SlideShare uma empresa Scribd logo
1 de 50
Econometria
Tópico 4 – Regressão Múltipla
Quebra dos pressupostos: Heterocedasticidade
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 07, e encontram-se dentro da
pasta Vídeos no mediafire.
Link do mediafire:
http://www.mediafire.com/?q1dbpxh1b4uxo
No Slideshare:
Quebra dos pressupostos:
Heterocedasticidade
Natureza da Heterocedasticidade
A heterocedasticidade quebra uma das mais relevantes e
importantes hipóteses do MRLC, trata-se da
homocedasticidade dos resíduos onde:
𝐸 𝑢𝑖
2
= 𝜎2
𝑖 = 1,2, … , 𝑛
A variância condicional de 𝑌𝑖 aumenta a medida que uma
determinada variável independente aumenta. Ou seja, a
variância de 𝑌𝑖 não são as mesmas. Como a variância do
resíduo está condicionada a 𝑌𝑖 então existe a presença da
heterocedasticidade, onde
𝐸 𝑢𝑖
2
= 𝜎𝑖
2
Suponha que o seguinte modelo esteja sendo analisado, onde
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖, e Y seja a poupança e X a renda, assim
podemos verificar os dois seguintes gráficos:
Quebra dos pressupostos: Heterocedasticidade
HOMOCEDASTICIDADE
Quebra dos pressupostos: Heterocedasticidade
HETEROCEDASTICIDADE
Quebra dos pressupostos:
Heterocedasticidade
As seguintes razões podem constituir-se como elementos de
variabilidade de 𝑢𝑖, como:
1) Seguindo os modelos de erro-aprendizagem,
comportamentos incorretos das pessoas diminuem com o
tempo ou o número de erros torna-se mais consistente. Neste
caso, espera-se que 𝜎𝑖
2
diminua. Como exemplo o autor cita a
Figura 11.3, que relaciona o número de erros de digitação
cometidos em um dado período de tempo em um teste com
as horas de prática de digitação. Percebe-se que o erro de
digitação diminui a medida que temos mais prática.
Quebra dos pressupostos: Heterocedasticidade
Quebra dos pressupostos:
Heterocedasticidade
2) A medida que a renda aumenta, as pessoas têm mais renda
discricionária e, portanto, mais opções para escolher como
aplicarão sua renda. Por isso, é provável que 𝜎𝑖
2
aumente com
a renda. Assim, na regressão de poupanças contra a renda é
provável que se verifique que 𝜎𝑖
2
aumenta com a renda, pois
as pessoas têm maior opção sobre como irão dispor de suas
poupanças. Do mesmo modo, em geral se espera que a
empresas com lucros maiores mostrem maior variabilidade
em suas políticas de dividendos que aquelas com lucros mais
baixos.
Quebra dos pressupostos:
Heterocedasticidade
3) A medida que as técnicas de coleta de dados aprimoram-
se, é provável que 𝜎𝑖
2
diminua. Assim, os bancos que têm
equipamentos sofisticados de processamento de dados
provavelmente cometem menos erros nos demonstrativos
periódicos de seus clientes do que bancos sem esses
recursos.
4) A hetero também ocorre com a presença de dados
discrepantes (outliers)
Quebra dos pressupostos:
Heterocedasticidade
5) Violação da hipótese 9, onde o modelo de regressão deve ser
especificado corretamente.
6) A assimetria é outra fonte de heterocedasticidade. Renda e
riqueza são variáveis que geralmente são desiguais, onde a maior
parte da renda encontra-se na menor parte da população. Isso
gera uma assimetria no dado.
7) Transformação incorreta de dados. É mais comum em dados de
corte transversal do que nas séries temporais. A diferença é que
no primeiro temos um nível de desagregação maior da
informação, ou seja, estamos avaliando-a em vários níveis (como
os diferentes níveis de renda municipal). Já a série temporal é um
dado mais agregado, que não sofre grandes variações.
Quebra dos pressupostos: Heterocedasticidade
Resíduos da regressão de (a) percepções sobre despesas com
publicidade e (b) percepções sobre despesas de publicidade e
o quadrado de despesas com publicidade.
Quebra dos pressupostos:
Heterocedasticidade
Estimativa dos MQO na presença da Heterocedasticidade
A pergunta que se faz é: o que acontece com o MQO e suas
variâncias se introduzirmos a heterocedasticidade fazendo
𝐸 𝑢𝑖
2
= 𝜎𝑖
2
, mas mantivermos todas as demais hipóteses do
modelo clássico? Vamos analisar o modelo com duas
variáveis:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Verificamos que:
𝛽2 =
𝑥𝑖 𝑦𝑖
𝑥𝑖
2
=
𝑛 𝑋𝑖 𝑌𝑖 − 𝑋𝑖 𝑌𝑖
𝑛 𝑋𝑖
2
− 𝑋𝑖
2
Quebra dos pressupostos:
Heterocedasticidade
Bem como a variância do beta 2 estimado é dada por:
𝑣𝑎𝑟 𝛽2 =
𝑥𝑖
2
𝜎𝑖
2
𝑥𝑖
2 2
𝑣𝑎𝑟( 𝛽2) =
𝜎2
𝑥𝑖
2
O que mantém o modelo aderente ao MELNT é a variância
constante 𝜎2, mas, o que acontece que ela não for constante?
Para verificar isso temos que analisar os resultados para dois
aspectos um considerando a tendenciosidade e outro
considerando a eficiência do modelo.
Quebra dos pressupostos:
Heterocedasticidade
O fato de ser homocedástica ou heterocedástica não
influencia na tendenciosidade do estimador 𝛽2 (ver apêndice
3A do capítulo 3), onde 𝐸 𝛽2 = 𝛽2 , onde mesmo na
presença de heterocedasticidade, em amostras grandes o
estimador continua consistente, e portanto, não tendencioso.
Porém a eficiência é algo que não pode ser mantido. Pois
dada a presença de heterocedasticidade ele deixa de
apresentar a variância mínima, ou seja, ele deixa de ser
MELNT. Isso porque:
𝑣𝑎𝑟 𝛽2 =
𝑥𝑖
2
𝜎𝑖
2
𝑥𝑖
2 2
Aumenta conforme 𝜎𝑖
2
Quebra dos pressupostos:
Heterocedasticidade
O Método do Mínimos Quadrados Generalizados (MQG)
Pelo fato de o estimador deixar de ser MELNT temos que
encontrar uma forma de tornar o estimador MELNT, para
tanto, é utilizado o MQG. Basicamente tal método incorpora
pesos ou importâncias que ajudam a explicar o
comportamento da variância, ou seja, considerar o seu efeito
na hora do cálculo do estimador.
Considerando a fórmula para o modelo simples:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Para facilitar o entendimento da operação algébrica vamos
inserir a variável X0 que representa uma matriz vetor de 1,
assim
𝑌𝑖 = 𝛽1 𝑋0𝑖 + 𝛽2 𝑋𝑖 + 𝑢𝑖 𝑋0𝑖 = 1 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑖
Quebra dos pressupostos:
Heterocedasticidade
Se conhecermos as variâncias 𝜎𝑖
2
poderemos inseri-las
na equação como um peso, ou seja:
𝑌𝑖
𝜎𝑖
2
= 𝛽1
𝑋0𝑖
𝜎𝑖
2
+ 𝛽2
𝑋𝑖
𝜎𝑖
2
+
𝑢𝑖
𝜎𝑖
2
𝑌𝑖
𝜎𝑖
= 𝛽1
𝑋0𝑖
𝜎𝑖
+ 𝛽2
𝑋𝑖
𝜎𝑖
+
𝑢𝑖
𝜎𝑖
𝑌𝑖
∗
= 𝛽1
∗
𝑋0𝑖
∗
+ 𝛽2
∗
𝑋𝑖
∗
+ 𝑢𝑖
∗
Onde o sobrescrito com asteriscos nos parâmetros indicam os
estimadores do modelo transformado, para podermos
distingui-los dos parâmetros do modelo do MQO.
Quebra dos pressupostos:
Heterocedasticidade
O que vai chamar a atenção é o erro transformado, vamos
verificar como ficam sua variância após a transformação:
𝑣𝑎𝑟 𝑢𝑖
∗
= 𝐸 𝑢𝑖
∗
= 𝐸
𝑢𝑖
𝜎𝑖
2
𝑝𝑜𝑟 𝐸 𝑢𝑖
∗
= 0
=
1
𝜎𝑖
2 𝐸 𝑢𝑖
2
𝑗á 𝑞𝑢𝑒 𝜎𝑖
2
é 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜
=
1
𝜎𝑖
2 𝜎𝑖
2
𝑗á 𝑞𝑢𝑒 𝐸 𝑢𝑖
2
= 𝜎𝑖
2
= 1
Ou seja, passamos a provar que a variância do modelo do
MQG é uma constante, ou seja, torna-se homocedástico.
Conservando as hipóteses do modelo clássico de regressão
linear, assim, se aplicarmos o MQO no modelo transformado,
ele irá gerar os MELNT.
Quebra dos pressupostos:
Heterocedasticidade
Assim 𝛽1
∗
e 𝛽2
∗
são MELNT e não se tratam dos estimadores de
MQO 𝛽1 e 𝛽2.
Podemos verificar, portanto, que o MQG são os MQO nas
variáveis transformadas que satisfazem as hipóteses padrão
de Mínimos Quadrados.
Podemos, assim como realizado o procedimento para MQO,
encontrar o resíduo mínimo para a função transformada,
considerando, portanto:
𝑌𝑖
∗
= 𝛽1
∗
𝑋0𝑖
∗
+ 𝛽2
∗
𝑋𝑖
∗
+ 𝑢𝑖
∗
Para obter o MQG temos que minimizar os resíduos, logo
Quebra dos pressupostos:
Heterocedasticidade
𝑢𝑖
2∗
= 𝑌𝑖
∗
− 𝛽1
∗
𝑋0𝑖
∗
