Access Mechanisms to IEEE 802.11 WiFi Networks and
2.1 MAC of the IEEE 801 and 801e descrip- descrip-tion
NOTA: A tabela apresenta o valor do coeficiente e entre parênteses o erro-padrão robusto. Na amostra estimativa usou-se o procedimento desenvolvido por Hansen (2000) para construir o intervalo de confiança heterocedástico- consistente de 99% para a localização do limiar com base em uma razão de probabilidade que segue uma distribuição não padronizada. Eq. # Yi,s,t = logit (Sellt) = β0+ β1alpha𝑖+ β2beta𝑖+ β3theta𝑖+ β4inter. RR𝑖+ β5Rf(%)𝑖+
β6RMSSD𝑖+ β7SDNN𝑖+ β8profissional𝑖+ ε𝑖. Os coeficientes β’s são os logaritmos das odd-ratios. Valores
negativos indicam um relacionamento negativo entre as probabilidades de sucesso e a variável independente. Por sua vez, valores positivos indicam um relacionamento positivo. Isto é, quais são as variáveis que afetam significativamente a variação de Y. Schwarz Bayesian Criterion apresenta um critério robusto para seleção de modelos entre um conjunto finito de modelos econométricos, definido conforme a seguinte equação matemática: 𝑆𝐵𝐶 = × 2 + 𝑘 ∙ 𝑙𝑛(𝜂) + 𝐶 (𝑐𝑜𝑛𝑠𝑡). Teste bicaudal: teste cujo objetivo é testar apenas se as médias (ou proporções) são iguais ou diferentes e não estabelecer qual delas é maior ou menor. Nota: Ao usar modelos FE assumimos que algo dentro do indivíduo pode afetar ou influenciar as variáveis de previsão ou de resultado e precisa- se controlar para isso. Essa é a lógica por trás da hipótese da correlação entre variáveis prazo e erro de previsão de variáveis. FE remove o efeito dessas características invariantes no tempo, para que possamos avaliar o efeito líquido dos preditores na variável de desfecho. Outro pressuposto importante do modelo FE é que essas características invariantes no tempo são únicas para o indivíduo e não deve ser correlacionadas com outras características individuais. Cada indivíduo é diferente, portanto o termo de erro e o da constante (que capta características individuais) não devem ser correlacionados com os outros. Se os termos de erro são correlacionados, então FE não é adequado, uma vez que inferências podem não estar corretas e que você precisa para modelar esse relacionamento (provavelmente usando de efeitos aleatórios), e essa é a principal razão para o teste de Hausman (Software Estatístico STATA). Nota: os retornos foram separados para evitar problemas de colinearidade entre as variáveis e a constante de coeficientes a serem testados; os dados resultantes das variáveis explicativas sofreram transformação para logaritmos naturais. Para resolver o problema da discrepância provocada no segundo quartil, a transformação da série em logaritmo e a remoção da tendência parecem ter sido eficazes na suavização da série, visto que os valores de média e desvio-padrão das variáveis sofreram transformação logarítmica. Os intervalos de retorno 𝛽0 são expressos
em percentual (%) e implica no resultado obtido a partir do logaritmo natural da divisão entre a cotação de fechamento na data t pela cotação de fechamento na data t−1 (CHATTERJEE; HADI, 2006).
