SlideShare uma empresa Scribd logo
1 de 40
Econometria
Tópico 3 – Regressão Múltipla
Quebra dos pressupostos: Multicolinearidade
Ricardo Bruno N. dos Santos
Professor Adjunto da Faculdade de Economia
e do PPGE (Economia) UFPA
Lembre-se que os vídeos necessários para o
acompanhamento dessa apresentação são todos os
vídeos que iniciam por 05, e encontram-se dentro da
pasta Vídeos no mediafire.
Link do mediafire:
http://www.mediafire.com/?q1dbpxh1b4uxo
No Slideshare:
Quebra dos pressupostos:
Multicolinearidade
A hipótese 8 do MCRL enfatiza que não há
multicolinearidade entre as variáveis independentes
presentes no modelo de regressão. Aqui estaremos
interessados em verificar:
1) Qual a natureza da multicolinearidade?
2) A multicolinearidade é realmente um problema?
3) Quais são suas consequências práticas?
4) Como é detectada?
5) Que medidas podem ser tomadas para atenuar o
problema da multicolinearidade?
Quebra dos pressupostos:
Multicolinearidade
Com relação a sua natureza a multicolinearidade surgiu
inicialmente com o conceito da existência de uma linearidade
“perfeita” ou exata entre duas variáveis independentes.
A principal causa da multicolinearidade é influenciar nos erros
padrão dos coeficientes, fazendo com que tais sejam
menores. Portanto, seu principal impacto é dificultar a
estimação dos parâmetros da equação.
Vejamos agora um exemplo concreto de multicolinearidade
perfeita e uma outra não perfeita, porém, alta.
Quebra dos pressupostos:
Multicolinearidade
Podemos estabelecer o grau de multicolinearidade conforme
observação gráfica das correlações indicadas por Gujarati:
Quebra dos pressupostos:
Multicolinearidade
Podemos observar o seguinte impacto da multicolinearidade
perfeita sobre os coeficientes e erros padrões de X:
𝛽2 =
𝑦𝑖 𝑥2𝑖 𝑥3𝑖
2
− 𝑦𝑖 𝑥3𝑖 𝑥2𝑖 𝑥3𝑖
𝑥2𝑖
2
𝑥3𝑖
2
− 𝑥2𝑖 𝑥3𝑖
2
e
𝑣𝑎𝑟 𝛽2 =
𝜎2
𝑥2𝑖
2
1 − 𝑟23
2
Quebra dos pressupostos:
Multicolinearidade
Ou seja, se a multicolinearidade for perfeita os coeficientes de
regressão das variáveis X serão indeterminados e seus erros
padrão infinitos. Se a multicolinearidade for menos que
perfeita, os coeficientes de regressão, embora sejam
determinados, possuirão grande erro padrão, o que impede a
precisão ou exatidão dos coeficientes.
Quebra dos pressupostos:
Multicolinearidade
Fontes da multicolinearidade:
1) Método da coleta de dados empregado.
2) Restrições ao modelo ou à população que está sendo
amostrada. Exemplo, regressão do consumo de
eletricidade contra renda (X2) e o tamanho da casa (X3),
há uma restrição física na população, no sentido de que as
famílias com renda mais altas em geral têm casas maiores.
3) Especificação do modelo.
4) Um modelo sobredeterminado. Quando em um modelo
existem mais variáveis que informações.
Quebra dos pressupostos:
Multicolinearidade
Estimação na presença de multicolinearidade
Para o modelo
𝑦𝑖 = 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝑢𝑖
Teremos
𝛽2 =
𝑦𝑖 𝑥2𝑖 𝑥3𝑖
2
− 𝑦𝑖 𝑥3𝑖 𝑥2𝑖 𝑥3𝑖
𝑥2𝑖
2
𝑥3𝑖
2
− 𝑥2𝑖 𝑥3𝑖
2
𝛽3 =
𝑦𝑖 𝑥3𝑖 𝑥2𝑖
2
− 𝑦𝑖 𝑥2𝑖 𝑥2𝑖 𝑥3𝑖
𝑥2𝑖
2
𝑥3𝑖
2
− 𝑥2𝑖 𝑥3𝑖
2
Quebra dos pressupostos:
Multicolinearidade
Suponha que 𝑋3𝑖 = 𝑋2𝑖
Substituindo na equação teremos:
𝛽2 =
𝑦𝑖 𝑥2𝑖 2 𝑥2𝑖
2
−  𝑦𝑖 𝑥2𝑖  𝑥2𝑖 𝑥2𝑖
𝑥2𝑖
2
2 𝑥2𝑖
2
− 2 𝑥2𝑖 𝑥2𝑖
2
=
0
0
Tanto o estimador beta 2 quanto o beta 3 serão
indeterminados nesse caso.
Agora porque isso acontece?
Quebra dos pressupostos:
Multicolinearidade
Devemos lembrar do significado do estimador 𝛽2. Ele nos
fornece a variação do valor médio de Y quando X2 varia uma
unidade, mantendo X3 constante. Porém como X2 e X3 são
uma relação linear perfeita, a medida que um varia o outro
também irá variar, variação esta medida por . Ou seja, não
podemos distinguir diferenças entre o X2 e o X3.
Considerando a relação perfeita entre X2 e X3 podemos
também estabelecer que:
𝑦𝑖 = 𝛽2 𝑥2𝑖 + 𝛽3(𝑥2𝑖) + 𝑢𝑖
𝑦𝑖 = ( 𝛽2 +  𝛽3)𝑥2𝑖 + 𝑢𝑖
𝑦𝑖 = 𝛼𝑥2𝑖 + 𝑢𝑖
Quebra dos pressupostos:
Multicolinearidade
Com isso:
𝛼 = 𝛽2 +  𝛽3 =
𝑦𝑖 𝑥2𝑖
𝑥2𝑖
2
Estimação na presença de multicolinearidade “alta”, mas
“imperfeita”
A primeira situação é algo muito raro em se verificar em se
tratando de dados econômicos.
Porém, o que pode ser muito comum é uma colinearidade
entre duas variáveis que seja alta, podemos identificar isso
pela seguinte relação:
𝑥3𝑖 = 𝑥2𝑖 + 𝑣𝑖
Quebra dos pressupostos:
Multicolinearidade
Agora, a relação entre X3 e X2 está adicionada a um erro
aleatório v, nesses termos temos, evidentemente, que
considerar que ≠ 0 e 𝑥2𝑖 𝑣𝑖 = 0.
O valor do estimador beta 2 então será
𝛽2 =
𝑦𝑖 𝑥2𝑖 2 𝑥2𝑖
2
+ 𝑣𝑖
2
−  𝑦𝑖 𝑥2𝑖 + 𝑦𝑖 𝑣𝑖  𝑥2𝑖
2
𝑥2𝑖
2
2 𝑥2𝑖
2
+ 𝑣𝑖
2
− 2 𝑥2𝑖
2 2
Agora a equação pode ser estimada. No entanto, conforme
previamente observado, o problema residirá agora no erro
dos estimadores que será supereistimado.
Quebra dos pressupostos:
Multicolinearidade
Consequências teóricas da Multicolinearidade
Como foi visto o maior problema da multicolinearidade
ocorrerá apenas, quando ela for perfeita, ou seja, podemos
subentende que a multicolinearidade será um fenômeno que
se apresentará na sua forma “alta” e não perfeita.
Quando ocorre uma alta colinearidade entre duas variáveis
independentes, gerando o efeito da multicolinearidade, os
estimadores poderão, portanto, ser obtidos e eles
conservarão a propriedade sendo não viesados.
Quebra dos pressupostos:
Multicolinearidade
Goldber acrescentou outro problema que acarreta em
multicolinearidade, trata-se da micronumerosidade. A mesma
ocorre quando o número de observações é muito próximo ao
número de variáveis no modelo. Poderíamos associar isso ao
exercício feito sobre o capítulo 7, quando o número de
variáveis era igual ao número de observações do modelo,
impedindo o cálculo dos erros padrão dos estimadores e da
variância do resíduo.
Muitas das vezes se é resolvido o problema da
micronumerosidade, aumentando o tamanho da amostra,
resolvemos o problema da multicolinearidade.
Quebra dos pressupostos:
MulticolinearidadeConsequências práticas da multicolinearidade
As principais consequências listadas por Gujarati são:
a) Embora sejam MELNT, os estimadores de MQO têm GRANDE
VARIÂNCIAS e COVARIÂNCIAS, tornando difícil uma estimação
precisa e confiante;
b) Devido a consequência (a), os INTERVALOS DE CONFIANÇA
tendem a ser muito mais amplos, levando à aceitação imediata
da “hipótese nula H0” (ou seja, de que o verdadeiro
coeficiente populacional seja igual a zero).
c) Também devido a consequência (a), a razão t de um ou mais
coeficientes tende a ser estatisticamente insignificante.
d) Embora a razão t de um ou mais coeficientes seja
estatisticamente insignificante, o R2, a medida geral da
qualidade do ajustamento, pode ser muito alto.
e) Os estimadores de MQO e seus erros padrão podem ser
sensíveis a pequenas alterações nos dados.
Quebra dos pressupostos:
Multicolinearidade
Para exemplificar isso, podemos estabelecer considerando a
fórmula das variâncias que:
𝑣𝑎𝑟 𝛽2 =
𝜎2
𝑥2𝑖
2
1 − 𝑟23
2
𝑣𝑎𝑟 𝛽3 =
𝜎2
𝑥3𝑖
2
1 − 𝑟23
2
E
𝑐𝑜𝑣 𝛽2, 𝛽3 =
𝑟23 𝜎2
1 − 𝑟23
2
𝑥2𝑖
2
𝑥3𝑖
2
Quebra dos pressupostos:
Multicolinearidade
Se aplicarmos o limite de 𝑟23 → 1 então teremos:
lim
𝑟23→1
𝑣𝑎𝑟( 𝛽2) = ∞
lim
𝑟23→1
𝑣𝑎𝑟( 𝛽3) = ∞
lim
𝑟23→1
𝑐𝑜𝑣( 𝛽2, 𝛽3) = ∞
Tendo de porte dessa informação, podemos identificar a
velocidade em que esse aumento das variâncias e
covariâncias estão ocorrendo. Tal aspecto ajudou a
implementar o fator de inflação da variância (FIV), que é
definido como:
𝐹𝐼𝑉 =
1
1 − 𝑟23
2
Quebra dos pressupostos:
Multicolinearidade
O FIV mostra como a variância de um estimador é inflada pela
presença da multicolinearidade. Quando 𝑟23
2
aproxima-se de
1, o FIV aproxima-se do infinito. Ou seja, quando a
colinearidade aumenta, a variância de um estimador aumenta
e, no limite, pode tornar-se infinita. Se não houver
colinearidade entre X2 e X3 o FIV será 1. Assim as equações
de variância podem ser expressas também a partir do FIV.
𝑣𝑎𝑟 𝛽2 =
𝜎2
𝑥2𝑖
2 𝐹𝐼𝑉
𝑣𝑎𝑟 𝛽3 =
𝜎2
𝑥3𝑖
2 𝐹𝐼𝑉
Que mostra que as variâncias de 𝛽2 e 𝛽3 são diretamente
proporcionais ao FIV.
Quebra dos pressupostos:
Multicolinearidade
É mostrada na Tabela 10.1 como evolui a Variância, o FIV e a
Covariância a medida que aumenta-se a colinearidade
(correlação) entre as variáveis X2 e X3.
Quebra dos pressupostos:
Multicolinearidade
Então, graficamente o comportamento da variância do
estimador beta 2 tem um comportamento de crescimento
exponencial a medida que a colinearidade se aproxima de 1.
Quebra dos pressupostos:
Multicolinearidade
Outro indicado útil utilizado é o TOL, que é conhecido como
TOLERÂNCIA, trata-se da relação inversa da FIV, ou seja:
𝑇𝑂𝐿𝑗 =
1
𝐹𝐼𝑉𝑗
= (1 − 𝑅𝑗
2
)
Ou seja, quando 𝑅𝑗
2
= 1 (colinearidade perfeita), 𝑇𝑂𝐿𝑗 = 0 e
𝑅𝑗
2
= 0 (ausência de colinearidade), 𝑇𝑂𝐿𝑗 = 1.
Quebra dos pressupostos:
Multicolinearidade
INTERVALOS DE CONFIANÇA MAIS AMPLOS.
Dado os erros padrão grandes, os intervalos de confiança dos
parâmetros populacionais relevantes tendem a ser maiores,
como podemos ver na Tabela 10.2 abaixo.
Quebra dos pressupostos:
Multicolinearidade
Por exemplo, quando 𝑟23 = 0,95, o intervalo de confiança
para 𝛽2 é maior que quando 𝑟23 = 0 por um fator de 10,26,
ou cerca de 3.
Dessa forma, em casos de alta multicolinearidade, os dados
da amostra podem ser compatíveis com um conjunto diverso
de hipóteses. A probabilidade de aceitar uma hipótese falsa
(erro tipo II) aumenta.
Quebra dos pressupostos:
Multicolinearidade
RAZÕES t “INSIGNIFICANTES”
Ou seja, individualmente a estatística t é importante para se
verificar a significância do estimador, pois, 𝑡 = 𝛽𝑖/𝑒𝑝( 𝛽𝑖).
Porém, podemos observar que diante da multicolinearidade,
os erros padrão aumentam consideravelmente, tornando os
valores t menores. Em tais casos, aceita-se cada vez mais a
hipótese nula de que o verdadeira valor populacional é zero.
Quebra dos pressupostos:
Multicolinearidade
ALTO VALOR DE 𝑅2
, MAS POUCA RAZÕES t SIGNIFICATIVAS.
Vamos considerar o modelo de regressão linear com k
variáveis:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖
Em casos de alta colinearidade, é possível constatar, como já
verificado anteriormente, que um ou mais coeficientes
angulares parciais são não significantes individualmente,
baseado no teste t. Nessas situações, o 𝑅2
pode ser tão alto,
como 0,9, que de acordo como teste F podemos rejeitar
convicentemente a hipótese de que 𝛽2 = 𝛽3 = ⋯ = 𝛽 𝑘 = 0.
De fato, esse é um dos indícios de multicolinearidade.
Quebra dos pressupostos:
Multicolinearidade
SENSIBILIDADE DOS ESTIMADORES DE MQO E DE SEUS ERROS
PADRÃO A PEQUENAS ALTERAÇÕES NOS DADOS.
Considerando uma alta colinearidade (e não a perfeita), é