− 𝛽2
∗
𝑋𝑖
∗ 2
𝑢𝑖
𝜎𝑖
2
=
𝑌𝑖
𝜎𝑖
− 𝛽1
∗
𝑋0𝑖
𝜎𝑖
− 𝛽2
∗
𝑋𝑖
𝜎𝑖
2
Para o 𝛽2
∗
o estimador de MQG será:
𝛽2
∗
=
𝑤𝑖 𝑤𝑖 𝑋𝑖 𝑌𝑖 − 𝑤𝑖 𝑋𝑖 𝑤𝑖 𝑌𝑖
𝑤𝑖 𝑤𝑖 𝑋𝑖
2
− 𝑤𝑖 𝑋𝑖
2
E a variância será:
𝑣𝑎𝑟 𝛽2
∗
=
𝑤𝑖
𝑤𝑖 𝑤𝑖 𝑋𝑖
2
− 𝑤𝑖 𝑋𝑖
2
Onde 𝑤𝑖 =
1
𝜎𝑖
2
Quebra dos pressupostos:
Heterocedasticidade
Podemos então verificar que a diferença entre o MQO e o
MQG é dada pela presença de um termo ponderado
visualizado pela soma ponderada dos quadrados dos resíduos
𝑤𝑖 = 1/𝜎𝑖
2
, que tem um papel de peso, no entanto, os
resultados de ambos (MQO e MQG) chegam a mesma
conclusão de que os resíduos são homocedásticos.
A diferença entre o uso das duas situações pode ser
observado no próximo diagrama de dispersão. Nos MQO,
cada 𝑢𝑖
2
associado aos pontos A, B e C receberá o mesmo
peso quando da SQR for minimizada. É claro que, nesse caso,
a 𝑢𝑖
2
associada ao ponto C dominará a SQR. Já nos MQG, a
observação extrema C receberá um peso relativamente
menor que as outras duas observações.
Quebra dos pressupostos:
Heterocedasticidade
Consequências de usar MQO na presença de
heterocedasticidade
A regra aqui é verificar e responder o que acontece quando os
nossos estimadores não são eficientes.
Vamos para essa dinâmica, continuar utilizando o 𝛽2 e a sua
respectiva fórmula da variância (sabendo da existência da
hetero), que considera a presença da heterocedasticidade. O
grande problema é que mesmo conhecendo a variância 𝜎𝑖
2
não podemos estabelecer um intervalo de confiança e muito
menos realizar os testes t e F, pois os intervalos de confiança
baseados na estimativa do 𝛽2 são menores, isso porque é
possível mostrar que var( 𝛽2
∗
) ≤ 𝑣𝑎𝑟( 𝛽2 ).
Quebra dos pressupostos:
Heterocedasticidade
O grande problema é considerar a estimação por MQO e
desconsiderar a heterocedasticidade. Em primeiro lugar,
𝑣𝑎𝑟( 𝛽2 ) = σ2/ 𝑥𝑖
2
é um estimador TENDENCIOSO da
𝑣𝑎𝑟 𝛽2 = 𝑥𝑖
2
𝜎𝑖
2
/ 𝑥𝑖
2 2
, isso porque na média ele
sobrestima ou subestima a variância, e, em geral, não
podemos dizer se o viés é positivo (sobreestimação) ou
negativo (subestimação), pelo fato de isso depender da
natureza da relação entre 𝜎𝑖
2
e os valores assumidos pela
variável explanatória X, como observado pelo termo 𝑥𝑖
2
do
denominador da fórmula da variância.
O viés surge do fato de o valor de 𝜎2
dado por 𝑢𝑖
2
/(𝑛 − 2),
não ser mais um estimador NÃO TENDENCIOSO deste último
quando a heterocedasticidade está presente.
Quebra dos pressupostos:
Heterocedasticidade
Caso persistamos no uso dos procedimentos comuns de teste
apesar da hetero, quaisquer que sejam as conclusões a que
chegamos ou as inferências que fizermos poderão ser
equivocadas.
Para termos um entendimento melhor do que ocorre, vamos
verificar um estudo de Monte Carlo conduzido por Davidson e
MacKinnon, eles consideram o seguinte modelo simples, que em
nossa notação é:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Os autores pressupõem que 𝛽1 = 1 e 𝛽2 = 1 e 𝑢𝑖~𝑁(0, 𝑋𝑖
𝛼
).
Como mostra a última expressão, os autores supõem que a
variância de erro seja heterocedástica e relacionada ao valor do
regressor X com poder . Se por exemplo, =1, a variância do erro
é proporcional ao valor de X, caso seja =2, a variância do resíduo
será proporcional ao quadrado do valor de X e assim por diante.
Quebra dos pressupostos:
Heterocedasticidade
Baseado em 20 mil réplicas e permitindo vários valores para
, eles obtêm erros padrão dos dois coeficientes de regressão
usando os MQO (com 𝑣𝑎𝑟( 𝛽2 ) = σ2/ 𝑥𝑖
2
), MQO
permitindo a heterocedásticidade (onde 𝑣𝑎𝑟 𝛽2 =
𝑥𝑖
2
𝜎𝑖
2
/ 𝑥𝑖
2 2
), e o MQG ( com 𝑣𝑎𝑟 𝛽2
∗
= 𝑤𝑖 /
[ 𝑤𝑖 𝑤𝑖 𝑋𝑖
2
− 𝑤𝑖 𝑋𝑖
2])
Os resultados foram obtidos por cada peso de .
Quebra dos pressupostos:
Heterocedasticidade
Os autores observaram que sempre o MQO sobrestima o
MQG (ou seja, sempre suas variâncias serão maiores que o
MQO), tanto para o intercepto quanto para o coeficiente
angular.
Com isso a conclusão é que e na presença da
heterocedasticidade são os MQG e não os MQO os MELNT.
Quebra dos pressupostos:
Heterocedasticidade
Detecção da Heterocedasticidade
Vamos observa alguns procedimentos práticos que ajudam na
detecção da heterocedasticidade. Para dados
socioeconômicos é mais difícil a detecção pois não temos
controle da amostra, dessa forma temos muitas vezes que
fazer uso da intuição, informações preexistentes, experiência
empírica e muitas vezes mera especulação.
Tendo em vista esses pontos, vamos observar alguns métodos
informais e formais para a detecção da hetero.
Quebra dos pressupostos:
Heterocedasticidade
Os métodos informais: consistem basicamente verificar o
comportamento dos resíduos ao quadrado 𝑢𝑖
2
contra o valor
estimado de Y 𝑌𝑖. Algum comportamento sistemático entre
essas duas relações pode nos ajudar a concluir pela existência
da heterocedasticidade na regressão.
A seguir podemos observar algumas situações gráficas que
indicam a existência ou não de um comportamento
sistemático entre essas duas variáveis.
Quebra dos pressupostos: Heterocedasticidade
Quebra dos pressupostos:
Heterocedasticidade
Esse comportamento pode ser observado também entre os
resíduos e as variáveis independentes X. Caso o resíduo ao
quadrado tiver alguma relação sistemática com alguma
variável independente, é um indicativo forte da presença de
heterocedasticidade na regressão.
Quebra dos pressupostos: Heterocedasticidade
Quebra dos pressupostos:
Heterocedasticidade
Métodos formais: Tratam-se dos testes para verificação da
existência ou não da heterocedasticidade. São testes que são
realizados com base nos resíduos da regressão. A grande
maioria parte do pressuposto que na regressão existe
homocedasticidade, portanto, a hipótese nula do teste
consiste em:
𝐻0: 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒
𝐻1: 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒
Aqui será abordado apenas 3 testes, a ideia é entender a
dinâmica de cada um deles.
Quebra dos pressupostos:
Heterocedasticidade
Teste de Glejser: Trata-se de um método que procura verificar
a relação entre resíduos e o comportamento da variável
independente X. O teste consiste em duas etapas, onde:
1ª Estimar a regressão: Devemos primeiramente estimar a
nossa regressão de interesse em que supõe-se ter a presenta
da hetero:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
2ª Etapa: Depois de estimada a regressão, pegamos o resíduo
estimado na sua forma absoluta | 𝑢𝑖| e usamos ele como
variável dependente do modelo contra a variável
independente do modelo anterior, no entanto, essa variável
pode ser transformada conforme o comportamento dos
resíduos, os modelos podem ser os seguintes:
Quebra dos pressupostos:
Heterocedasticidade
𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
𝑢𝑖 = 𝛽1 + 𝛽2
1
𝑋 𝑖
+ 𝑣𝑖
𝑢𝑖 = 𝛽1 + 𝛽2
1
𝑋 𝑖
+ 𝑣𝑖
𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖
2
+ 𝑣𝑖
O grande problema nesse teste são os resíduos 𝑣𝑖 que podem
ter comportamento heterocedástico também.
Quebra dos pressupostos:
Heterocedasticidade
As regressões com o comportamento 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
são mais difíceis de serem estimadas por serem modelos de
regressão não linear. O que inviabiliza sua estimação por
MQO.
O exemplo a seguir irá fazer uso das informações sobre
remuneração e produtividade e será utilizados os dados da
tabela 11.1.
Quebra dos pressupostos:
Heterocedasticidade
Teste de Breusch-Pagan-Godfrey (BPG): É um dos testes de
