WOOLDRIDGE, J. M.

Econometric Analysis of Cross Section and

Panel Data. Cambridge, MA: MIT Press, 2002, Caps. 7 e 8.

6. Modelos com mais de uma variável dependente

Profª Maria Micheliana

6.1.1. Introdução

𝑦1 = 𝑥1 𝛽1 + 𝑢1
⋮
𝑦𝐺 = 𝑥𝐺 𝛽𝐺 + 𝑢𝐺

*OBS.: Notação do Wooldridge é diferente do Greene

Exemplo: Modelo SUR

Sistema de demanda: L bens => L equações: 𝑦 ∈ ℝ𝐿+

- Complexidade da forma funcional
- Testar Restrições: Simetria e homogeneidade
- Comparar efeitos entre equações: será que uma intervenção tem mesmo efeito
sobre a demanda dos bens?
(WOOLDRIDGE, p. 162): Equações de demanda

ℎ𝑎𝑏 = 𝛽10 + 𝛽11 𝑃ℎ𝑎𝑏 + 𝛽12 𝑃𝑎𝑙𝑖𝑚 + 𝛽13 𝑃𝑣𝑒𝑠𝑡 + 𝛽14 𝑟𝑒𝑛𝑑𝑎 + 𝑢1
𝑎𝑙𝑖𝑚 = 𝛽20 + 𝛽21 𝑃ℎ𝑎𝑏 + 𝛽22 𝑃𝑎𝑙𝑖𝑚 + 𝛽23 𝑃𝑣𝑒𝑠𝑡 + 𝛽24 𝑟𝑒𝑛𝑑𝑎 + 𝑢2
𝑣𝑒𝑠𝑡 = 𝛽30 + 𝛽31 𝑃ℎ𝑎𝑏 + 𝛽32 𝑃𝑎𝑙𝑖𝑚 + 𝛽33 𝑃𝑣𝑒𝑠𝑡 + 𝛽34 𝑟𝑒𝑛𝑑𝑎 + 𝑢3
Em termos amostrais, assumindo que {(𝑋𝑖 , 𝑦𝑖 ), 𝑖 = 1, . . , 𝑁} é iid, para uma
observação qualquer, tem-se:
𝑦𝑖 = 𝑦𝑖1 , … , 𝑦𝑖𝐺 ′𝐺𝑥1
𝑥𝑖1 0 … 0
0 𝑥𝑖2 … 0
𝑋𝑖 = ⋱ ⋮ , 𝑐𝑜𝑚 𝑥𝑖𝑔 1𝑥𝑘𝑔
⋮ ⋮
0 0 … 𝑥𝑖𝐺 𝐺𝑥𝐾
𝑢𝑖 = 𝑢𝑖1 , … , 𝑢𝑖𝐺 𝐺𝑥1
β = β1 , … , β𝐾 ′1𝑥𝐾 , 𝑐𝑜𝑚 𝐾 = σ𝐺1 𝑘𝑔

Sistema ∀𝑖: 𝑦𝑖 = 𝐸 𝑦𝑖 𝑋𝑖 + 𝑢𝑖 = 𝑋𝑖 𝛽 + 𝑢𝑖
Propriedades assintóticas: G fixo e N→ ∞ (microdados)
6.1.2. Consistência e Normalidade Assintótica do SOLS
- Consistência
Para K condições de momento:
SOLS1: E 𝑋𝑖 ′ 𝑢𝑖 = 0 ⇒ E 𝑥𝑖𝑔 ′ 𝑢𝑖𝑔 = 0

SOLS2: E 𝑋𝑖 ′ 𝑋𝑖 é não singular

Sob SOLS1 e 2, o estimador de momentos é:
β = [E 𝑋𝑖 ′ 𝑋𝑖 ]−1 E 𝑋𝑖 ′ 𝑦𝑖

𝑝
Teorema 7.1 - Consistência: Sob SOLS1 e SOLS2, β෠ 𝑆𝑂𝐿𝑆 → β
- Inferência
𝑝 𝑑
β෠ 𝑆𝑂𝐿𝑆 → β ⇒ β෠ 𝑆𝑂𝐿𝑆 → β
Transformação estabilizadora para uma v.a. com distribuição limitante bem
definida (para aplicar o TLC)