Do mesmo modo, então, abaixo é apresentada a tabela 16, a qual se refere apenas e tão somente aos dados neurais e psicofisiológicos dos sujeitos i, categorizados neste estudo como investidores individuais “profissionais”, ou também investidores individuais “experts” para dois intervalos de retorno financeiro percentual por tabela, quais sejam: -10 |---| -5 / +5 |---| +10 ; e, --5 |---| 0 / 0 |---| +5; em que se busca demonstrar os resultados alcançados, enquanto desempenho decisório financeiro final dos experimentos realizados, estimados a partir da aplicação dos Modelos Econométricos de Regressão Logística: nonlinear Generalized Model (logit) estruturados à capacidade preditiva de modelos teóricos do comportamento humano e testar teorias econômicas de Coeficientes de Estimativas de variáveis binárias (dummys) com Dados em Painel Desbalanceados. Nota: A regressão múltipla utiliza a correção de White (1980): heteroscedasticity-consistent standard errors(Hansen, 2000) para construir o intervalo de confiança heterocedástico-consistente de 99%; Equação: # Yi,s,t = logit (Sellt) = β0+ β1alpha𝑖+ β2beta𝑖+ β3theta𝑖+
β4inter. RR𝑖+ β5Rf(%)𝑖+ β6RMSSD𝑖+ β7SDNN𝑖+ β8profissional𝑖+ ε𝑖; em que, Sellt representa a variável
resposta categórica, binária, e os termos 𝑥𝑖 (i = 1, 2, ..., n) associam-se às variáveis explicativas; o coeficiente 𝛽0
representa o valor da variável Selltquando as variáveis explicativas são nulas; as expressões βi são indicadores de
coeficientes de regressão e o resíduo (ε) é o erro de previsão, ou seja, a diferença entre os valores reais e os previstos da variável resposta, que é assumido normalmente distribuído com média zero e variância σ2 (HAIR JR. et al., 2005).
As estimativas de máxima verossimilhança considerada para os parâmetros (random-intercept) para o modelo de regressão logística e seus erros-padrão são uma variável determinada pelo coeficiente 𝛽0, p representa dummies para
os intervalos de retorno ganho ou perda de capital; erro robusto da regressão calculado [𝑒𝑖 = 𝑦𝑖– ƒ(𝑥𝑖; 𝛽̂)] pelo
procedimento de White (teste de heterocedasticidade). A variável determinada pelo coeficiente 𝛽0, p representa
ratios. Valores negativos indicam um relacionamento negativo entre a probabilidade de sucesso e a variável independente. Por sua vez, valores positivos indicam um relacionamento positivo. Quais são as variáveis que afetam significativamente a variação de Y. Schwarz Bayesian Criterion é um critério para seleção de modelos entre um conjunto finito de modelos, definido conforme a seguinte equação matemática: 𝑆𝐵𝐶 = × 2 + 𝑘 ∙ 𝑙𝑛(𝜂) + 𝐶 (𝑐𝑜𝑛𝑠𝑡). Teste bicaudal: teste cujo objetivo é testar apenas se as médias (ou proporções) são iguais ou diferentes, e não estabelecer qual delas é maior ou menor.
*p-valor < 0.10. **p-valor < 0.05. ***p-valor < 0.01
Φ INVESTIDORES INDIVIDUAIS INEXPERIENTES
Tabela 16. Modelo de Regressão Logística :⇔ nonlinear Generalized Model (logit) para Coeficientes de Estimativas e Dados em Painel Desbalanceados
Parâmetros de Escala GLM sobre n = 115 observações a partir de i = 12 sujeitos e t = variável contínua. Propriedades Logarítmicas foram utilizadas como um offset.