heterocedasticidade mais conhecidos e utilizados. Para
entende-lo é necessária a construção de cinco etapas que
culminará numa análise da estatística 2.
Para iniciar o teste vamos recorrer ao modelo de regressão
com k variáveis.
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖
Suponha que variância do erro, 𝜎𝑖
2
, seja descrita como:
𝜎𝑖
2
= 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖)
Ou seja, 𝜎𝑖
2
é uma função das variáveis não estocásticas Z;
alguns ou todos os X podem servir de Z. Suponha que
𝜎𝑖
2
= 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖
Quebra dos pressupostos:
Heterocedasticidade
Onde 𝜎𝑖
2
passa a ser uma função linear de Z. Caso 𝛼2 = 𝛼3 =
⋯ = 𝛼 𝑚 = 0, e 𝜎𝑖
2
= 𝛼1, que é uma constante. Dessa forma,
para testar se 𝜎𝑖
2
é homocedástico, podemos testar a
hipótese de que 𝛼2 = 𝛼3 = ⋯ = 𝛼 𝑚 = 0, esta é a ideia
básica por trás do teste de BPG.
Os procedimentos para a realização do teste são os seguintes:
1ª Etapa: Estime 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖 por MQO
e obtenha os resíduos 𝑢𝑖.
2ª Etapa: Devemos obter o 𝜎2 = 𝑢𝑖
2
/𝑛. Que é o estimador
de máxima verossimilhança de 𝜎2
. Essa fórmula é diferente
do estimador de MQO que é 𝜎2
= 𝑢𝑖
2
/(𝑛 − 𝑘).
3ª Etapa: Construir as variáveis 𝑝𝑖 que são definidas como:
𝑝𝑖 = 𝑢𝑖
2
/ 𝜎2
Quebra dos pressupostos:
Heterocedasticidade
4ª Etapa: Faça a regressão 𝑝𝑖 construída sobre os Z como
𝑝𝑖 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖 + 𝑣𝑖
5ª Etapa: Obtenha a SQE (Soma dos Quadrados Explicada) e
defina:
 =
1
2
𝑆𝑄𝐸
Pressupondo que os resíduos se distribuem normalmente,
podemos demostrar que, se há homocedasticidade e se o
tamanho da amostra n aumenta indefinidamente, então:
 𝑎𝑠𝑦~ 𝑚−1
2
Quebra dos pressupostos:
Heterocedasticidade
Para prática do teste BPG vamos utilizar os dados da Tabela
11.3.
Teste GERAL de Heterocedasticidade de White: É o mais
dinamizado dos testes, diante dos demais testes já vistos é o
que possui menos problemas, isso porque ele não necessita
que o pressuposto de normalidade seja atendido (conforme
ocorre com o teste BPG) e não possui nenhuma restrição
quanto aos resíduos de sua regressão auxiliar tiver algum
problema de heterocedasticidade.
Tanto, que é baseado no teste de White que são feitas a
maior parte das correções da hetero em modelos de
regressão linear.
Quebra dos pressupostos:
HeterocedasticidadeO teste para ser visualizado necessita passar por quatro etapas,
sempre partindo do modelo de regressão onde:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑢𝑖
1ª Etapa: Estimar a regressão acima e encontrar os resíduos
estimados 𝑢𝑖.
2ª Etapa: De porte dos resíduos calculamos a seguinte regressão
auxiliar:
𝑢𝑖
2
= 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖
2
+ 𝛼5 𝑋3𝑖
2
+ 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖
Em seguida será obtido o R2 da regressão auxiliar.
3ª Etapa: Sob a hipótese nula de que não há heterocedasticidade,
pode-se mostrar que o tamanho da amostra (n) multiplicado pelo
R2 da regressão auxiliar segue uma distribuição qui-quadrado com
graus de liberdade iguais ao número de regressores (excluindo-se
o intercepto – constante) na regressão auxiliar. Ou seja,
Quebra dos pressupostos:
Heterocedasticidade
𝑛𝑅 𝑎𝑠𝑠
2 ~ 𝑔𝑙
2
Com caso do modelo com três variáveis irá gerar na regressão
auxiliar outras três variáveis, com isso teremos 5 graus de
liberdade uma vez que (n-1) = (6-1)
4ª Etapa: Comparamos o valor do Qui-quadrado calculado
com o valor tabelado, caso o calculado seja maior que o
tabelado, teremos então a rejeição da hipótese nula, ou seja,
rejeição da homocedasticidade, logo a conclui-se pela
presença da heterocedasticidade.
Caso ele não seja significativo, estaremos concluindo que
𝛼2 = 𝛼3 = 𝛼4 = 𝛼5 = 𝛼6 = 0
Ou seja, de que os resíduos são homocedásticos.
Quebra dos pressupostos:
Heterocedasticidade
Para ilustrar o exemplo do teste de White, será feito o
exemplo conforme o exercício 11.15 (pág. 349). Fazendo uso
da Tabela 11.7. Também iremos executar os testes de
heterocedasticidade de White e o BPG pelo Gretl.
Qual o melhor teste? Não se trata de uma decisão fácil, uma
vez que tais testes baseiam-se em vários pressupostos. Ao
compararmos os testes, precisamos prestar atenção ao seu
tamanho (ou nível de significância), potência (a probabilidade
de rejeitarmos a hipótese falsa) e a sensibilidade a
discrepância (Outliers). O teste de White por exemplo é um
teste que tem baixa potência contra outros testes. Já o BPG é
sensível a presença da normalidade dos resíduos.
Quebra dos pressupostos:
Heterocedasticidade
Medidas corretivas
Verificamos que a presença da hetero irá afetar a eficiência de
nossos estimadores. Podemos aplicar medidas corretivas
levando em conta dois aspectos, quando conhecemos a
variância (𝜎𝑖
2
) e quando não a conhecemos.
𝝈𝒊
𝟐
Conhecido: uso dos Mínimos Quadrados Ponderados.
Quando aplicamos o MQP corrigimos a heterocedasticidade,
tornando os estimadores MELNT. A melhor forma de verificar
o procedimento (que já foi utilizado em outra oportunidade)
e verificá-lo na prática. Para tanto, será usado o exemplo da
Tabela 11.1 conforme exemplo 11.7 da página 336.
Quebra dos pressupostos:
Heterocedasticidade
𝝈𝒊
𝟐
Desonhecido
Quando o valor da variância do erro é desconhecida é
possível fazer uma correção através de mudanças das
matrizes de variância e covariância (var-cov). O processo mais
conhecido é a correção de White.
Mas antes é interessante falar em como se da essa correção,
e mostrar no Gretl como essa correção procede.
A correção de White na verdade ocorre com a inserção da
matriz de pesos de White no cálculo da variância do
estimador, onde:
𝑣𝑎𝑟 𝛽𝑗 =
𝑤𝑗𝑖 𝑢𝑖
2
𝑤𝑗𝑖
2 2
Quebra dos pressupostos:
Heterocedasticidade
O termo 𝑤𝑗 são os resíduos da regressão auxiliar de White,
como antes verificado para o modelo de três variáveis:
𝑢𝑖
2
= 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖
2
+ 𝛼5 𝑋3𝑖
2
+ 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖
A forma matricial de se mostrar esse regressor é:
𝑣𝑎𝑟 𝛽𝑗 = 𝑋′ 𝑋 −1 𝑋′𝑋 𝑋′ 𝑋 −1 = 𝐻𝐶0
Essa primeira matriz é o termo do Gretl usado para a correção
de White.
Para o HC1 teremos uma correção na matriz de White pelo
grau de liberdade onde:
𝑢𝑖
2
×
𝑛
𝑛 − 𝑘
Quebra dos pressupostos:
Heterocedasticidade
Para o termo HC2 teremos será feita uma correção ortogonal
cuja expectativa dos resíduos será dada por:
𝑢𝑖
2
1 − ℎ𝑖
onde ℎ𝑖 = 𝑋𝑖 𝑋′ 𝑋 −1 𝑋𝑖
O HC3 é uma versão com a correção Jackknife, onde na
verdade há uma sobrecorreção dada por:
𝑢𝑖
2
1 − ℎ𝑖
2
Quebra dos pressupostos:
Heterocedasticidade
Vamos verificar o processo de correção de White no Gretl
utilizando o exemplo da Tabela 11.5 sobre dados de inovações
na América Latina, que encontra-se dentro do exemplo 11.10
da página 342.
Quebra dos pressupostos:
Heterocedasticidade
Uma Advertência: Segundo John Fox
“Só vale a pena corrigir variâncias desiguais do erro somente
quando o problema for grave. O impacto da variância do erro
não constante sobre a eficiência do estimador de MQO e na
validade da eficiência dos MQO depende de vários fatores,
inclusive do tamanho da amostra, do grau de variação no 𝜎𝑖
2
,
da configuração dos valores de X [regressor – ou variáveis
independentes] e da relação entre a variância dos erros e os
X. Portanto, não é possível chegar a conclusões gerais a
respeito dos danos produzidos pela heterocedásticidade.”
FIM DO TÓPICO
4