possível estimar os coeficientes de regressão, mas as
estimativas e seus erros padrão tornam-se muito sensíveis até
mesmo à menor alteração nos dados.
O autor faz uso de uma tabela com 5 informações, onde são
alteradas apenas a ordem de algumas observações da variável
X3. Trata-se das tabelas 10.3 e 10.4.
No slide a seguir encontram-se as tabelas e as estimativas
antes e depois da modificação dos dados:
Quebra dos pressupostos:
Multicolinearidade
Os Resultados de cada modelo são:
Quebra dos pressupostos:
Multicolinearidade
Detecção da MULTICOLINEARIDADE
Segundo Kmenta:
1 – A multicolinearidade é uma questão de grau e não de
tipo. A distinção significativa não é entre a presença e a
ausência da mesma, mas entre seus vários graus.
2 – Uma vez que a multicolinearidade refere-se à condição
das variáveis explanatórias que se supõe não serem
estocásticas, ela é uma característica da amostra, e não da
população.
Ou seja, não são realizado testes para a multicolinearidade,
mas é medido o grau da multicolinearidade em uma amostra
específica.
Quebra dos pressupostos:
Multicolinearidade
Com isso, podemos estabelecer algumas observações ou
regras a serem utilizadas para identificar a presença o
fenômeno da multicolinearidade em uma amostra de dados.
Vejamos os principais:
1) 𝑅2 alto, mas poucas razões t significativas. É um dos mais
clássicos e diretos sintomas da presença da
Multicolinearidade. Evidencia-se como 𝑅2 alto aqueles
com valor acima de 0,8.
2) Altas correlações entre os pares das variáveis
independentes. Se for observadas correlações acima de
0,8 entre os regressores, devemos ligar o sinal de alerta
sobre a presença da multicolinearidade.
Quebra dos pressupostos:
Multicolinearidade
3) Regressões auxiliares. É uma das verificações mais comuns,
trata-se de uma forma de se descobrir qual variável X está
mais relacionada a outras variáveis X. A dinâmica do teste
consiste em tirarmos a variável dependente do modelo (Y) e
elencar (de forma alternada) outra variável independente e
utiliza-la como dependente contra as demais em um novo
modelo. Se o R2 desse novo modelo for maior que o R2 do
modelo que inclui a variável Y, então há fortes indícios da
presença da multicolinearidade.
Quebra dos pressupostos:
Multicolinearidade
Se tivermos o seguinte modelo:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 + 𝑢𝑖
𝑅 𝑦
2
E
𝑋2𝑖 = 𝛼1 + 𝛼2 𝑋3𝑖 + 𝛼3 𝑋4𝑖 + 𝑣𝑖
𝑅 𝑋2
2
Se o 𝑅 𝑋2
2
> 𝑅 𝑦
2, então temos forte evidência da existência da
Multicolinearidade.
Tal regressão pode ser ainda feita considerando as outras
variáveis X (X3 e X4) como variáveis dependentes.
Quebra dos pressupostos:
Multicolinearidade
4) TOL e FIV.
5) Diagrama de dispersão.
Quebra dos pressupostos:
Multicolinearidade
Quebra dos pressupostos:
Multicolinearidade
Medidas Corretivas
Deixa para lá (Não fazer nada). Gujarati remete a um exemplo
do Blanchard indicando que a multicolinearidade é algo
inerente dos dados (Micronumerosidade) e muitas das vezes
não temos escolha sobre os dados disponíveis para a análise
empírica.
1) Ter uma informação a priori. É tratado o exemplo sobre
consumo (Y) sendo afetado por riqueza (X2) e renda (X3). Ora,
se temos a informação de que há um forte grau entre as
variáveis X2 e X3, porque manter as duas no modelo, basta
rodar o modelo apenas com uma. O conhecimento de vasta
literatura é que nos propicia diversos elementos para definir
se duas variáveis específicas irão relacionar a algo comum ou
não.
Quebra dos pressupostos:
Multicolinearidade
2) Combinar dados de corte transversal com séries de tempo.
Esse tipo de medida é uma tentativa de aumentar o número
de observações na amostra. Empilhar os dados dessa forma é
conhecido como montagem de um painel.
3) Exclusão de variável(is) e viés de especificação. Excluir uma
das variáveis que está causando a colinearidade é a saída
mais comum adotada por quem modela. Porém, em algumas
situações essa decisão nos leva a tomar decisões polêmicas.
Um dos exemplos citados no livro e a relação que pode existir
entre renda e riqueza. Se a teoria econômica informa que
essas variáveis devem ser estimadas em conjunto, e verifica-
se que ambas possuem forte correlação (colinearidade) então
o que devemos atender, a situação em que a teoria define a
presença da mesma, ou então tirar a variável do modelo?
Quebra dos pressupostos:
Multicolinearidade
Quando acontece esse empasse, o que permite mantes duas
variáveis no mesmo modelo e a transformação das mesmas.
4) Transformação de variáveis. Usar artifícios como tirar o log,
definir uma primeira diferença, ou ate estipular uma
transformação proporcional são artifícios que podem ser
utilizados para modificar variáveis do modelo.
5) Inserir novos dados. É um artifício muito interessante, no
entanto inserir novas informações na amostra pode se
mostrar um processo caro e demorado, o que torna algo
pouco comum de ser feito.
Quebra dos pressupostos:
Multicolinearidade
6) Reduzindo a colinearidade em regressões polinomiais;
7) Uso da análise multivariada para criação de fatores.
Quebra dos pressupostos:
Multicolinearidade
Exemplo: Uso dos dados de Longley.
No Gretl será realizado a partir da tabela 10.7, a mesma
estará disponível no mediafire com o nome “Gujarati - Tabela
10.7 - Dados de Longley.gdt”
FIM DO TÓPICO
3