Variável Coeficiente _ Coef Erro-padrão da Estimativa [𝐒𝐞] estatística Z pr(Y =1|x=0) Estatística Wald chi²
p-valor Estatística Chi- squared (Prob> chi2) Intervalos de
Retorno ǀ 𝛽0
]-5, 0] 0.5653 0.4700 1.20 0.5589 0.229 Prob> chi2 = 0.06* ]0, 5[ 1.6468 0.5599 2.94 0.7879 0.003** R-R interval ‒1.4182 3.3063 ‒0.43 0.668 RMSSD (função exponencial) 35.7540 25.9121 1.38 0.168 SDNN (função exponencial) ‒49.9596 25.5601 1.95 0.05** Beta wave (função logarítmica) ‒1.1310 0.8186 ‒1.38 0.167 Alfa wave (função logarítmica) ‒2.0393 2.0288 ‒1.01 0.315 constante 23.2160 17.9735 1.29 0.196
# de obs. Com Y = 0 : # Número de regressão logística total de obs. : 115 # de obs. Com Y = 1 : Hausman test =
Log-likelihood = ‒ 70.3263 ≡ a robustez/potência do teste estatístico (1 – β) pode ser derivada da derivado da função likelihood
NOTA: A tabela apresenta o valor do coeficiente e entre parênteses o erro-padrão robusto. Na amostra estimativa usou-se o procedimento desenvolvido por Hansen (2000) para construir o intervalo de confiança heterocedástico- consistente de 99% para a localização do limiar com base em uma razão de probabilidade que segue uma distribuição
não padronizada. Eq. # Yi,s,t = logit (Sellt) = β0+ β1alpha𝑖+ β2beta𝑖+ β3theta𝑖+ β4inter. RR𝑖+ β5Rf(%)𝑖+
β6RMSSD𝑖+ β7SDNN𝑖+ β8profissional𝑖+ ε𝑖. Os coeficientes β’s são os logaritmos das odd-ratios. Valores
negativos indicam um relacionamento negativo entre as probabilidades de sucesso e a variável independente. Por sua vez, valores positivos indicam um relacionamento positivo. Isto é, quais são as variáveis que afetam significativamente a variação de Y. Schwarz Bayesian Criterion apresenta um critério robusto para seleção de modelos entre um conjunto finito de modelos econométricos, definido conforme a seguinte equação matemática: 𝑆𝐵𝐶 = × 2 + 𝑘 ∙ 𝑙𝑛(𝜂) + 𝐶 (𝑐𝑜𝑛𝑠𝑡).Teste bicaudal: teste cujo objetivo é testar apenas se as médias (ou proporções) são iguais ou diferentes e não estabelecer qual delas é maior ou menor. Nota: Ao usar modelos FE assumimos que algo dentro do indivíduo pode afetar ou influenciar as variáveis de previsão ou de resultado e precisa- se controlar para isso. Essa é a lógica por trás da hipótese da correlação entre variáveis prazo e erro de previsão de variáveis. FE remove o efeito dessas características invariantes no tempo, para que possamos avaliar o efeito líquido dos preditores na variável de desfecho. Outro pressuposto importante do modelo FE é que essas características invariantes no tempo são únicas para o indivíduo e não deve ser correlacionadas com outras características individuais. Cada indivíduo é diferente, portanto o termo de erro e o da constante (que capta características individuais) não devem ser correlacionados com os outros. Se os termos de erro são correlacionados, então FE não é adequado, uma vez que inferências podem não estar corretas e que você precisa para modelar esse relacionamento (provavelmente usando de efeitos aleatórios), e essa é a principal razão para o teste de Hausman. (Software Estatístico STATA). Nota: os retornos foram separados para evitar problemas de colinearidade entre as variáveis e a constante de coeficientes a serem testados;os dados resultantes das variáveis explicativas sofreram transformação para logaritmos naturais. Para resolver o problema da discrepância provocada no segundo quartil, a transformação da série em logaritmo e a remoção da tendência parecem ter sido eficazes na suavização da série, visto que os valores de média e desvio-padrão das variáveis sofreram transformação logarítmica. Os intervalos de retorno𝛽0são expressos em percentual (%) e implica no resultado obtido a partir do logaritmo natural da divisão entre