Mais conteúdo relacionado

Mais procurados

Slides aula 3_economia-1
Slides aula 3_economia-1Slides aula 3_economia-1
Slides aula 3_economia-1Cátia Pascoal
 
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Kleverton Saath
 
Expectativas racionais e adaptadas
Expectativas racionais e adaptadasExpectativas racionais e adaptadas
Expectativas racionais e adaptadasFilipe Simão Kembo
 
Capitulo 8 gujarati resumo
Capitulo 8 gujarati resumoCapitulo 8 gujarati resumo
Capitulo 8 gujarati resumoMonica Barros
 
ANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos QuadradosANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos QuadradosAnselmo Alves de Sousa
 
Cap18 - Questões Resolvidas
Cap18 - Questões Resolvidas Cap18 - Questões Resolvidas
Cap18 - Questões Resolvidas Dágina Cristina
 
Mat coordenadas polares, cilíndricas e esféricas
Mat coordenadas polares, cilíndricas e esféricasMat coordenadas polares, cilíndricas e esféricas
Mat coordenadas polares, cilíndricas e esféricastrigono_metria
 

Mais procurados (20)

ECONOMETRIA.pdf
ECONOMETRIA.pdfECONOMETRIA.pdf
ECONOMETRIA.pdf
 
Slides aula 3_economia-1
Slides aula 3_economia-1Slides aula 3_economia-1
Slides aula 3_economia-1
 
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
Testes de especificação, diagnóstico e interpretação de Modelo OLS (Ordinary ...
 
Expectativas racionais e adaptadas
Expectativas racionais e adaptadasExpectativas racionais e adaptadas
Expectativas racionais e adaptadas
 
Tópico 4 regressão linear simples 01
Tópico 4   regressão linear simples 01Tópico 4   regressão linear simples 01
Tópico 4 regressão linear simples 01
 
Regressão Linear Simples
Regressão Linear SimplesRegressão Linear Simples
Regressão Linear Simples
 
Capitulo 8 gujarati resumo
Capitulo 8 gujarati resumoCapitulo 8 gujarati resumo
Capitulo 8 gujarati resumo
 
Vetores Autoregressivos
Vetores AutoregressivosVetores Autoregressivos
Vetores Autoregressivos
 
ANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos QuadradosANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
ANPEC/2019 - Propriedades dos Estimadores de Mínimos Quadrados
 
Tópico 4 regressão linear simples 02
Tópico 4   regressão linear simples 02Tópico 4   regressão linear simples 02
Tópico 4 regressão linear simples 02
 
2+demanda+moeda
2+demanda+moeda2+demanda+moeda
2+demanda+moeda
 
Regressão Linear I
Regressão Linear IRegressão Linear I
Regressão Linear I
 
Conceitos Básicos de Estatística II
Conceitos Básicos de Estatística IIConceitos Básicos de Estatística II
Conceitos Básicos de Estatística II
 
Algumas Funções do SPSS
Algumas Funções do SPSSAlgumas Funções do SPSS
Algumas Funções do SPSS
 
Prática de Regressão no SPSS
Prática de Regressão no SPSSPrática de Regressão no SPSS
Prática de Regressão no SPSS
 
Bioestatística
BioestatísticaBioestatística
Bioestatística
 
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
 
Regressao linear multipla
Regressao linear multiplaRegressao linear multipla
Regressao linear multipla
 
Cap18 - Questões Resolvidas
Cap18 - Questões Resolvidas Cap18 - Questões Resolvidas
Cap18 - Questões Resolvidas
 
Mat coordenadas polares, cilíndricas e esféricas
Mat coordenadas polares, cilíndricas e esféricasMat coordenadas polares, cilíndricas e esféricas
Mat coordenadas polares, cilíndricas e esféricas
 

Semelhante a 06 tópico 5 - heterocedasticidade

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...Cleverson Neves
 
Estatística aula_02a
Estatística aula_02aEstatística aula_02a
Estatística aula_02amaria_br3
 
Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Rodrigo Rodrigues
 
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdfAula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdfMatheusPraeiroAndrad
 
Como usar algoritmos e fluxogramas
Como usar algoritmos e fluxogramasComo usar algoritmos e fluxogramas
Como usar algoritmos e fluxogramasKleber Jacinto
 
Prova Comentada de Estatística - TCU 2015
Prova Comentada de Estatística - TCU 2015Prova Comentada de Estatística - TCU 2015
Prova Comentada de Estatística - TCU 2015Estratégia Concursos
 
Apresentacao econometria
Apresentacao econometriaApresentacao econometria
Apresentacao econometriaFernando Amaral
 
AMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxAMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxNunoSilva599593
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearFelipe Pontes
 
Lista de Exercícios Econometria I - UFES
Lista de Exercícios Econometria I - UFESLista de Exercícios Econometria I - UFES
Lista de Exercícios Econometria I - UFESRamon Cristian
 
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...Daniel Brandão de Castro
 
Métodos Para Resolver Sistemas de Equações Lineares
Métodos Para Resolver Sistemas de Equações LinearesMétodos Para Resolver Sistemas de Equações Lineares
Métodos Para Resolver Sistemas de Equações LinearesMayara Mônica
 
Métodos Quant. Aplic. a Gestão
Métodos Quant. Aplic. a GestãoMétodos Quant. Aplic. a Gestão
Métodos Quant. Aplic. a GestãoAna Fabricia Ludwig
 
Introdução aos Logaritmos Objeto de Aprendizagem
Introdução aos Logaritmos   Objeto de AprendizagemIntrodução aos Logaritmos   Objeto de Aprendizagem
Introdução aos Logaritmos Objeto de AprendizagemVivian de Paula
 

Semelhante a 06 tópico 5 - heterocedasticidade (20)

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...
 
Cadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdfCadeira_Econometria_2.pdf
Cadeira_Econometria_2.pdf
 
04 tópico 3 - regressão multipla
04   tópico 3 - regressão multipla04   tópico 3 - regressão multipla
04 tópico 3 - regressão multipla
 
Estatística aula_02a
Estatística aula_02aEstatística aula_02a
Estatística aula_02a
 
Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais Modelo de regressão linear: aspectos teóricos e computacionais
Modelo de regressão linear: aspectos teóricos e computacionais
 
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdfAula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
 
Funções
FunçõesFunções
Funções
 
Como usar algoritmos e fluxogramas
Como usar algoritmos e fluxogramasComo usar algoritmos e fluxogramas
Como usar algoritmos e fluxogramas
 
Prova Comentada de Estatística - TCU 2015
Prova Comentada de Estatística - TCU 2015Prova Comentada de Estatística - TCU 2015
Prova Comentada de Estatística - TCU 2015
 
Apresentacao econometria
Apresentacao econometriaApresentacao econometria
Apresentacao econometria
 
AMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptxAMD - Aula n.º 9 - regressão linear múltipla.pptx
AMD - Aula n.º 9 - regressão linear múltipla.pptx
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão Linear
 
Contribuição conapra 002 cnap-anexo econometrista final
Contribuição conapra 002   cnap-anexo econometrista finalContribuição conapra 002   cnap-anexo econometrista final
Contribuição conapra 002 cnap-anexo econometrista final
 
Lista de Exercícios Econometria I - UFES
Lista de Exercícios Econometria I - UFESLista de Exercícios Econometria I - UFES
Lista de Exercícios Econometria I - UFES
 
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...
 
Introdução à Regressão Linear
Introdução à Regressão LinearIntrodução à Regressão Linear
Introdução à Regressão Linear
 
A Utilização da Operação Módulo
A Utilização da Operação MóduloA Utilização da Operação Módulo
A Utilização da Operação Módulo
 
Métodos Para Resolver Sistemas de Equações Lineares
Métodos Para Resolver Sistemas de Equações LinearesMétodos Para Resolver Sistemas de Equações Lineares
Métodos Para Resolver Sistemas de Equações Lineares
 
Métodos Quant. Aplic. a Gestão
Métodos Quant. Aplic. a GestãoMétodos Quant. Aplic. a Gestão
Métodos Quant. Aplic. a Gestão
 
Introdução aos Logaritmos Objeto de Aprendizagem
Introdução aos Logaritmos   Objeto de AprendizagemIntrodução aos Logaritmos   Objeto de Aprendizagem
Introdução aos Logaritmos Objeto de Aprendizagem
 

Mais de Ricardo Bruno - Universidade Federal do Pará

Mais de Ricardo Bruno - Universidade Federal do Pará (19)

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
 
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
 
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

Abuso Sexual da Criança e do adolescente
Abuso Sexual da Criança e do adolescenteAbuso Sexual da Criança e do adolescente
Abuso Sexual da Criança e do adolescenteIpdaWellington
 
Multiplicação - Caça-número
Multiplicação - Caça-número Multiplicação - Caça-número
Multiplicação - Caça-número Mary Alvarenga
 
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.pptxLuizHenriquedeAlmeid6
 
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASMARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASyan1305goncalves
 
Produção de poemas - Reciclar é preciso
Produção  de  poemas  -  Reciclar é precisoProdução  de  poemas  -  Reciclar é preciso
Produção de poemas - Reciclar é precisoMary Alvarenga
 
"Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande""Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande"Ilda Bicacro
 
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.pdfCarolineNunes80
 
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptx
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptxSlide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptx
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptxsfwsoficial
 
Atividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfAtividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfmaria794949
 
O que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaO que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaHenrique Santos
 
Conteúdo sobre a formação e expansão persa
Conteúdo sobre a formação e expansão persaConteúdo sobre a formação e expansão persa
Conteúdo sobre a formação e expansão persafelipescherner
 
Livro infantil: A onda da raiva. pdf-crianças
Livro infantil: A onda da raiva. pdf-criançasLivro infantil: A onda da raiva. pdf-crianças
Livro infantil: A onda da raiva. pdf-criançasMonizeEvellin2
 
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdf
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdfAs Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdf
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdfcarloseduardogonalve36
 
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAHISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAElianeAlves383563
 
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 .pdfCsarBaltazar1
 
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024azulassessoria9
 
O Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoO Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoVALMIRARIBEIRO1
 
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...Manuais Formação
 

Último (20)

Abuso Sexual da Criança e do adolescente
Abuso Sexual da Criança e do adolescenteAbuso Sexual da Criança e do adolescente
Abuso Sexual da Criança e do adolescente
 
Multiplicação - Caça-número
Multiplicação - Caça-número Multiplicação - Caça-número
Multiplicação - Caça-número
 
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
 
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHASMARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
MARCHA HUMANA. UM ESTUDO SOBRE AS MARCHAS
 
Produção de poemas - Reciclar é preciso
Produção  de  poemas  -  Reciclar é precisoProdução  de  poemas  -  Reciclar é preciso
Produção de poemas - Reciclar é preciso
 
"Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande""Nós Propomos! Escola Secundária em Pedrógão Grande"
"Nós Propomos! Escola Secundária em Pedrógão Grande"
 
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
 
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptx
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptxSlide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptx
Slide Licao 4 - 2T - 2024 - CPAD ADULTOS - Retangular.pptx
 
Enunciado_da_Avaliacao_1__Direito_e_Legislacao_Social_(IL60174).pdf
Enunciado_da_Avaliacao_1__Direito_e_Legislacao_Social_(IL60174).pdfEnunciado_da_Avaliacao_1__Direito_e_Legislacao_Social_(IL60174).pdf
Enunciado_da_Avaliacao_1__Direito_e_Legislacao_Social_(IL60174).pdf
 
Atividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdfAtividade do poema sobre mãe de mário quintana.pdf
Atividade do poema sobre mãe de mário quintana.pdf
 
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
 
O que é, de facto, a Educação de Infância
O que é, de facto, a Educação de InfânciaO que é, de facto, a Educação de Infância
O que é, de facto, a Educação de Infância
 
Conteúdo sobre a formação e expansão persa
Conteúdo sobre a formação e expansão persaConteúdo sobre a formação e expansão persa
Conteúdo sobre a formação e expansão persa
 
Livro infantil: A onda da raiva. pdf-crianças
Livro infantil: A onda da raiva. pdf-criançasLivro infantil: A onda da raiva. pdf-crianças
Livro infantil: A onda da raiva. pdf-crianças
 
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdf
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdfAs Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdf
As Mil Palavras Mais Usadas No Inglês (Robert de Aquino) (Z-Library).pdf
 
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIAHISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
HISTORIA DA XILOGRAVURA A SUA IMPORTANCIA
 
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
 
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024
ATIVIDADE 2 - GQ - COMUNICAÇÃO EMPRESARIAL E NEGOCIAÇÃO - 52_2024
 
O Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhosoO Reizinho Autista.pdf - livro maravilhoso
O Reizinho Autista.pdf - livro maravilhoso
 
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
UFCD_9184_Saúde, nutrição, higiene, segurança, repouso e conforto da criança ...
 