Mais conteúdo relacionado

Mais procurados

Distribuição de frequencias
Distribuição de frequenciasDistribuição de frequencias
Distribuição de frequencias
Paulo Silva
 
Fórmulas estatística - medidas - central e dispersão
Fórmulas   estatística - medidas - central e dispersãoFórmulas   estatística - medidas - central e dispersão
Fórmulas estatística - medidas - central e dispersão
marioferreiraneto
 

Mais procurados (20)

04 tópico 3 - regressão multipla
04   tópico 3 - regressão multipla04   tópico 3 - regressão multipla
04 tópico 3 - regressão multipla
 
Distribuição de frequencias
Distribuição de frequenciasDistribuição de frequencias
Distribuição de frequencias
 
Expressoes algebricas
Expressoes algebricasExpressoes algebricas
Expressoes algebricas
 
Introdução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linearIntrodução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linear
 
Aula 12 - Lógica
Aula 12 - LógicaAula 12 - Lógica
Aula 12 - Lógica
 
Fórmulas estatística - medidas - central e dispersão
Fórmulas   estatística - medidas - central e dispersãoFórmulas   estatística - medidas - central e dispersão
Fórmulas estatística - medidas - central e dispersão
 
Regressão Linear I
Regressão Linear IRegressão Linear I
Regressão Linear I
 
Introdução à Regressão Linear
Introdução à Regressão LinearIntrodução à Regressão Linear
Introdução à Regressão Linear
 
econometria
 econometria econometria
econometria
 
Testes de hipóteses
Testes de hipótesesTestes de hipóteses
Testes de hipóteses
 
Função exponencial
Função exponencialFunção exponencial
Função exponencial
 
Analise de Sensibilidade
Analise de SensibilidadeAnalise de Sensibilidade
Analise de Sensibilidade
 
Aula 02 Cálculo de limites - Conceitos Básicos
Aula 02   Cálculo de limites - Conceitos BásicosAula 02   Cálculo de limites - Conceitos Básicos
Aula 02 Cálculo de limites - Conceitos Básicos
 
03 tópico 2 - regressão multipla
03   tópico 2 - regressão multipla03   tópico 2 - regressão multipla
03 tópico 2 - regressão multipla
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
 
Função Exponencial
Função ExponencialFunção Exponencial
Função Exponencial
 
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA02   tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
02 tópico 1 - regressão linear simples 02 - Econometria - Graduação - UFPA
 
Regressão Linear Simples
Regressão Linear SimplesRegressão Linear Simples
Regressão Linear Simples
 
D23 (mat. 3ª série) blog do prof. warles
D23 (mat. 3ª série)    blog do prof. warlesD23 (mat. 3ª série)    blog do prof. warles
D23 (mat. 3ª série) blog do prof. warles
 
Juros simples e compostos
Juros simples e compostosJuros simples e compostos
Juros simples e compostos
 

Semelhante a 05 tópico 4 - multicolinearidade

Teoria dos erros
Teoria dos errosTeoria dos erros
Teoria dos erros
Laura Jane
 
Finanças não-gaussianas & Fractais
Finanças não-gaussianas & FractaisFinanças não-gaussianas & Fractais
Finanças não-gaussianas & Fractais
Rodrigo Silva
 
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdfModulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
RobertaPinheiro28
 

Semelhante a 05 tópico 4 - multicolinearidade (20)

Mulicolinearidade em análise de r. multipla emanuel ramos correia borges
Mulicolinearidade em análise de r. multipla emanuel ramos correia borgesMulicolinearidade em análise de r. multipla emanuel ramos correia borges
Mulicolinearidade em análise de r. multipla emanuel ramos correia borges
 
Cap.10 Multicolinearidade.pptCap.10 Multicolinearidade.pptCap.10 Multicolinea...
Cap.10 Multicolinearidade.pptCap.10 Multicolinearidade.pptCap.10 Multicolinea...Cap.10 Multicolinearidade.pptCap.10 Multicolinearidade.pptCap.10 Multicolinea...
Cap.10 Multicolinearidade.pptCap.10 Multicolinearidade.pptCap.10 Multicolinea...
 
Aula06
Aula06Aula06
Aula06
 
Tópico 4 regressão linear simples 02
Tópico 4   regressão linear simples 02Tópico 4   regressão linear simples 02
Tópico 4 regressão linear simples 02
 
Processos de ruína
Processos de ruínaProcessos de ruína
Processos de ruína
 
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
A previsão do ibovespa através de um modelo de regressão linear múltipla - Da...
 
APRESENTAÇÃO.pptx
APRESENTAÇÃO.pptxAPRESENTAÇÃO.pptx
APRESENTAÇÃO.pptx
 
Matematica unidade 08_seja
Matematica unidade 08_sejaMatematica unidade 08_seja
Matematica unidade 08_seja
 
Matematica unidade 08_seja
Matematica unidade 08_sejaMatematica unidade 08_seja
Matematica unidade 08_seja
 
Teoria dos erros
Teoria dos errosTeoria dos erros
Teoria dos erros
 
Finanças não-gaussianas & Fractais
Finanças não-gaussianas & FractaisFinanças não-gaussianas & Fractais
Finanças não-gaussianas & Fractais
 
Univali mec flu_manual_lab_2
Univali mec flu_manual_lab_2Univali mec flu_manual_lab_2
Univali mec flu_manual_lab_2
 
Exercicios de estatistica resolvido.4
Exercicios de estatistica resolvido.4Exercicios de estatistica resolvido.4
Exercicios de estatistica resolvido.4
 
Aula 07 de estatística
Aula 07 de estatísticaAula 07 de estatística
Aula 07 de estatística
 
Aula 07 de estatística
Aula 07 de estatísticaAula 07 de estatística
Aula 07 de estatística
 
Expectativas racionais simonsen
Expectativas racionais   simonsenExpectativas racionais   simonsen
Expectativas racionais simonsen
 
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdfModulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
Modulo-1-Medidas-de-Pobreza-e-Desigualdade-Prof.-Flaivio-Ataliba.pdf
 
5
55
5
 
Revista matematica
Revista matematicaRevista matematica
Revista matematica
 
Lab1
Lab1Lab1
Lab1
 

Mais de Ricardo Bruno - Universidade Federal do Pará

Mais de Ricardo Bruno - Universidade Federal do Pará (18)

Tópico 3 Testes de Hipóteses - 2 amostras
Tópico 3   Testes de Hipóteses - 2 amostrasTópico 3   Testes de Hipóteses - 2 amostras
Tópico 3 Testes de Hipóteses - 2 amostras
 
Tópico 3 testes de hípoteses - 1 amostra
Tópico 3   testes de hípoteses - 1 amostraTópico 3   testes de hípoteses - 1 amostra
Tópico 3 testes de hípoteses - 1 amostra
 
Tópico 2 Intervalo de Confiança
Tópico 2   Intervalo de ConfiançaTópico 2   Intervalo de Confiança
Tópico 2 Intervalo de Confiança
 
