Testes de Hipóteses sobre um único parâmetro: o teste t

Um importante tipo de hipótese que estamos interessados é o da forma em que:

(1)   \begin{align*} H_0 : \beta_j = a_j, \end{align*}

onde a_j é um número dado [em geral, a_j = 0]. Para a maioria dos testes bicaudais, a hipótese alternativa implica em:

(2)   \begin{align*} H_1 : \beta_j \neq a_j, \end{align*}

e para testes unicaudais, ou temos:

(3)   \begin{align*} H_1 : \beta_j < a_j \quad ou \quad \beta_j > a_j. \end{align*}

Essas hipóteses podem ser testadas usando um teste t que é baseado na seguinte estatística:

(4)   \begin{align*} t = \frac{\hat{\beta_j} - a_j}{ep(\hat{\beta_j})}. \end{align*}

Se H_0 é verdadeira, essa estatística possui uma distribuição t com n-k-1 graus de liberdade. Para ilustrar, estimamos uma função para o log do salário-hora. Assim, temos os parâmetros dos retornos percentuais de cada entrada no modelo. Podemos avaliar se, por exemplo, depois de controlar por educação e titularidade, experiência ainda tem um efeito estatisticamente significante no salário-hora.


library(wooldridge)

data("wage1") # puxamos os dados

summary(lm(log(wage) ~ educ + exper + tenure, data=wage1))

E abaixo, a saída da regressão.

E de fato, a 5\% de significância existe um efeito para experiência. Mais especificamente, um ano a mais de experiência na média se traduz em 0,41\% de aumento salarial. Observe ainda que a estatística t pode ser calculada como sendo o parâmetro \beta_j estimado sobre o erro-padrão. Para o caso da experiência, temos 0.004121/0.001723, que é igual a 2,39. Em outras palavras, podemos rejeitar a hipótese nula que \beta_j = 0.

__________________________

(*) Isso e muito mais você aprende em nosso Curso de Introdução à Econometria usando o R.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

O que é um Vector Database e como criar um com LangChain

Nesta postagem, mostramos como construir um pipeline simples de RAG (Retrieval-Augmented Generation) usando o LangChain, o modelo Gemini 2.0 Flash e o Vector Database Chroma. Utilizamos como exemplo o Relatório de Inflação de junho de 2025 do Banco Central do Brasil. O fluxo envolve o download e leitura do PDF, divisão do texto com RecursiveCharacterTextSplitter, geração de embeddings com Gemini, armazenamento vetorial com Chroma e busca semântica para responder perguntas com base no conteúdo do relatório. É uma aplicação prática e didática para economistas que desejam integrar IA ao seu fluxo de análise.

Automatizando a Construção de Códigos em Python com LangGraph

Neste post, mostramos como construir um agente de código em Python utilizando LangGraph, LangChain e Gemini. A proposta é construir um protótipo para automatizar o ciclo completo de geração, execução e correção de código com o uso de LLMs, organizando o processo em um grafo de estados.

Análise de Dados com REPL Tool e LLM usando LangGraph

Neste post, vamos mostrar como você pode criar um agente que interpreta e executa código Python em tempo real, utilizando o REPL-Tool e um LLM da família Gemini. Começamos com um exemplo genérico e, em seguida, aplicamos a mesma estrutura à análise econômica de uma série histórica do IPCA.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.