Método dos Momentos Generalizados

De modo a complementar o conhecimento sobre modelos utilizados no âmbito da modelagem macroeconômica, vamos mostrar agora um método que pode ser considerado uma generalização de diversos outros métodos de estimação, tais como mínimos quadrados, variáveis instrumentais e máxima verossimilhança. Vamos realizar uma introdução ao Método dos Momentos Generalizado (GMM) e demonstrar o seu uso através de um exemplo no Python.

Enquanto, como vimos, as propriedades do estimador de mínimos quadrados depende da exogeneidade dos regressores, o Método dos Momentos Generalizado (GMM) é muito mais flexível dado que ele requer apenas algumas premissas relacionadas a condições de momento. Em macroeconomia, por exemplo, isso permite estimar um modelo estrutural equação por equação.

O GMM é uma abordagem flexível que permite estimar parâmetros desconhecidos usando informações sobre os momentos das variáveis aleatórias observadas.

A ideia principal do GMM é encontrar os valores dos parâmetros que tornam os momentos teóricos calculados a partir do modelo estatístico mais próximos possível dos momentos empíricos observados nos dados. Isso é feito minimizando uma função de distância entre os momentos empíricos e teóricos.

_____________________________________
Quer aprender mais?

Seja um aluno da nossa trilha de Macroeconomia Aplicada  e aprenda a criar projetos voltados para a Macroeconomia.

_______________________________________________

Referências

Bueno, R. L. S. 2011. Econometria de Séries Temporais. Editora Cengage Learning.
Cameron, Adrian Colin. 2010. Microeconometrics using Stata. Stata Press.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

As diferentes formas de avaliar o erro de um modelo de previsão

Existem tantas siglas para métricas de desempenho de modelos preditivos que é fácil se perder na sopa de letrinhas. Neste artigo, fornecemos uma visão geral das principais métricas para avaliar e comparar modelos de regressão e classificação, usando exemplos com dados em Python.

Previsão do CPI usando text mining

Exploramos neste exercício, de forma similar a Ferreira (2022), a utilidade de tópicos latentes extraídos dos comunicados do FOMC, por um modelo LDA, na previsão da inflação norte-americana, medida pelo CPI. O objetivo é comparar um modelo econométrico simples, tal como um AR-GAP de Faust e Wright (2013), em especificações com e sem os fatores textuais.

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.