Variáveis Aleatórias Multidimensionais
Variáveis Aleatórias MultidimensionaisVariáveis Aleatórias Multidimensionais
Variáveis Aleatórias Multidimensionais
 
Variáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística IIVariáveis aleatórias contínuas - Estatística II
Variáveis aleatórias contínuas - Estatística II
 
Variáveis aleatórias discretas - Estatística II
Variáveis aleatórias discretas - Estatística IIVariáveis aleatórias discretas - Estatística II
Variáveis aleatórias discretas - Estatística II
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
 
Probabilidade - Estatística I
Probabilidade - Estatística IProbabilidade - Estatística I
Probabilidade - Estatística I
 
Estatística Descritiva
Estatística DescritivaEstatística Descritiva
Estatística Descritiva
 
Aplicação derivada e integral
Aplicação derivada e integralAplicação derivada e integral
Aplicação derivada e integral
 
Tópico 09 - Integral
Tópico 09 - IntegralTópico 09 - Integral
Tópico 09 - Integral
 
Tópico 08 - Derivadas
Tópico 08 - DerivadasTópico 08 - Derivadas
Tópico 08 - Derivadas
 
Tópico 07 - Limite de uma função
Tópico 07 - Limite de uma funçãoTópico 07 - Limite de uma função
Tópico 07 - Limite de uma função
 
Tópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e IrracionasTópico 06 - Funções Compostas e Irracionas
Tópico 06 - Funções Compostas e Irracionas
 
Tópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e LogarítmicasTópico 05 - Funções Exponenciais e Logarítmicas
Tópico 05 - Funções Exponenciais e Logarítmicas
 
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e InequaçõesMatemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
Matemática I - Tópico 04: Equações do 1º e 2º graus e Inequações
 
Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03Matemática I - Tópico 02 e 03
Matemática I - Tópico 02 e 03
 
Matemática I - Tópico 01
Matemática I - Tópico 01 Matemática I - Tópico 01
Matemática I - Tópico 01
 

Último

1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
aulasgege
 
4 ano atividade fonema e letra 08.03-1.pdf
4 ano atividade fonema e letra 08.03-1.pdf4 ano atividade fonema e letra 08.03-1.pdf
4 ano atividade fonema e letra 08.03-1.pdf
LindinhaSilva1
 
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Eró Cunha
 

Último (20)

662938.pdf aula digital de educação básica
662938.pdf aula digital de educação básica662938.pdf aula digital de educação básica
662938.pdf aula digital de educação básica
 
Periodo da escravidAo O Brasil tem seu corpo na América e sua alma na África
Periodo da escravidAo O Brasil tem seu corpo na América e sua alma na ÁfricaPeriodo da escravidAo O Brasil tem seu corpo na América e sua alma na África
Periodo da escravidAo O Brasil tem seu corpo na América e sua alma na África
 
Testes de avaliação português 6º ano .pdf
Testes de avaliação português 6º ano .pdfTestes de avaliação português 6º ano .pdf
Testes de avaliação português 6º ano .pdf
 
Slides Lição 8, CPAD, Confessando e Abandonando o Pecado.pptx
Slides Lição 8, CPAD, Confessando e Abandonando o Pecado.pptxSlides Lição 8, CPAD, Confessando e Abandonando o Pecado.pptx
Slides Lição 8, CPAD, Confessando e Abandonando o Pecado.pptx
 
UFCD_8291_Preparação e confeção de peixes e mariscos_índice.pdf
UFCD_8291_Preparação e confeção de peixes e mariscos_índice.pdfUFCD_8291_Preparação e confeção de peixes e mariscos_índice.pdf
UFCD_8291_Preparação e confeção de peixes e mariscos_índice.pdf
 
Santa Gemma Galgani, Flor de Lucca, mística italiana 1887-1903 (Portugués).pptx
Santa Gemma Galgani, Flor de Lucca, mística italiana 1887-1903 (Portugués).pptxSanta Gemma Galgani, Flor de Lucca, mística italiana 1887-1903 (Portugués).pptx
Santa Gemma Galgani, Flor de Lucca, mística italiana 1887-1903 (Portugués).pptx
 
Alemanha vs União Soviética - Livro de Adolf Hitler
Alemanha vs União Soviética - Livro de Adolf HitlerAlemanha vs União Soviética - Livro de Adolf Hitler
Alemanha vs União Soviética - Livro de Adolf Hitler
 
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
1. Aula de sociologia - 1º Ano - Émile Durkheim.pdf
 
Insegurança nunca mais tem afeta pessoas
Insegurança nunca mais tem afeta pessoasInsegurança nunca mais tem afeta pessoas
Insegurança nunca mais tem afeta pessoas
 
o-homem-que-calculava-malba-tahan-1_123516.pdf
o-homem-que-calculava-malba-tahan-1_123516.pdfo-homem-que-calculava-malba-tahan-1_123516.pdf
o-homem-que-calculava-malba-tahan-1_123516.pdf
 
Descrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamenteDescrever e planear atividades imersivas estruturadamente
Descrever e planear atividades imersivas estruturadamente
 
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
 
livro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensoriallivro para educação infantil conceitos sensorial
livro para educação infantil conceitos sensorial
 
As teorias de Lamarck e Darwin para alunos de 8ano.ppt
As teorias de Lamarck e Darwin para alunos de 8ano.pptAs teorias de Lamarck e Darwin para alunos de 8ano.ppt
As teorias de Lamarck e Darwin para alunos de 8ano.ppt
 
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...QUESTÃO 4   Os estudos das competências pessoais é de extrema importância, pr...
QUESTÃO 4 Os estudos das competências pessoais é de extrema importância, pr...
 
ufcd_9649_Educação Inclusiva e Necessidades Educativas Especificas_índice.pdf
ufcd_9649_Educação Inclusiva e Necessidades Educativas Especificas_índice.pdfufcd_9649_Educação Inclusiva e Necessidades Educativas Especificas_índice.pdf
ufcd_9649_Educação Inclusiva e Necessidades Educativas Especificas_índice.pdf
 
Poema - Maio Laranja
Poema - Maio Laranja Poema - Maio Laranja
Poema - Maio Laranja
 
4 ano atividade fonema e letra 08.03-1.pdf
4 ano atividade fonema e letra 08.03-1.pdf4 ano atividade fonema e letra 08.03-1.pdf
4 ano atividade fonema e letra 08.03-1.pdf
 
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...Regulamento do Festival de Teatro Negro -  FESTIAFRO 2024 - 10ª edição -  CEI...
Regulamento do Festival de Teatro Negro - FESTIAFRO 2024 - 10ª edição - CEI...
 
