uma descrição quantitativa dessa estabilidade e use-a para construir a previsão. Nem sempre é fácil ver a estabilidade que pode ser contada para fornecer uma previsão confiável, e os econometras desenvolveram procedimentos sofisticados para desvendar a estabilidade e medi-la. Em geral, o procedimento de séries temporais e o procedimento do modelo estrutural parecem produzir previsões comparativamente boas ou ruins por um ano ou dois no futuro. Mas o procedimento da série temporal tem a vantagem distinta de ser muito mais simples. Podemos prever gastos com roupas e calçados sem ter que nos preocupar com a relação teórica entre gastos e renda familiar. Ele não precisa ser especificado e seus parâmetros não precisam ser estimados, apenas focar na própria variável vestuário. Então, onde estão os custos significativos em usar o procedimento de previsão de séries temporais? Eles vêm do fato de que o procedimento dá uma resposta numérica e nada mais. Se o usuário da previsão, por exemplo, um fabricante de roupas pergunta por que a previsão diz o que faz, o econometricista de séries temporais só pode responder, porque é assim que os gastos com roupas se comportaram no passado, porque a renda familiar aumentará agudamente em resposta a uma política monetária expansionista que está sendo conduzida para. Em suma, não há economia na análise em primeiro lugar. Se houvesse, o usuário seria capaz de responder, Isso faz sentido Ill planejar com base na previsão ou, alternativamente, acho que a previsão é boa demais para ser verdade porque estou convencido de que a política monetária expansionista está prestes a ser revertida, e assim estou raspando a previsão no meu planejamento. A previsão de séries temporais deixa o usuário suspenso: basta pegá-lo ou deixá-lo. Como muitos previsores trabalham com modelos estruturais, os usuários podem adquirir não apenas as várias previsões numéricas, mas também a análise econômica que acompanha e justifica, ou explica, cada previsão. Um usuário que tem que agir com base em uma previsão e pode escolher entre as previsões alternativas disponíveis é, certamente, obter muito mais informações quando essas previsões tiverem uma base econômica estrutural. Finalmente, e relacionado à discussão anterior, os modelos estruturais são o único jogo na cidade quando se trata da importante área de análise de política econométrica ou de outros cálculos do tipo "e se". Assim, uma previsão de linha de base pode ser calculada usando um modelo econométrico estrutural e a melhor informação disponível para o previsor. E então alguém pergunta: E se o Congresso aumentar a taxa de imposto de renda em cinco pontos percentuais? Essa perturbação única é então imposta ao cálculo original, e a previsão é recalculada para mostrar a avaliação dos modelos do efeito na economia da mudança postulada no governo politica fiscal. Os economistas geralmente empregam esses cálculos no processo de fornecer conselhos a empresas e unidades de governo. A validade prática de tais aplicações depende de quão bem a estrutura dos modelos representa o comportamento econômico que é central para o que se pergunta. Todos os modelos são meramente aproximações da realidade. A questão é se uma aproximação de modelos é boa o suficiente para a questão em questão. Assim, tornar os modelos estruturais mais precisos é uma tarefa de grande importância. Enquanto os usuários do modelo perguntarem se, os modelos econométricos estruturais continuarão a ser usados e úteis. Sobre o Autor Saul H. Hymans é professor emérito de economia e estatística e diretor do Seminário de Pesquisa em Economia Quantitativa da Universidade de Michigan. Leitura adicional Howrey, E. Philip, Saul H. Hymans e Michael R. Donihue. Mesclando previsões mensais e trimestrais: experiência com MQEM. Journal of Forecasting 10 (maio de 1991): 255268. Hymans, Saul H. Joan P. Crary e Janet C. Wolfe. A Perspectiva Econômica dos EUA para 2004-2005. Em The Economic Outlook for 2004, Anais da Quinquagésima Primeira Conferência Anual sobre Perspectivas Econômicas, Ann Arbor, Mich. 2004. p. 184. Kennedy, Peter. Um guia para econometria. 5ª ed. Cambridge: MIT Press, 2003. Especialmente rachaduras. 18 e 19. Klein, Lawrence R. ed. Desempenho comparativo de modelos econométricos dos EUA. Oxford: Oxford University Press, 1991. Especialmente rachaduras. 1, 3, 10, 11 e 12. Klein, Lawrence R. e Richard M. Young. Uma introdução aos modelos de previsão e previsão econométricos. Lexington, Massachusetts. Lexington Books, 1980.
No comments:
Post a Comment