06 tópico 5 - heterocedasticidade

  • 1. Econometria Tópico 4 – Regressão Múltipla Quebra dos pressupostos: Heterocedasticidade 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 07, e encontram-se dentro da pasta Vídeos no mediafire. Link do mediafire: http://www.mediafire.com/?q1dbpxh1b4uxo No Slideshare:
  • 3. Quebra dos pressupostos: Heterocedasticidade Natureza da Heterocedasticidade A heterocedasticidade quebra uma das mais relevantes e importantes hipóteses do MRLC, trata-se da homocedasticidade dos resíduos onde: 𝐸 𝑢𝑖 2 = 𝜎2 𝑖 = 1,2, … , 𝑛 A variância condicional de 𝑌𝑖 aumenta a medida que uma determinada variável independente aumenta. Ou seja, a variância de 𝑌𝑖 não são as mesmas. Como a variância do resíduo está condicionada a 𝑌𝑖 então existe a presença da heterocedasticidade, onde 𝐸 𝑢𝑖 2 = 𝜎𝑖 2 Suponha que o seguinte modelo esteja sendo analisado, onde 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖, e Y seja a poupança e X a renda, assim podemos verificar os dois seguintes gráficos:
  • 4. Quebra dos pressupostos: Heterocedasticidade HOMOCEDASTICIDADE
  • 5. Quebra dos pressupostos: Heterocedasticidade HETEROCEDASTICIDADE
  • 6. Quebra dos pressupostos: Heterocedasticidade As seguintes razões podem constituir-se como elementos de variabilidade de 𝑢𝑖, como: 1) Seguindo os modelos de erro-aprendizagem, comportamentos incorretos das pessoas diminuem com o tempo ou o número de erros torna-se mais consistente. Neste caso, espera-se que 𝜎𝑖 2 diminua. Como exemplo o autor cita a Figura 11.3, que relaciona o número de erros de digitação cometidos em um dado período de tempo em um teste com as horas de prática de digitação. Percebe-se que o erro de digitação diminui a medida que temos mais prática.
  • 7. Quebra dos pressupostos: Heterocedasticidade
  • 8. Quebra dos pressupostos: Heterocedasticidade 2) A medida que a renda aumenta, as pessoas têm mais renda discricionária e, portanto, mais opções para escolher como aplicarão sua renda. Por isso, é provável que 𝜎𝑖 2 aumente com a renda. Assim, na regressão de poupanças contra a renda é provável que se verifique que 𝜎𝑖 2 aumenta com a renda, pois as pessoas têm maior opção sobre como irão dispor de suas poupanças. Do mesmo modo, em geral se espera que a empresas com lucros maiores mostrem maior variabilidade em suas políticas de dividendos que aquelas com lucros mais baixos.
  • 9. Quebra dos pressupostos: Heterocedasticidade 3) A medida que as técnicas de coleta de dados aprimoram- se, é provável que 𝜎𝑖 2 diminua. Assim, os bancos que têm equipamentos sofisticados de processamento de dados provavelmente cometem menos erros nos demonstrativos periódicos de seus clientes do que bancos sem esses recursos. 4) A hetero também ocorre com a presença de dados discrepantes (outliers)
  • 10.
  • 11. Quebra dos pressupostos: Heterocedasticidade 5) Violação da hipótese 9, onde o modelo de regressão deve ser especificado corretamente. 6) A assimetria é outra fonte de heterocedasticidade. Renda e riqueza são variáveis que geralmente são desiguais, onde a maior parte da renda encontra-se na menor parte da população. Isso gera uma assimetria no dado. 7) Transformação incorreta de dados. É mais comum em dados de corte transversal do que nas séries temporais. A diferença é que no primeiro temos um nível de desagregação maior da informação, ou seja, estamos avaliando-a em vários níveis (como os diferentes níveis de renda municipal). Já a série temporal é um dado mais agregado, que não sofre grandes variações.
  • 12. Quebra dos pressupostos: Heterocedasticidade Resíduos da regressão de (a) percepções sobre despesas com publicidade e (b) percepções sobre despesas de publicidade e o quadrado de despesas com publicidade.
  • 13. Quebra dos pressupostos: Heterocedasticidade Estimativa dos MQO na presença da Heterocedasticidade A pergunta que se faz é: o que acontece com o MQO e suas variâncias se introduzirmos a heterocedasticidade fazendo 𝐸 𝑢𝑖 2 = 𝜎𝑖 2 , mas mantivermos todas as demais hipóteses do modelo clássico? Vamos analisar o modelo com duas variáveis: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 Verificamos que: 𝛽2 = 𝑥𝑖 𝑦𝑖 𝑥𝑖 2 = 𝑛 𝑋𝑖 𝑌𝑖 − 𝑋𝑖 𝑌𝑖 𝑛 𝑋𝑖 2 − 𝑋𝑖 2
  • 14. Quebra dos pressupostos: Heterocedasticidade Bem como a variância do beta 2 estimado é dada por: 𝑣𝑎𝑟 𝛽2 = 𝑥𝑖 2 𝜎𝑖 2 𝑥𝑖 2 2 𝑣𝑎𝑟( 𝛽2) = 𝜎2 𝑥𝑖 2 O que mantém o modelo aderente ao MELNT é a variância constante 𝜎2, mas, o que acontece que ela não for constante? Para verificar isso temos que analisar os resultados para dois aspectos um considerando a tendenciosidade e outro considerando a eficiência do modelo.
  • 15. Quebra dos pressupostos: Heterocedasticidade O fato de ser homocedástica ou heterocedástica não influencia na tendenciosidade do estimador 𝛽2 (ver apêndice 3A do capítulo 3), onde 𝐸 𝛽2 = 𝛽2 , onde mesmo na presença de heterocedasticidade, em amostras grandes o estimador continua consistente, e portanto, não tendencioso. Porém a eficiência é algo que não pode ser mantido. Pois dada a presença de heterocedasticidade ele deixa de apresentar a variância mínima, ou seja, ele deixa de ser MELNT. Isso porque: 𝑣𝑎𝑟 𝛽2 = 𝑥𝑖 2 𝜎𝑖 2 𝑥𝑖 2 2 Aumenta conforme 𝜎𝑖 2
  • 16. Quebra dos pressupostos: Heterocedasticidade O Método do Mínimos Quadrados Generalizados (MQG) Pelo fato de o estimador deixar de ser MELNT temos que encontrar uma forma de tornar o estimador MELNT, para tanto, é utilizado o MQG. Basicamente tal método incorpora pesos ou importâncias que ajudam a explicar o comportamento da variância, ou seja, considerar o seu efeito na hora do cálculo do estimador. Considerando a fórmula para o modelo simples: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 Para facilitar o entendimento da operação algébrica vamos inserir a variável X0 que representa uma matriz vetor de 1, assim 𝑌𝑖 = 𝛽1 𝑋0𝑖 + 𝛽2 𝑋𝑖 + 𝑢𝑖 𝑋0𝑖 = 1 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑖
  • 17. Quebra dos pressupostos: Heterocedasticidade Se conhecermos as variâncias 𝜎𝑖 2 poderemos inseri-las na equação como um peso, ou seja: 𝑌𝑖 𝜎𝑖 2 = 𝛽1 𝑋0𝑖 𝜎𝑖 2 + 𝛽2 𝑋𝑖 𝜎𝑖 2 + 𝑢𝑖 𝜎𝑖 2 𝑌𝑖 𝜎𝑖 = 𝛽1 𝑋0𝑖 𝜎𝑖 + 𝛽2 𝑋𝑖 𝜎𝑖 + 𝑢𝑖 𝜎𝑖 𝑌𝑖 ∗ = 𝛽1 ∗ 𝑋0𝑖 ∗ + 𝛽2 ∗ 𝑋𝑖 ∗ + 𝑢𝑖 ∗ Onde o sobrescrito com asteriscos nos parâmetros indicam os estimadores do modelo transformado, para podermos distingui-los dos parâmetros do modelo do MQO.
  • 18. Quebra dos pressupostos: Heterocedasticidade O que vai chamar a atenção é o erro transformado, vamos verificar como ficam sua variância após a transformação: 𝑣𝑎𝑟 𝑢𝑖 ∗ = 𝐸 𝑢𝑖 ∗ = 𝐸 𝑢𝑖 𝜎𝑖 2 𝑝𝑜𝑟 𝐸 𝑢𝑖 ∗ = 0 = 1 𝜎𝑖 2 𝐸 𝑢𝑖 2 𝑗á 𝑞𝑢𝑒 𝜎𝑖 2 é 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜 = 1 𝜎𝑖 2 𝜎𝑖 2 𝑗á 𝑞𝑢𝑒 𝐸 𝑢𝑖 2 = 𝜎𝑖 2 = 1 Ou seja, passamos a provar que a variância do modelo do MQG é uma constante, ou seja, torna-se homocedástico. Conservando as hipóteses do modelo clássico de regressão linear, assim, se aplicarmos o MQO no modelo transformado, ele irá gerar os MELNT.