Slides Lição 7, Betel, Ordenança para uma vida de fidelidade e lealdade, 2Tr2...
Slides Lição 7, Betel, Ordenança para uma vida de fidelidade e lealdade, 2Tr2...Slides Lição 7, Betel, Ordenança para uma vida de fidelidade e lealdade, 2Tr2...
Slides Lição 7, Betel, Ordenança para uma vida de fidelidade e lealdade, 2Tr2...
 

05 tópico 4 - multicolinearidade

  • 1. Econometria Tópico 3 – Regressão Múltipla Quebra dos pressupostos: Multicolinearidade Ricardo Bruno N. dos Santos Professor Adjunto da Faculdade de Economia e do PPGE (Economia) UFPA
  • 2. Lembre-se que os vídeos necessários para o acompanhamento dessa apresentação são todos os vídeos que iniciam por 05, e encontram-se dentro da pasta Vídeos no mediafire. Link do mediafire: http://www.mediafire.com/?q1dbpxh1b4uxo No Slideshare:
  • 3. Quebra dos pressupostos: Multicolinearidade A hipótese 8 do MCRL enfatiza que não há multicolinearidade entre as variáveis independentes presentes no modelo de regressão. Aqui estaremos interessados em verificar: 1) Qual a natureza da multicolinearidade? 2) A multicolinearidade é realmente um problema? 3) Quais são suas consequências práticas? 4) Como é detectada? 5) Que medidas podem ser tomadas para atenuar o problema da multicolinearidade?
  • 4. Quebra dos pressupostos: Multicolinearidade Com relação a sua natureza a multicolinearidade surgiu inicialmente com o conceito da existência de uma linearidade “perfeita” ou exata entre duas variáveis independentes. A principal causa da multicolinearidade é influenciar nos erros padrão dos coeficientes, fazendo com que tais sejam menores. Portanto, seu principal impacto é dificultar a estimação dos parâmetros da equação. Vejamos agora um exemplo concreto de multicolinearidade perfeita e uma outra não perfeita, porém, alta.
  • 5. Quebra dos pressupostos: Multicolinearidade Podemos estabelecer o grau de multicolinearidade conforme observação gráfica das correlações indicadas por Gujarati:
  • 6. Quebra dos pressupostos: Multicolinearidade Podemos observar o seguinte impacto da multicolinearidade perfeita sobre os coeficientes e erros padrões de X: 𝛽2 = 𝑦𝑖 𝑥2𝑖 𝑥3𝑖 2 − 𝑦𝑖 𝑥3𝑖 𝑥2𝑖 𝑥3𝑖 𝑥2𝑖 2 𝑥3𝑖 2 − 𝑥2𝑖 𝑥3𝑖 2 e 𝑣𝑎𝑟 𝛽2 = 𝜎2 𝑥2𝑖 2 1 − 𝑟23 2
  • 7. Quebra dos pressupostos: Multicolinearidade Ou seja, se a multicolinearidade for perfeita os coeficientes de regressão das variáveis X serão indeterminados e seus erros padrão infinitos. Se a multicolinearidade for menos que perfeita, os coeficientes de regressão, embora sejam determinados, possuirão grande erro padrão, o que impede a precisão ou exatidão dos coeficientes.
  • 8. Quebra dos pressupostos: Multicolinearidade Fontes da multicolinearidade: 1) Método da coleta de dados empregado. 2) Restrições ao modelo ou à população que está sendo amostrada. Exemplo, regressão do consumo de eletricidade contra renda (X2) e o tamanho da casa (X3), há uma restrição física na população, no sentido de que as famílias com renda mais altas em geral têm casas maiores. 3) Especificação do modelo. 4) Um modelo sobredeterminado. Quando em um modelo existem mais variáveis que informações.
  • 9. Quebra dos pressupostos: Multicolinearidade Estimação na presença de multicolinearidade Para o modelo 𝑦𝑖 = 𝛽2 𝑥2𝑖 + 𝛽3 𝑥3𝑖 + 𝑢𝑖 Teremos 𝛽2 = 𝑦𝑖 𝑥2𝑖 𝑥3𝑖 2 − 𝑦𝑖 𝑥3𝑖 𝑥2𝑖 𝑥3𝑖 𝑥2𝑖 2 𝑥3𝑖 2 − 𝑥2𝑖 𝑥3𝑖 2 𝛽3 = 𝑦𝑖 𝑥3𝑖 𝑥2𝑖 2 − 𝑦𝑖 𝑥2𝑖 𝑥2𝑖 𝑥3𝑖 𝑥2𝑖 2 𝑥3𝑖 2 − 𝑥2𝑖 𝑥3𝑖 2
  • 10. Quebra dos pressupostos: Multicolinearidade Suponha que 𝑋3𝑖 = 𝑋2𝑖 Substituindo na equação teremos: 𝛽2 = 𝑦𝑖 𝑥2𝑖 2 𝑥2𝑖 2 −  𝑦𝑖 𝑥2𝑖  𝑥2𝑖 𝑥2𝑖 𝑥2𝑖 2 2 𝑥2𝑖 2 − 2 𝑥2𝑖 𝑥2𝑖 2 = 0 0 Tanto o estimador beta 2 quanto o beta 3 serão indeterminados nesse caso. Agora porque isso acontece?
  • 11. Quebra dos pressupostos: Multicolinearidade Devemos lembrar do significado do estimador 𝛽2. Ele nos fornece a variação do valor médio de Y quando X2 varia uma unidade, mantendo X3 constante. Porém como X2 e X3 são uma relação linear perfeita, a medida que um varia o outro também irá variar, variação esta medida por . Ou seja, não podemos distinguir diferenças entre o X2 e o X3. Considerando a relação perfeita entre X2 e X3 podemos também estabelecer que: 𝑦𝑖 = 𝛽2 𝑥2𝑖 + 𝛽3(𝑥2𝑖) + 𝑢𝑖 𝑦𝑖 = ( 𝛽2 +  𝛽3)𝑥2𝑖 + 𝑢𝑖 𝑦𝑖 = 𝛼𝑥2𝑖 + 𝑢𝑖
  • 12. Quebra dos pressupostos: Multicolinearidade Com isso: 𝛼 = 𝛽2 +  𝛽3 = 𝑦𝑖 𝑥2𝑖 𝑥2𝑖 2 Estimação na presença de multicolinearidade “alta”, mas “imperfeita” A primeira situação é algo muito raro em se verificar em se tratando de dados econômicos. Porém, o que pode ser muito comum é uma colinearidade entre duas variáveis que seja alta, podemos identificar isso pela seguinte relação: 𝑥3𝑖 = 𝑥2𝑖 + 𝑣𝑖
  • 13. Quebra dos pressupostos: Multicolinearidade Agora, a relação entre X3 e X2 está adicionada a um erro aleatório v, nesses termos temos, evidentemente, que considerar que ≠ 0 e 𝑥2𝑖 𝑣𝑖 = 0. O valor do estimador beta 2 então será 𝛽2 = 𝑦𝑖 𝑥2𝑖 2 𝑥2𝑖 2 + 𝑣𝑖 2 −  𝑦𝑖 𝑥2𝑖 + 𝑦𝑖 𝑣𝑖  𝑥2𝑖 2 𝑥2𝑖 2 2 𝑥2𝑖 2 + 𝑣𝑖 2 − 2 𝑥2𝑖 2 2 Agora a equação pode ser estimada. No entanto, conforme previamente observado, o problema residirá agora no erro dos estimadores que será supereistimado.
  • 14. Quebra dos pressupostos: Multicolinearidade Consequências teóricas da Multicolinearidade Como foi visto o maior problema da multicolinearidade ocorrerá apenas, quando ela for perfeita, ou seja, podemos subentende que a multicolinearidade será um fenômeno que se apresentará na sua forma “alta” e não perfeita. Quando ocorre uma alta colinearidade entre duas variáveis independentes, gerando o efeito da multicolinearidade, os estimadores poderão, portanto, ser obtidos e eles conservarão a propriedade sendo não viesados.