Teorema 7.2 - Normalidade assintótica: Sob SOLS1 e SOLS2,

𝑑
𝑁(β෠ 𝑆𝑂𝐿𝑆 − β) → 𝑁(0, 𝐴−1 𝐵𝐴−1 )
Assim,

𝐴𝑣𝑎𝑟 β෠ = 𝐴−1 𝐵𝐴−1

6.1.3. Consistência e Normalidade Assintótica de SGLS
- Consistência
SGLS1: E 𝑋𝑖 ⊗ 𝑢𝑖 = 0 ⇒SOLS1
SGLS1’: E 𝑋′𝑖 Ω−1 𝑢𝑖 = 0

SGLS2: Ω e E 𝑋𝑖 ′Ω−1 𝑋𝑖 são não singulares

Sob SGLS1’ e 2, o estimador de momentos é:

β𝑆𝐺𝐿𝑆 = [E 𝑋𝑖 ′Ω−1 𝑋𝑖 ]−1 E 𝑋𝑖 ′Ω−1 𝑦𝑖

FGLS
Ω é desconhecido
- ෡=Ω
Estimador consistente: 𝑝𝑙𝑖𝑚Ω
- ෡ = 𝑁 −1 σ 𝑢ො 𝑖 𝑢ො 𝑖 ′
Contrapartida amostral: Ω

Estimação em dois estágios:

1º Estima-se por SOLS (consistente) e encontra-se 𝑢ො 𝑖𝑆𝑂𝐿𝑆 ;
෡ , transformar as variáveis e encontrar β෠ 𝐹𝐺𝐿𝑆
2º Usa-se 𝑢ො 𝑖𝑆𝑂𝐿𝑆 para construir Ω

Teorema 7.3. Normalidade Assintótica do FGLS

Quando SOLS=FGLS? Teoremas sobre equivalência algébrica:

Teorema 7.5.: Ω diagonal.

Teorema 7.6.: Vetores de variáveis explicativas iguais (dimensão).

O problema de ineficiência aparece quando há restrições entre equações.

6.1.4. Sistema com restrições entre equações

Restrições cruzadas ⇒ 𝑆𝑂𝐿𝑆 ≠ 𝑂𝐿𝑆𝑒𝑞𝑥𝑒𝑞 ≠ 𝐹𝐺𝐿𝑆, pois violam o Teorema

7.6.
Ex. Simetria:

ℎ𝑎𝑏 = 𝛽10 + 𝛽11 𝑃ℎ𝑎𝑏 + 𝛽12 𝑃𝑎𝑙𝑖𝑚 + 𝑢1

𝑎𝑙𝑖𝑚 = 𝛽20 + 𝛽12 𝑃ℎ𝑎𝑏 + 𝛽22 𝑃𝑎𝑙𝑖𝑚 + 𝑢2

β = β10 , β11 , β12 , β20 , β22 ′

Sistema ∀𝑖: 𝑦𝑖 = 𝑋𝑖 𝛽 + 𝑢𝑖 (sem restrição)

β10
β11
ℎ𝑎𝑏𝑖 1 𝑃ℎ𝑎𝑏 𝑃𝑎𝑙𝑖𝑚 0 0 0 β12 𝑢1𝑖
= + 𝑢
𝑎𝑙𝑖𝑚𝑖 0 0 0 1 𝑃ℎ𝑎𝑏 𝑃𝑎𝑙𝑖𝑚 β20 2𝑖
β21
β22
Sistema ∀𝑖: 𝑦𝑖 = 𝑋𝑖 𝛽 + 𝑢𝑖 (com restrição)

β10
β11
ℎ𝑎𝑏𝑖 1 𝑃ℎ𝑎𝑏 𝑃𝑎𝑙𝑖𝑚 0 0 𝑢1𝑖
= β12 + 𝑢
𝑎𝑙𝑖𝑚𝑖 0 0 𝑃ℎ𝑎𝑏 1𝑃𝑎𝑙𝑖𝑚 2𝑖
β20
β22
6.1.5. Testes de hipóteses
Teste de Wald
𝐻0 : 𝑅𝑏 = 𝑟 – Modelo restrito

Método Delta

* Comandos básicos no Stata

SOLS: mvreg
FGLS: sureg (opção isure – estimação ML)
Teste de Wald: test (ou testnl)
Teste Razão de Verossimilhança: lrtest
Método Delta: lincom (ou nlcom)
Matriz singular em SUR

