Efeitos fixos ou aleatórios?

A resposta a esta questão é fundamental para o modelo de estimação de dados em painel e deve ser procurada na resposta a duas questões (Hsiao, 1992): (1) os objectivos do estudo em questão e (2) o contexto dos dados, a forma como foram recolhidos e a envolvente onde foram gerados.

Assim, se o que se pretende é efectuar inferência relativamente a uma população, a partir de uma amostra aleatória da mesma, os efeitos aleatórios serão a escolha apropriada.

Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? 136

Se se pretende estudar o comportamento de uma unidade individual em concreto, então os efeitos fixos são a escolha óbvia na medida em que é indiferente considerar-se a amostra como aleatória ou não. Em particular, no caso de se estar a estudar um grupo de N países, toda a inferência terá que ser condicional em ordem ao grupo específico sob observação. Ou seja, na generalidade dos estudos macro econométricos, por ser impossível ver uma amostra de N países como uma selecção aleatória de uma população com dimensão tendencialmente infinita, tanto mais que representará com grande probabilidade a quase totalidade da população em estudo, torna-se evidente que a escolha acertada é a especificação com efeitos fixos, como é defendido em Judson e Owen (1996).

Em termos estatísticos, a selecção de um modelo com efeitos fixos será sempre racional num modelo de dados em painel, já que os resultados obtidos são sempre consistentes, podendo no entanto não ser os mais eficientes (P-values mais baixos).28A consistência é uma das principais propriedades da amostra, na qual nos aproximamos do verdadeiro valor do parâmetro, à medida que a dimensão da mesma aumenta.

A distinção destes conceitos deverá ser analisada em primeiro lugar em termos teóricos: 1 Modelo de Efeitos Fixos (Análise de Covariância)

Uma forma de conjugar a parcimónia com a heterogeneidade e a interdependência é admitir que os coeficientes

β

são idênticos para todos os indivíduos, com excepção do termo independente

β

1i, que é específico a cada indivíduo, mantendo-se a hipótese da

homogeneidade das observações. Formalmente:

a:

β

kit =

β

k , ∀i,t , excepto para k=1, caso em que

β

1it =

β

1i

b: uit ~ i.i.d.(0,σ2).

Uma forma mais simples de enunciar a especificação é fazer

β

1it =

β

1 + αi, pelo que

o modelo base passa a ser:

Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? 137

Este modelo é chamado de Análise de Covariância, um caso específico da família de modelos de dados em painel com efeitos fixos, ou modelo de variáveis dummy individuais. O modelo é relativamente fácil de estimar, trata as diferenças individuais de forma sistemática e permite que as mesmas sejam testadas.

2. Modelo de Efeitos Aleatórios (Componentes de Variância)

Os efeitos individuais da especificação anterior resultam de uma série de factores individuais, constantes no tempo e não observáveis. Desta forma, talvez seja mais razoável tratá-los como se de termos de perturbação se tratassem, ou seja, especificar os efeitos individuais, não de forma determinística, mas aleatória. A escolha de uma ou outra especificação pode e deve ser procurada nos pressupostos comportamentais de base. Assim se crê que os efeitos individuais resultam de um grande número de factores não aleatórios, a especificação com efeitos fixos é mais lógica. Para amostras de grande dimensão, o número de parâmetros a estimar, com efeitos fixos, pode ser relativamente elevado, pelo que uma especificação que relega as diferenças individuais para uma componente não sistemática, logo, não estimável, parece ser mais apropriada.

Este modelo de componentes de erro introduz a heterogeneidade individual no termo de perturbação que poderá ser dividido em duas partes: uma comum, com média nula e variância σ2

u e uma individual, também com média zero, mas com variância σ2α e que se

assumem independentes. Formalmente: a: βit = β, ∀i,t, em que β é (k×1);

b: vit = αi + uit

Assim, o modelo pode ser visto como um modelo em que o termo independente é aleatório, com

β

1i =

β

1 + αi e E(αi) = 0.

Quanto à terminologia, é comum entender-se que os modelos com efeitos fixos e com efeitos aleatórios se podem englobar numa mesma classe de modelos de componentes de

Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? 138

erro, em que o primeiro será o caso geral (por não se assumir qualquer distribuição para os efeitos) e o segundo um caso particular, em que se admite uma dada distribuição para a heterogeneidade.