  • 15. Quebra dos pressupostos: Multicolinearidade Goldber acrescentou outro problema que acarreta em multicolinearidade, trata-se da micronumerosidade. A mesma ocorre quando o número de observações é muito próximo ao número de variáveis no modelo. Poderíamos associar isso ao exercício feito sobre o capítulo 7, quando o número de variáveis era igual ao número de observações do modelo, impedindo o cálculo dos erros padrão dos estimadores e da variância do resíduo. Muitas das vezes se é resolvido o problema da micronumerosidade, aumentando o tamanho da amostra, resolvemos o problema da multicolinearidade.
  • 16. Quebra dos pressupostos: MulticolinearidadeConsequências práticas da multicolinearidade As principais consequências listadas por Gujarati são: a) Embora sejam MELNT, os estimadores de MQO têm GRANDE VARIÂNCIAS e COVARIÂNCIAS, tornando difícil uma estimação precisa e confiante; b) Devido a consequência (a), os INTERVALOS DE CONFIANÇA tendem a ser muito mais amplos, levando à aceitação imediata da “hipótese nula H0” (ou seja, de que o verdadeiro coeficiente populacional seja igual a zero). c) Também devido a consequência (a), a razão t de um ou mais coeficientes tende a ser estatisticamente insignificante. d) Embora a razão t de um ou mais coeficientes seja estatisticamente insignificante, o R2, a medida geral da qualidade do ajustamento, pode ser muito alto. e) Os estimadores de MQO e seus erros padrão podem ser sensíveis a pequenas alterações nos dados.
  • 17. Quebra dos pressupostos: Multicolinearidade Para exemplificar isso, podemos estabelecer considerando a fórmula das variâncias que: 𝑣𝑎𝑟 𝛽2 = 𝜎2 𝑥2𝑖 2 1 − 𝑟23 2 𝑣𝑎𝑟 𝛽3 = 𝜎2 𝑥3𝑖 2 1 − 𝑟23 2 E 𝑐𝑜𝑣 𝛽2, 𝛽3 = 𝑟23 𝜎2 1 − 𝑟23 2 𝑥2𝑖 2 𝑥3𝑖 2
  • 18. Quebra dos pressupostos: Multicolinearidade Se aplicarmos o limite de 𝑟23 → 1 então teremos: lim 𝑟23→1 𝑣𝑎𝑟( 𝛽2) = ∞ lim 𝑟23→1 𝑣𝑎𝑟( 𝛽3) = ∞ lim 𝑟23→1 𝑐𝑜𝑣( 𝛽2, 𝛽3) = ∞ Tendo de porte dessa informação, podemos identificar a velocidade em que esse aumento das variâncias e covariâncias estão ocorrendo. Tal aspecto ajudou a implementar o fator de inflação da variância (FIV), que é definido como: 𝐹𝐼𝑉 = 1 1 − 𝑟23 2
  • 19. Quebra dos pressupostos: Multicolinearidade O FIV mostra como a variância de um estimador é inflada pela presença da multicolinearidade. Quando 𝑟23 2 aproxima-se de 1, o FIV aproxima-se do infinito. Ou seja, quando a colinearidade aumenta, a variância de um estimador aumenta e, no limite, pode tornar-se infinita. Se não houver colinearidade entre X2 e X3 o FIV será 1. Assim as equações de variância podem ser expressas também a partir do FIV. 𝑣𝑎𝑟 𝛽2 = 𝜎2 𝑥2𝑖 2 𝐹𝐼𝑉 𝑣𝑎𝑟 𝛽3 = 𝜎2 𝑥3𝑖 2 𝐹𝐼𝑉 Que mostra que as variâncias de 𝛽2 e 𝛽3 são diretamente proporcionais ao FIV.
  • 20. Quebra dos pressupostos: Multicolinearidade É mostrada na Tabela 10.1 como evolui a Variância, o FIV e a Covariância a medida que aumenta-se a colinearidade (correlação) entre as variáveis X2 e X3.
  • 21. Quebra dos pressupostos: Multicolinearidade Então, graficamente o comportamento da variância do estimador beta 2 tem um comportamento de crescimento exponencial a medida que a colinearidade se aproxima de 1.
  • 22. Quebra dos pressupostos: Multicolinearidade Outro indicado útil utilizado é o TOL, que é conhecido como TOLERÂNCIA, trata-se da relação inversa da FIV, ou seja: 𝑇𝑂𝐿𝑗 = 1 𝐹𝐼𝑉𝑗 = (1 − 𝑅𝑗 2 ) Ou seja, quando 𝑅𝑗 2 = 1 (colinearidade perfeita), 𝑇𝑂𝐿𝑗 = 0 e 𝑅𝑗 2 = 0 (ausência de colinearidade), 𝑇𝑂𝐿𝑗 = 1.
  • 23. Quebra dos pressupostos: Multicolinearidade INTERVALOS DE CONFIANÇA MAIS AMPLOS. Dado os erros padrão grandes, os intervalos de confiança dos parâmetros populacionais relevantes tendem a ser maiores, como podemos ver na Tabela 10.2 abaixo.
  • 24. Quebra dos pressupostos: Multicolinearidade Por exemplo, quando 𝑟23 = 0,95, o intervalo de confiança para 𝛽2 é maior que quando 𝑟23 = 0 por um fator de 10,26, ou cerca de 3. Dessa forma, em casos de alta multicolinearidade, os dados da amostra podem ser compatíveis com um conjunto diverso de hipóteses. A probabilidade de aceitar uma hipótese falsa (erro tipo II) aumenta.
  • 25. Quebra dos pressupostos: Multicolinearidade RAZÕES t “INSIGNIFICANTES” Ou seja, individualmente a estatística t é importante para se verificar a significância do estimador, pois, 𝑡 = 𝛽𝑖/𝑒𝑝( 𝛽𝑖). Porém, podemos observar que diante da multicolinearidade, os erros padrão aumentam consideravelmente, tornando os valores t menores. Em tais casos, aceita-se cada vez mais a hipótese nula de que o verdadeira valor populacional é zero.
  • 26. Quebra dos pressupostos: Multicolinearidade ALTO VALOR DE 𝑅2 , MAS POUCA RAZÕES t SIGNIFICATIVAS. Vamos considerar o modelo de regressão linear com k variáveis: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖 Em casos de alta colinearidade, é possível constatar, como já verificado anteriormente, que um ou mais coeficientes angulares parciais são não significantes individualmente, baseado no teste t. Nessas situações, o 𝑅2 pode ser tão alto, como 0,9, que de acordo como teste F podemos rejeitar convicentemente a hipótese de que 𝛽2 = 𝛽3 = ⋯ = 𝛽 𝑘 = 0. De fato, esse é um dos indícios de multicolinearidade.