Do mesmo modo, então, abaixo é apresentada a tabela 17, a qual se refere apenas e tão somente aos dados neurais e psicofisiológicos dos sujeitos i, categorizados neste estudo como investidores individuais “profissionais”, ou também investidores individuais “experts” para dois intervalos de retorno financeiro percentual por tabela, quais sejam: -10 |---| -5 / +5 |---| +10 ; e, --5 |---| 0 / 0 |---| +5; em que se busca demonstrar os resultados alcançados, enquanto desempenho decisório financeiro final dos experimentos realizados, estimados a partir da aplicação dos Modelos Econométricos de Regressão Logística: nonlinear Generalized Model (logit) estruturados à capacidade preditiva de modelos teóricos do comportamento humano e testar teorias econômicas de Coeficientes de Estimativas de variáveis binárias (dummys) com Dados em Painel Desbalanceados. Nota: A regressão múltipla utiliza a correção de White (1980): heteroscedasticity-consistent standard errors(Hansen, 2000) para construir o intervalo de confiança heterocedástico-consistente de 99%; Equação: # Yi,s,t = logit (Sellt) = β0+ β1alpha𝑖+ β2beta𝑖+ β3theta𝑖+
β4inter. RR𝑖+ β5Rf(%)𝑖+ β6RMSSD𝑖+ β7SDNN𝑖+ β8profissional𝑖+ ε𝑖; em que, Sellt representa a variável
resposta categórica, binária, e os termos 𝑥𝑖 (i = 1, 2, ..., n) associam-se às variáveis explicativas; o coeficiente 𝛽0
representa o valor da variável Selltquando as variáveis explicativas são nulas; as expressões βi são indicadores de
coeficientes de regressão e o resíduo (ε) é o erro de previsão, ou seja, a diferença entre os valores reais e os previstos da variável resposta, que é assumido normalmente distribuído com média zero e variância σ2 (HAIR JR. et al., 2005).
As estimativas de máxima verossimilhança considerada para os parâmetros (random-intercept) para o modelo de regressão logística e seus erros-padrão são uma variável determinada pelo coeficiente 𝛽0, p representa dummies para
os intervalos de retorno ganho ou perda de capital; erro robusto da regressão calculado [𝑒𝑖 = 𝑦𝑖– ƒ(𝑥𝑖; 𝛽̂)] pelo
procedimento de White (teste de heterocedasticidade). A variável determinada pelo coeficiente 𝛽0, p representa
dummies para os intervalos de retorno ganho ou perda de capital. Os coeficientes β’s são os logaritmos das odd- ratios. Valores negativos indicam um relacionamento negativo entre a probabilidade de sucesso e a variável
independente. Por sua vez, valores positivos indicam um relacionamento positivo. Quais são as variáveis que afetam significativamente a variação de Y. Schwarz Bayesian Criterion é um critério para seleção de modelos entre um conjunto finito de modelos, definido conforme a seguinte equação matemática: 𝑆𝐵𝐶 = × 2 + 𝑘 ∙ 𝑙𝑛(𝜂) + 𝐶 (𝑐𝑜𝑛𝑠𝑡). Teste bicaudal: teste cujo objetivo é testar apenas se as médias (ou proporções) são iguais ou diferentes, e não estabelecer qual delas é maior ou menor.
*p-valor < 0.10. **p-valor < 0.05. ***p-valor < 0.01
Os intervalos de ganhos e perdas realizados ou não realizados considerados nesta pesquisa podem ser equiparados com os mesmos intervalos de Kaustia (2010) e Grinblatt e Keloharju (2001), uma vez que para esses autores os ganhos e perdas possíveis ou realizados foram considerados em valores diários.
À luz das Neurofinanças, isso mostra que retornos negativos expressivos influenciam significativamente a retenção dos ativos em carteira, e esses resultados vão ao encontro do trabalho de Statman, Thorley e Vorkink (2006). Desse modo, os testes realizados mostram pela primeira vez como neurais dados gerados na ausência de escolha podem ser usados para testar teorias concorrentes de tomada de decisão financeira (princípio da parcimônia). Um trabalho recente examinou como os dados recolhidos neurais na ausência de escolha podem ajudar a prever escolha em outras configurações, como as decisões de compra dos consumidores (SMITH et al., 2014; FRYDMAN et al., 2014).