Ex. 7.5.: Equação de parcelas de custo

𝑠𝑖𝐾 = 𝛾10 + 𝛾11 𝑙𝑜𝑔𝑃𝑖𝐾 + 𝛾12 𝑙𝑜𝑔𝑃𝑖𝐿 + 𝛾13 𝑙𝑜𝑔𝑃𝑖𝑀 + 𝑢𝑖𝐾

𝑠𝑖𝐿 = 𝛾20 + 𝛾21 𝑙𝑜𝑔𝑃𝑖𝐾 + 𝛾22 𝑙𝑜𝑔𝑃𝑖𝐿 + 𝛾23 𝑙𝑜𝑔𝑃𝑖𝑀 + 𝑢𝑖𝐿
𝑠𝑖𝑀 = 𝛾30 + 𝛾31 𝑙𝑜𝑔𝑃𝑖𝐾 + 𝛾32 𝑙𝑜𝑔𝑃𝑖𝐿 + 𝛾33 𝑙𝑜𝑔𝑃𝑖𝑀 + 𝑢𝑖𝑀
6.2. Consistência e Normalidade Assintótica de SIV

• Violação de SOLS1 -> SIV;

• Importância de VI’s

Exemplo 8.2.: Omissão de variável - Programa Head Start e desempenho

escolar - baseado em Currie e Thomas (1995)
Ex. 8.1.: SEM – Determinação simultânea dos salários

Oferta de trabalho ℎ 𝑆 (𝑤) : ℎ𝑖 = 𝛾1 𝑤𝑖 + 𝑧𝑖1 𝛿1 + 𝑢𝑖1 (8.1)

Salários ofertados 𝑤 𝑂 (ℎ) : 𝑤𝑖 = 𝛾2 ℎ𝑖 + 𝑧𝑖2 𝛿2 + 𝑢𝑖2 (8.2)

Voltando ao Ex. 8.2.: Por que deve ser tratado como um sistema?

Equação estrutural: 𝑠𝑐𝑜𝑟𝑒𝑖 = 𝛾1 𝐻𝑆𝑖 + 𝑧𝑖1 𝛿1 + 𝑢𝑖1 (8.7)

Forma reduzida: 𝐻𝑆𝑖 = 𝑧𝑖 𝛿2 + 𝑢𝑖2 (8.8)

I) 𝐶𝑜𝑣(𝐻𝑆𝑖 , 𝑢𝑖1 ) ≠ 0,
II) 𝐶𝑜𝑣(𝑧𝑖 , 𝑢𝑖2 ) = 0
III) Cov 𝑢𝑖1 , 𝑢𝑖2 ≠ 0
• Nos exemplos 8.1 e 8.2, tem-se G=2. Os sistemas são semelhantes ao SUR, mas
viola-se SOLS1 e FGLS1

𝑦𝑖1 = 𝑥𝑖1 𝛽1 + 𝑢𝑖1 (8.9)

𝑦𝑖2 = 𝑥𝑖1 𝛽1 + 𝑢𝑖1 (8.10)

• Para uma equação estrutural: Com instrumentos suficientes, pode-se estimar por
2SLS, considerando uma equação por estágio (single-equation). A estimação por
sistema é devido à eficiência, obtida aos estimá-las conjuntamente – correção dos
erros-padrão, devido o uso de coeficientes estimados no primeiro estágio para a
construção de variáveis no segundo estágio (MURPHY; TOPEL, 1985).

• Para mais de uma equação estrutural, o ganho de eficiência é análogo ao do

SOLS e do FGLS.
6.2.2. Sistema de equações lineares (Geral)

𝑦𝑖 = 𝑋𝑖 𝛽 + 𝑢𝑖

• VI: 𝑍𝑖 que é G x L e 𝐿 = 𝐿1 + ⋯ + 𝐿𝐺

SIV1: E 𝑍𝑖 ′ 𝑢𝑖 = 0 ⇒ E 𝑧𝑖𝑔 ′ 𝑢𝑖𝑔 = 0

SIV2: E 𝑍𝑖 ′ 𝑋𝑖 é não singular

*Ausência de Instrumento ou Instrumento fraco violam esta hipótese

(Condição necessária para SIV, pois se L<K, tem-se menos equações de
momentos do que parâmetros)

β𝑆𝐼𝑉 = [E 𝑍𝑖 ′ 𝑋𝑖 ]−1 E 𝑍𝑖 ′ 𝑦𝑖
Cada equação contém um vetor 𝑧𝑖𝑔 que é 1𝑥𝐿𝑔

𝑧𝑖1 0 … 0
0 𝑧𝑖2 … 0
𝑍𝑖 = ⋱ ⋮
⋮ ⋮
0 0 … 𝑧𝑖𝐺 𝐺𝑥𝐿

Se não houver restrição, 𝑆𝐼𝑉 = 𝐼𝑉𝑒𝑞𝑥𝑒𝑞 ou 𝑆𝐼𝑉 = 2𝑆𝐿𝑆𝑒𝑞𝑥𝑒𝑞 (𝐿𝑔 > 𝑘𝑔 )

6.2.3. Matriz de pesos generalizadas

• Sob SIV1 e SIV2, 𝛽 é o único vetor Kx1 que resolve o conjunto de

condições de momentos populacionais.

