3. METODOLOGIA DE PESQUISA
3.5. Tratamento dos Dados
3.5.2. Método dos Momentos Generalizados Sistêmicos (GMM – Sistêmico)
O GMM foi desenvolvido seguindo uma linha evolutiva ao longo das últimas três
décadas e tendo como foco a estimação de modelos dinâmicos, ou seja, modelos empíricos que
incluem entre os regressores uma ou mais defasagens da variável de resposta (Barros et al.,
2010). Seu principal pressuposto consiste na exogeneidade estrita das variáveis, ou seja, não
existe correlação entre as variáveis explicativas e o termo de erro aleatório do modelo.
Ele ainda pode ser utilizado para estimar modelos em que os pressupostos da estimação
por MQO ou método da máxima verossimilhança não são satisfeitos, pois mesmo na presença
de autocorrelação dos resíduos e de heterocedasticidade o GMM é capaz de produzir
estimativas consistentes e eficientes (Heij et al., 2004). Essa métrica de estimação se adequada
a situações em que o painel analisado apresenta uma grande quantidade de dados cross-section
e número pequeno de períodos de tempo; a relação entre as variáveis do modelo é linear; há
uma dependência da variável dependente de suas defasagens; há presença de heterogeneidade
não observada; e as variáveis dependentes não são estritamente exógenas (Roodman, 2009).
Existem duas vertentes do modelo GMM: o GMM em Diferenças e o GMM Sistêmico.
Desenvolvido por Arellano e Bond em 1991, o GMM em Diferenças (GMM-Dif) é um método
de estimação, também conhecido como estimador Arellano-Bond, que permite a incorporação
de variáveis instrumentais ao modelo de regressão, por meio da utilização de defasagens dos
regressores originais (Roodman, 2009), como demonstrado na Equação 5.
∆Y
i,t= ∆X
i,tβ + ∆ε
i,t(5)
em que, ∆
,≡
, , −, ∆
,≡
, , −, ∆
,≡
, , −.
Desta forma, a operacionalização do GMM-Dif ocorre pelo cálculo das diferenças das
variáveis (no tempo t) em relação ao seu valor no período anterior (em t-1). Salienta-se que
nessa operação a heterogeneidade não observada é eliminada, dado que essa característica é
invariante no tempo, ∆ 0.
A eliminação da heterogeneidade não observada (μ
i) fornece a condição de momento
evidenciada na Equação 6, demonstrando que a variável endógena defasada pode ser utilizada
como um instrumento, dispensando qualquer tipo de suposição sobre a existência de correlação
entre a heterogeneidade individual μ
ie os regressores do modelo (Barros et al., 2010).
E ∆X
i,t-s∆ε
i,t= 0, para s ≥ 2 (6)
Contudo, o GMM-Dif apresenta algumas limitações: (i) em amostras finitas ele pode
fornecer instrumentos fracos; (ii) se as variáveis endógenas forem persistentes no tempo, as
variáveis defasadas serão pouco correlacionadas com as primeiras diferenças, o que torna o
GMM-Dif ineficiente e viesado em pequenas amostras; e (iii) a diferenciação das variáveis pode
ampliar bastante o desbalanceamento do painel (Blundell & Bond, 1998; Roodman, 2009).
Em vista disso, em 1998 Blundell e Bond apresentaram um aperfeiçoamento do
GMM-Dif, o GMM-Sistêmico. Ele acrescenta novas condições de momento ao método aumentando a
eficiência do estimador mesmo em amostras finitas. Os autores definiram como premissa que
a transformação de primeira diferença (ΔX
i,t) não se correlaciona com os termos de erro do
modelo (μ
ie ε
it) como formalizado na Equação 7 (Barros, et al., 2010).
E ∆X
i,t-1ε
i,t= E ∆X
i,t-1(ε
i,t+μ
i) =0 (7)
Segundo Barros et al., (2010) este último pressuposto não é particularmente restritivo
porque permite a correlação entre os regressores e a heterogeneidade não observada. Exige-se
apenas que a forma desta correlação não mude entre um determinado momento do tempo e o
momento seguinte, o que é geralmente aceitável, dada a natureza da heterogeneidade específica
μ
i, como na Equação 8:
[∆
,] → [
,] [
, −] (8)
Essa abordagem proposta por Blundell e Bond (1998) ao transformar os regressores,
tornando-os exógenos ao efeito fixo, retira o viés determinado pela presença de heterogeneidade
não observada, assim aumentando a eficiência do modelo GMM-Dif. Por isso, no presente
estudo, empregou-se o GMM-Sistêmico para estimar os modelos apresentados nas Equações 9,
10, 11, 12, 13 e 14.
,