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

Analisando o sentimento da política monetária com IA usando Python

Análise de sentimentos é uma técnica de Processamento de Linguagem Natural (PLN) que serve para revelar o sentimento contido em um texto. Neste exercício, aplicamos esta técnica para analisar as atas das reuniões do COPOM, revelando o que os diretores de política monetária discutem nas entrelinhas. Utilizando um modelo de Inteligência Artificial através do Python, produzimos ao final um índice de 0 a 100 para sintetizar a análise histórica.

Como a IA pode auxiliar na otimização de Portfólio de Investimentos?

A construção de portfólio ótimo refere-se ao processo de alocar eficientemente capital entre um conjunto predefinido de ativos ou títulos. O campo da construção de portfólio tem sido extensivamente estudado por acadêmicos e profissionais desde a década de 1950, quando Markowitz introduziu sua inovadora abordagem de média-variância para a construção de portfólio. Diante disso, podemos melhorar o processo de alocação de peso de um investimento em um portfólio através do Aprendizado não supervisionado com a aplicação do Hierarchical Risk Parity (HRP). Neste exercício, realizamos uma introdução ao método e mostramos os resultados de um exemplo criado através do Python.

Prevendo múltiplas séries usando IA no Python

Como podemos realizar previsões para várias séries temporais simultaneamente? Para abordar essa questão, empregamos a biblioteca MLForecastdo Python. Esta biblioteca disponibiliza uma variedade de modelos e funcionalidades para realizar previsões em séries temporais utilizando técnicas de aprendizado de máquina. Demonstramos sua aplicação ao prever as curvas de energia horária em quatro regiões distintas do Brasil.

Esse exercício é uma continuação do exercício “Usando IA para prever o consumo de energia no Brasil com Python”.

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.