• L=K => 𝛽 é identificado – usa-se a média amostral das condições de

momento

• L>K => 𝛽 é sobreidentificado

Em sistemas, pode-se encontrar a raiz aproximada, que torna a diferença nas

equações a menor possível (minimiza o quadrado dos vetores Lx1);
• Método GMM
Método GMM
Para a consistência, adiciona-se

෡ =𝑊
SIV3: plim𝑊

Teorema 8.1. (Consistência do GMM). Sob SIV1 – 3, plim 𝛽መ𝐺𝑀𝑀 = 𝛽

Quem é 𝑊?
Casos especiais:
෡ = 𝐼𝐿 ⇒ 𝛽መ𝐺𝑀𝑀 = 𝛽መ𝑆𝐼𝑉
𝑊

෡ = 𝑁 −1 ෍ 𝑍𝑖 ′𝑍𝑖 = 𝑉𝑎𝑟 𝑍𝑖 ⇒ 𝛽መ𝐺𝑀𝑀 = 𝛽መ2𝑆𝐿𝑆

𝑊
Teorema 8.2. (Normalidade assintótica de GMM), sob SIV1-SIV3:

𝑁 𝛽መ𝐺𝑀𝑀 − 𝛽 → 𝑁(0, 𝑉)

𝑉 ≡ 𝐴𝑣𝑎𝑟 𝑁 𝛽መ𝐺𝑀𝑀 − 𝛽 = (𝐶 ′ 𝑊𝐶)−1 𝐶 ′ 𝑊Λ𝑊𝐶(𝐶 ′ 𝑊𝐶)−1 (8.29)

Λ ≡ E 𝑍𝑖 ′ 𝑢𝑖 𝑢𝑖 ′𝑍𝑖 = 𝑉𝑎𝑟(𝑍𝑖 ′𝑢𝑖 )

𝐴𝑣𝑎𝑟(𝛽መ𝐺𝑀𝑀 ) = 𝑁 −1 𝑉

C ≡ E 𝑍𝑖 ′ 𝑋𝑖
Seja 𝑊 = Λ−1 , a expressão em (8.29) é simplificada para (𝐶 ′ Λ−1 𝐶)−1

Isso minimiza 𝐴𝑣𝑎𝑟(𝛽መ𝐺𝑀𝑀 ), pois:

(𝐶 ′ Λ−1 𝐶)−1 − (𝐶 ′ 𝑊𝐶)−1 𝐶 ′ 𝑊Λ𝑊𝐶(𝐶 ′ 𝑊𝐶)−1 (8.34)

resulta em uma matriz semidefinida positiva (ou seja, seu inverso é o menor
possível).

SIV4: 𝑊 ≡ Λ−1 = 𝑉𝑎𝑟(𝑍𝑖 ′𝑢𝑖 )

Teorema 8.3. (Matriz ótima): Sob SIV1-4, o estimador de GMM é eficiente
entre todos os estimadores com forma dada em (8.28)

Prova: Mostrar que a diferença em (8.34) é semidefinida positiva.

• Teste de sobreidentificação: J de Hansen

• Procedimentos
a) Estimar por S2SLS (consistente sob SIV1 e 2);

b) Obter resíduos, que também são consistentes;

c) Construir Λ−1 por meio de sua média amostral;

෡−1
෡ ≡Λ
d) Construir 𝑊

• Aplicações de SIV e GMM no Stata:

reg3
gmm
6.2.4. Estimador de 3SLS

• Matriz ótima de GMM não impõe nenhuma restrição;

• A análise tradicional de equações simultâneas assume homoscedasticidade

sistêmica para a relação entre u e a matriz Z

• O estimador 3SLS também usa o resíduo estimado de 2SLS para computar

−1
෡ 𝑍𝑖
෡ = 𝑁 −1 ෍ 𝑍𝑖 ′Ω
𝑊
SIV 5: E 𝑍𝑖 ′ 𝑢𝑖 𝑢𝑖 ′𝑍𝑖 = E 𝑍𝑖 ′Ω𝑍𝑖

• Esta hipótese é a extensão da hipótese de homoscedasticidade para o 2SLS

de uma única equação

Teorema 8.4: Sob SIV1 – 3 e SIV5, 3SLS é um estimador GMM ótimo

Comando no Stata
reg3