  • 27. Quebra dos pressupostos: Multicolinearidade SENSIBILIDADE DOS ESTIMADORES DE MQO E DE SEUS ERROS PADRÃO A PEQUENAS ALTERAÇÕES NOS DADOS. Considerando uma alta colinearidade (e não a perfeita), é possível estimar os coeficientes de regressão, mas as estimativas e seus erros padrão tornam-se muito sensíveis até mesmo à menor alteração nos dados. O autor faz uso de uma tabela com 5 informações, onde são alteradas apenas a ordem de algumas observações da variável X3. Trata-se das tabelas 10.3 e 10.4. No slide a seguir encontram-se as tabelas e as estimativas antes e depois da modificação dos dados:
  • 28. Quebra dos pressupostos: Multicolinearidade Os Resultados de cada modelo são:
  • 29. Quebra dos pressupostos: Multicolinearidade Detecção da MULTICOLINEARIDADE Segundo Kmenta: 1 – A multicolinearidade é uma questão de grau e não de tipo. A distinção significativa não é entre a presença e a ausência da mesma, mas entre seus vários graus. 2 – Uma vez que a multicolinearidade refere-se à condição das variáveis explanatórias que se supõe não serem estocásticas, ela é uma característica da amostra, e não da população. Ou seja, não são realizado testes para a multicolinearidade, mas é medido o grau da multicolinearidade em uma amostra específica.
  • 30. Quebra dos pressupostos: Multicolinearidade Com isso, podemos estabelecer algumas observações ou regras a serem utilizadas para identificar a presença o fenômeno da multicolinearidade em uma amostra de dados. Vejamos os principais: 1) 𝑅2 alto, mas poucas razões t significativas. É um dos mais clássicos e diretos sintomas da presença da Multicolinearidade. Evidencia-se como 𝑅2 alto aqueles com valor acima de 0,8. 2) Altas correlações entre os pares das variáveis independentes. Se for observadas correlações acima de 0,8 entre os regressores, devemos ligar o sinal de alerta sobre a presença da multicolinearidade.
  • 31. Quebra dos pressupostos: Multicolinearidade 3) Regressões auxiliares. É uma das verificações mais comuns, trata-se de uma forma de se descobrir qual variável X está mais relacionada a outras variáveis X. A dinâmica do teste consiste em tirarmos a variável dependente do modelo (Y) e elencar (de forma alternada) outra variável independente e utiliza-la como dependente contra as demais em um novo modelo. Se o R2 desse novo modelo for maior que o R2 do modelo que inclui a variável Y, então há fortes indícios da presença da multicolinearidade.
  • 32. Quebra dos pressupostos: Multicolinearidade Se tivermos o seguinte modelo: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 + 𝑢𝑖 𝑅 𝑦 2 E 𝑋2𝑖 = 𝛼1 + 𝛼2 𝑋3𝑖 + 𝛼3 𝑋4𝑖 + 𝑣𝑖 𝑅 𝑋2 2 Se o 𝑅 𝑋2 2 > 𝑅 𝑦 2, então temos forte evidência da existência da Multicolinearidade. Tal regressão pode ser ainda feita considerando as outras variáveis X (X3 e X4) como variáveis dependentes.
  • 33. Quebra dos pressupostos: Multicolinearidade 4) TOL e FIV. 5) Diagrama de dispersão.
  • 35. Quebra dos pressupostos: Multicolinearidade Medidas Corretivas Deixa para lá (Não fazer nada). Gujarati remete a um exemplo do Blanchard indicando que a multicolinearidade é algo inerente dos dados (Micronumerosidade) e muitas das vezes não temos escolha sobre os dados disponíveis para a análise empírica. 1) Ter uma informação a priori. É tratado o exemplo sobre consumo (Y) sendo afetado por riqueza (X2) e renda (X3). Ora, se temos a informação de que há um forte grau entre as variáveis X2 e X3, porque manter as duas no modelo, basta rodar o modelo apenas com uma. O conhecimento de vasta literatura é que nos propicia diversos elementos para definir se duas variáveis específicas irão relacionar a algo comum ou não.
  • 36. Quebra dos pressupostos: Multicolinearidade 2) Combinar dados de corte transversal com séries de tempo. Esse tipo de medida é uma tentativa de aumentar o número de observações na amostra. Empilhar os dados dessa forma é conhecido como montagem de um painel. 3) Exclusão de variável(is) e viés de especificação. Excluir uma das variáveis que está causando a colinearidade é a saída mais comum adotada por quem modela. Porém, em algumas situações essa decisão nos leva a tomar decisões polêmicas. Um dos exemplos citados no livro e a relação que pode existir entre renda e riqueza. Se a teoria econômica informa que essas variáveis devem ser estimadas em conjunto, e verifica- se que ambas possuem forte correlação (colinearidade) então o que devemos atender, a situação em que a teoria define a presença da mesma, ou então tirar a variável do modelo?
  • 37. Quebra dos pressupostos: Multicolinearidade Quando acontece esse empasse, o que permite mantes duas variáveis no mesmo modelo e a transformação das mesmas. 4) Transformação de variáveis. Usar artifícios como tirar o log, definir uma primeira diferença, ou ate estipular uma transformação proporcional são artifícios que podem ser utilizados para modificar variáveis do modelo. 5) Inserir novos dados. É um artifício muito interessante, no entanto inserir novas informações na amostra pode se mostrar um processo caro e demorado, o que torna algo pouco comum de ser feito.
  • 38. Quebra dos pressupostos: Multicolinearidade 6) Reduzindo a colinearidade em regressões polinomiais; 7) Uso da análise multivariada para criação de fatores.
  • 39. Quebra dos pressupostos: Multicolinearidade Exemplo: Uso dos dados de Longley. No Gretl será realizado a partir da tabela 10.7, a mesma estará disponível no mediafire com o nome “Gujarati - Tabela 10.7 - Dados de Longley.gdt”