3 Teste de Hausman (efeitos fixos versus efeitos aleatórios)

O teste de Hausman é utilizado para decidir qual dos modelos é o mais apropriado: o modelo de efeitos aleatórios (H0) ou o modelo de efeitos fixos (HA). O teste apresenta-se da

seguinte forma:

(

,

)

0 : 0 Cov ai Xit = H (efeitos aleatórios, GLS)

(

,

)

0 : _{i it} ≠ A Cov a X H (efeitos fixos, LSDV)

Sob a hipótese nula, os estimadores do modelo com efeitos aleatórios (estimação GLS) são consistentes e eficientes. Sob a hipótese alternativa, os estimadores GLS com efeitos aleatórios (e OLS) são não consistentes, mas os estimadores com efeitos fixos são.

A estatística de Hausman utilizada para testar estas hipóteses é a seguinte:

(

ˆ ˆ

)

[

( )

ˆ

( )

ˆ

]

1

(

ˆ ˆ

)

_~ 2 k re fe re fe re fe b Varb Varb b b b H= − ′ − − −

χ

fe

bˆ é o vector dos estimadores do modelo com efeitos fixos re

bˆ é o vector dos estimadores do modelo com efeitos aleatórios

( )

bfe

Var ˆ é a matriz de variâncias-covariâncias dos estimadores bˆ _fe

( )

bre

Var ˆ é a matriz de variâncias-covariâncias dos estimadores bˆ _re

k é o número de regressores Critério de selecção:

se H >

χ

_k2 rejeitar o modelo com efeitos aleatórios. O modelo com efeitos fixos é, nesse caso, mais apropriado.

O teste de Hausman não nos permite excluir a hipótese nula, no entanto o modelo de efeitos fixos, ao contrário do de efeitos aleatórios, permite correlação arbitrária entre

α

_ie X_itpelo

Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? 139

o modelo de efeitos aleatórios tem necessariamente de ser usado em determinadas situações, como é o caso da variável dependente ser constante ao longo do tempo, o que não se verifica na amostra em estudo.

Dada a reduzida dimensão da amostra e empiricamente ser também expectável que a heterogeneidade entre os países esteja no termo independente era esperado que estivéssemos perante um modelo com efeitos fixos. Ao conduzir no programa EViews o teste para validar a existência de efeitos fixos para as amostras estudadas (ver tabelas 3 e 4 em anexo) na variável cross-section (países) concluímos que, de facto, estamos perante um modelo de dados em painel com efeitos fixos, o que, conjuntamente com o número reduzido de elementos da amostra, nos permitirá estimar pelo método de mínimos quadrados ordinários (OLS).

O modelo de efeitos fixos pretende controlar os efeitos das variáveis omitidas que variam entre indivíduos e permanecem constantes ao longo do tempo. Para isto, supõe que o intercepto varia de um indivíduo (país) para o outro, mas que é constante ao longo do tempo, ao passo que os parâmetros de resposta são constantes para todos os indivíduos e em todos os períodos de tempo. De acordo com Hill, Griffiths e Judge (1999), as suposições do modelo são:

O modelo de efeitos fixos será, portanto, dado por:

Neste modelo

α

i representa os interceptos a serem estimados, um para cada indivíduo. Como os parâmetros de resposta não variam entre os indivíduos, nem ao longo do tempo, todas as diferenças de comportamento entre os indivíduos deverão ser captadas pelo intercepto. Deste modo,

α

i pode ser interpretado como o efeito das variáveis omitidas no modelo.

Outro importante pressuposto do modelo de efeitos fixos é que o intercepto é um parâmetro fixo e desconhecido que capta as diferenças entre indivíduos que estão na amostra. Assim,

Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? 140

as inferências feitas acerca do modelo são somente sobre os indivíduos dos quais se dispõe dados.

Da literatura existente no sector, a adopção de modelos lineares para o tratamento de dados em painel é a mais comum (Duarte, 2008 e Marques, 2000), estando a teoria económica subjacente ao nexo de causalidade entre as variáveis. Adicionalmente não é expectável uma interdependência entre as variáveis explicativas que justifique uma análise observacional em que os dados são modelados por uma função que é uma combinação não-linear de parâmetros do modelo, dependendo de uma ou mais variáveis independentes (ex.

i i u X Y = + 3 + 2 1 ln β

β

β

). Nos modelos não lineares, os dados são ajustados por algum método de aproximações sucessivas. Deste modo, os resultados apresentados no sub- capítulo seguinte para o tratamento de dados em painel têm como base um modelo linear. 5.3 Análise das séries de dados

As séries de dados referidas no ponto 5.1 foram inicialmente tratadas recorrendo ao modelo de regressão linear, utilizando o software SPSS. Como referido no ponto 5.2 e demonstrado em seguida, este modelo é bastante restritivo para a análise de dados em painel pelo que os resultados apresentados foram estimados usando o modelo de efeitos fixos e o software EViews.

No documento Regulação e Incentivos ao Investimento no Sector do Gás Natural: Que soluções? (páginas 144-149)