  • 19. Quebra dos pressupostos: Heterocedasticidade Assim 𝛽1 ∗ e 𝛽2 ∗ são MELNT e não se tratam dos estimadores de MQO 𝛽1 e 𝛽2. Podemos verificar, portanto, que o MQG são os MQO nas variáveis transformadas que satisfazem as hipóteses padrão de Mínimos Quadrados. Podemos, assim como realizado o procedimento para MQO, encontrar o resíduo mínimo para a função transformada, considerando, portanto: 𝑌𝑖 ∗ = 𝛽1 ∗ 𝑋0𝑖 ∗ + 𝛽2 ∗ 𝑋𝑖 ∗ + 𝑢𝑖 ∗ Para obter o MQG temos que minimizar os resíduos, logo
  • 20. Quebra dos pressupostos: Heterocedasticidade 𝑢𝑖 2∗ = 𝑌𝑖 ∗ − 𝛽1 ∗ 𝑋0𝑖 ∗ − 𝛽2 ∗ 𝑋𝑖 ∗ 2 𝑢𝑖 𝜎𝑖 2 = 𝑌𝑖 𝜎𝑖 − 𝛽1 ∗ 𝑋0𝑖 𝜎𝑖 − 𝛽2 ∗ 𝑋𝑖 𝜎𝑖 2 Para o 𝛽2 ∗ o estimador de MQG será: 𝛽2 ∗ = 𝑤𝑖 𝑤𝑖 𝑋𝑖 𝑌𝑖 − 𝑤𝑖 𝑋𝑖 𝑤𝑖 𝑌𝑖 𝑤𝑖 𝑤𝑖 𝑋𝑖 2 − 𝑤𝑖 𝑋𝑖 2 E a variância será: 𝑣𝑎𝑟 𝛽2 ∗ = 𝑤𝑖 𝑤𝑖 𝑤𝑖 𝑋𝑖 2 − 𝑤𝑖 𝑋𝑖 2 Onde 𝑤𝑖 = 1 𝜎𝑖 2
  • 21. Quebra dos pressupostos: Heterocedasticidade Podemos então verificar que a diferença entre o MQO e o MQG é dada pela presença de um termo ponderado visualizado pela soma ponderada dos quadrados dos resíduos 𝑤𝑖 = 1/𝜎𝑖 2 , que tem um papel de peso, no entanto, os resultados de ambos (MQO e MQG) chegam a mesma conclusão de que os resíduos são homocedásticos. A diferença entre o uso das duas situações pode ser observado no próximo diagrama de dispersão. Nos MQO, cada 𝑢𝑖 2 associado aos pontos A, B e C receberá o mesmo peso quando da SQR for minimizada. É claro que, nesse caso, a 𝑢𝑖 2 associada ao ponto C dominará a SQR. Já nos MQG, a observação extrema C receberá um peso relativamente menor que as outras duas observações.
  • 22.
  • 23. Quebra dos pressupostos: Heterocedasticidade Consequências de usar MQO na presença de heterocedasticidade A regra aqui é verificar e responder o que acontece quando os nossos estimadores não são eficientes. Vamos para essa dinâmica, continuar utilizando o 𝛽2 e a sua respectiva fórmula da variância (sabendo da existência da hetero), que considera a presença da heterocedasticidade. O grande problema é que mesmo conhecendo a variância 𝜎𝑖 2 não podemos estabelecer um intervalo de confiança e muito menos realizar os testes t e F, pois os intervalos de confiança baseados na estimativa do 𝛽2 são menores, isso porque é possível mostrar que var( 𝛽2 ∗ ) ≤ 𝑣𝑎𝑟( 𝛽2 ).
  • 24. Quebra dos pressupostos: Heterocedasticidade O grande problema é considerar a estimação por MQO e desconsiderar a heterocedasticidade. Em primeiro lugar, 𝑣𝑎𝑟( 𝛽2 ) = σ2/ 𝑥𝑖 2 é um estimador TENDENCIOSO da 𝑣𝑎𝑟 𝛽2 = 𝑥𝑖 2 𝜎𝑖 2 / 𝑥𝑖 2 2 , isso porque na média ele sobrestima ou subestima a variância, e, em geral, não podemos dizer se o viés é positivo (sobreestimação) ou negativo (subestimação), pelo fato de isso depender da natureza da relação entre 𝜎𝑖 2 e os valores assumidos pela variável explanatória X, como observado pelo termo 𝑥𝑖 2 do denominador da fórmula da variância. O viés surge do fato de o valor de 𝜎2 dado por 𝑢𝑖 2 /(𝑛 − 2), não ser mais um estimador NÃO TENDENCIOSO deste último quando a heterocedasticidade está presente.
  • 25. Quebra dos pressupostos: Heterocedasticidade Caso persistamos no uso dos procedimentos comuns de teste apesar da hetero, quaisquer que sejam as conclusões a que chegamos ou as inferências que fizermos poderão ser equivocadas. Para termos um entendimento melhor do que ocorre, vamos verificar um estudo de Monte Carlo conduzido por Davidson e MacKinnon, eles consideram o seguinte modelo simples, que em nossa notação é: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 Os autores pressupõem que 𝛽1 = 1 e 𝛽2 = 1 e 𝑢𝑖~𝑁(0, 𝑋𝑖 𝛼 ). Como mostra a última expressão, os autores supõem que a variância de erro seja heterocedástica e relacionada ao valor do regressor X com poder . Se por exemplo, =1, a variância do erro é proporcional ao valor de X, caso seja =2, a variância do resíduo será proporcional ao quadrado do valor de X e assim por diante.
  • 26. Quebra dos pressupostos: Heterocedasticidade Baseado em 20 mil réplicas e permitindo vários valores para , eles obtêm erros padrão dos dois coeficientes de regressão usando os MQO (com 𝑣𝑎𝑟( 𝛽2 ) = σ2/ 𝑥𝑖 2 ), MQO permitindo a heterocedásticidade (onde 𝑣𝑎𝑟 𝛽2 = 𝑥𝑖 2 𝜎𝑖 2 / 𝑥𝑖 2 2 ), e o MQG ( com 𝑣𝑎𝑟 𝛽2 ∗ = 𝑤𝑖 / [ 𝑤𝑖 𝑤𝑖 𝑋𝑖 2 − 𝑤𝑖 𝑋𝑖 2]) Os resultados foram obtidos por cada peso de .
  • 27. Quebra dos pressupostos: Heterocedasticidade Os autores observaram que sempre o MQO sobrestima o MQG (ou seja, sempre suas variâncias serão maiores que o MQO), tanto para o intercepto quanto para o coeficiente angular. Com isso a conclusão é que e na presença da heterocedasticidade são os MQG e não os MQO os MELNT.
  • 28. Quebra dos pressupostos: Heterocedasticidade Detecção da Heterocedasticidade Vamos observa alguns procedimentos práticos que ajudam na detecção da heterocedasticidade. Para dados socioeconômicos é mais difícil a detecção pois não temos controle da amostra, dessa forma temos muitas vezes que fazer uso da intuição, informações preexistentes, experiência empírica e muitas vezes mera especulação. Tendo em vista esses pontos, vamos observar alguns métodos informais e formais para a detecção da hetero.
  • 29. Quebra dos pressupostos: Heterocedasticidade Os métodos informais: consistem basicamente verificar o comportamento dos resíduos ao quadrado 𝑢𝑖 2 contra o valor estimado de Y 𝑌𝑖. Algum comportamento sistemático entre essas duas relações pode nos ajudar a concluir pela existência da heterocedasticidade na regressão. A seguir podemos observar algumas situações gráficas que indicam a existência ou não de um comportamento sistemático entre essas duas variáveis.
  • 30. Quebra dos pressupostos: Heterocedasticidade
  • 31. Quebra dos pressupostos: Heterocedasticidade Esse comportamento pode ser observado também entre os resíduos e as variáveis independentes X. Caso o resíduo ao quadrado tiver alguma relação sistemática com alguma variável independente, é um indicativo forte da presença de heterocedasticidade na regressão.
  • 32. Quebra dos pressupostos: Heterocedasticidade
  • 33. Quebra dos pressupostos: Heterocedasticidade Métodos formais: Tratam-se dos testes para verificação da existência ou não da heterocedasticidade. São testes que são realizados com base nos resíduos da regressão. A grande maioria parte do pressuposto que na regressão existe homocedasticidade, portanto, a hipótese nula do teste consiste em: 𝐻0: 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒 𝐻1: 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒 Aqui será abordado apenas 3 testes, a ideia é entender a dinâmica de cada um deles.
  • 34. Quebra dos pressupostos: Heterocedasticidade Teste de Glejser: Trata-se de um método que procura verificar a relação entre resíduos e o comportamento da variável independente X. O teste consiste em duas etapas, onde: 1ª Estimar a regressão: Devemos primeiramente estimar a nossa regressão de interesse em que supõe-se ter a presenta da hetero: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 2ª Etapa: Depois de estimada a regressão, pegamos o resíduo estimado na sua forma absoluta | 𝑢𝑖| e usamos ele como variável dependente do modelo contra a variável independente do modelo anterior, no entanto, essa variável pode ser transformada conforme o comportamento dos resíduos, os modelos podem ser os seguintes:
  • 35. Quebra dos pressupostos: Heterocedasticidade 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖 𝑢𝑖 = 𝛽1 + 𝛽2 1 𝑋 𝑖 + 𝑣𝑖 𝑢𝑖 = 𝛽1 + 𝛽2 1 𝑋 𝑖 + 𝑣𝑖 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 2 + 𝑣𝑖 O grande problema nesse teste são os resíduos 𝑣𝑖 que podem ter comportamento heterocedástico também.
  • 36. Quebra dos pressupostos: Heterocedasticidade As regressões com o comportamento 𝑢𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖 são mais difíceis de serem estimadas por serem modelos de regressão não linear. O que inviabiliza sua estimação por MQO. O exemplo a seguir irá fazer uso das informações sobre remuneração e produtividade e será utilizados os dados da tabela 11.1.
  • 37. Quebra dos pressupostos: Heterocedasticidade Teste de Breusch-Pagan-Godfrey (BPG): É um dos testes de heterocedasticidade mais conhecidos e utilizados. Para entende-lo é necessária a construção de cinco etapas que culminará numa análise da estatística 2. Para iniciar o teste vamos recorrer ao modelo de regressão com k variáveis. 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖 Suponha que variância do erro, 𝜎𝑖 2 , seja descrita como: 𝜎𝑖 2 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖) Ou seja, 𝜎𝑖 2 é uma função das variáveis não estocásticas Z; alguns ou todos os X podem servir de Z. Suponha que 𝜎𝑖 2 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖
  • 38. Quebra dos pressupostos: Heterocedasticidade Onde 𝜎𝑖 2 passa a ser uma função linear de Z. Caso 𝛼2 = 𝛼3 = ⋯ = 𝛼 𝑚 = 0, e 𝜎𝑖 2 = 𝛼1, que é uma constante. Dessa forma, para testar se 𝜎𝑖 2 é homocedástico, podemos testar a hipótese de que 𝛼2 = 𝛼3 = ⋯ = 𝛼 𝑚 = 0, esta é a ideia básica por trás do teste de BPG. Os procedimentos para a realização do teste são os seguintes: 1ª Etapa: Estime 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽 𝑘 𝑋 𝑘𝑖 + 𝑢𝑖 por MQO e obtenha os resíduos 𝑢𝑖. 2ª Etapa: Devemos obter o 𝜎2 = 𝑢𝑖 2 /𝑛. Que é o estimador de máxima verossimilhança de 𝜎2 . Essa fórmula é diferente do estimador de MQO que é 𝜎2 = 𝑢𝑖 2 /(𝑛 − 𝑘). 3ª Etapa: Construir as variáveis 𝑝𝑖 que são definidas como: 𝑝𝑖 = 𝑢𝑖 2 / 𝜎2
  • 39. Quebra dos pressupostos: Heterocedasticidade 4ª Etapa: Faça a regressão 𝑝𝑖 construída sobre os Z como 𝑝𝑖 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼 𝑚 𝑍 𝑚𝑖 + 𝑣𝑖 5ª Etapa: Obtenha a SQE (Soma dos Quadrados Explicada) e defina:  = 1 2 𝑆𝑄𝐸 Pressupondo que os resíduos se distribuem normalmente, podemos demostrar que, se há homocedasticidade e se o tamanho da amostra n aumenta indefinidamente, então:  𝑎𝑠𝑦~ 𝑚−1 2
  • 40. Quebra dos pressupostos: Heterocedasticidade Para prática do teste BPG vamos utilizar os dados da Tabela 11.3. Teste GERAL de Heterocedasticidade de White: É o mais dinamizado dos testes, diante dos demais testes já vistos é o que possui menos problemas, isso porque ele não necessita que o pressuposto de normalidade seja atendido (conforme ocorre com o teste BPG) e não possui nenhuma restrição quanto aos resíduos de sua regressão auxiliar tiver algum problema de heterocedasticidade. Tanto, que é baseado no teste de White que são feitas a maior parte das correções da hetero em modelos de regressão linear.
  • 41. Quebra dos pressupostos: HeterocedasticidadeO teste para ser visualizado necessita passar por quatro etapas, sempre partindo do modelo de regressão onde: 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑢𝑖 1ª Etapa: Estimar a regressão acima e encontrar os resíduos estimados 𝑢𝑖. 2ª Etapa: De porte dos resíduos calculamos a seguinte regressão auxiliar: 𝑢𝑖 2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖 2 + 𝛼5 𝑋3𝑖 2 + 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖 Em seguida será obtido o R2 da regressão auxiliar. 3ª Etapa: Sob a hipótese nula de que não há heterocedasticidade, pode-se mostrar que o tamanho da amostra (n) multiplicado pelo R2 da regressão auxiliar segue uma distribuição qui-quadrado com graus de liberdade iguais ao número de regressores (excluindo-se o intercepto – constante) na regressão auxiliar. Ou seja,
  • 42. Quebra dos pressupostos: Heterocedasticidade 𝑛𝑅 𝑎𝑠𝑠 2 ~ 𝑔𝑙 2 Com caso do modelo com três variáveis irá gerar na regressão auxiliar outras três variáveis, com isso teremos 5 graus de liberdade uma vez que (n-1) = (6-1) 4ª Etapa: Comparamos o valor do Qui-quadrado calculado com o valor tabelado, caso o calculado seja maior que o tabelado, teremos então a rejeição da hipótese nula, ou seja, rejeição da homocedasticidade, logo a conclui-se pela presença da heterocedasticidade. Caso ele não seja significativo, estaremos concluindo que 𝛼2 = 𝛼3 = 𝛼4 = 𝛼5 = 𝛼6 = 0 Ou seja, de que os resíduos são homocedásticos.
  • 43. Quebra dos pressupostos: Heterocedasticidade Para ilustrar o exemplo do teste de White, será feito o exemplo conforme o exercício 11.15 (pág. 349). Fazendo uso da Tabela 11.7. Também iremos executar os testes de heterocedasticidade de White e o BPG pelo Gretl. Qual o melhor teste? Não se trata de uma decisão fácil, uma vez que tais testes baseiam-se em vários pressupostos. Ao compararmos os testes, precisamos prestar atenção ao seu tamanho (ou nível de significância), potência (a probabilidade de rejeitarmos a hipótese falsa) e a sensibilidade a discrepância (Outliers). O teste de White por exemplo é um teste que tem baixa potência contra outros testes. Já o BPG é sensível a presença da normalidade dos resíduos.
  • 44. Quebra dos pressupostos: Heterocedasticidade Medidas corretivas Verificamos que a presença da hetero irá afetar a eficiência de nossos estimadores. Podemos aplicar medidas corretivas levando em conta dois aspectos, quando conhecemos a variância (𝜎𝑖 2 ) e quando não a conhecemos. 𝝈𝒊 𝟐 Conhecido: uso dos Mínimos Quadrados Ponderados. Quando aplicamos o MQP corrigimos a heterocedasticidade, tornando os estimadores MELNT. A melhor forma de verificar o procedimento (que já foi utilizado em outra oportunidade) e verificá-lo na prática. Para tanto, será usado o exemplo da Tabela 11.1 conforme exemplo 11.7 da página 336.
  • 45. Quebra dos pressupostos: Heterocedasticidade 𝝈𝒊 𝟐 Desonhecido Quando o valor da variância do erro é desconhecida é possível fazer uma correção através de mudanças das matrizes de variância e covariância (var-cov). O processo mais conhecido é a correção de White. Mas antes é interessante falar em como se da essa correção, e mostrar no Gretl como essa correção procede. A correção de White na verdade ocorre com a inserção da matriz de pesos de White no cálculo da variância do estimador, onde: 𝑣𝑎𝑟 𝛽𝑗 = 𝑤𝑗𝑖 𝑢𝑖 2 𝑤𝑗𝑖 2 2
  • 46. Quebra dos pressupostos: Heterocedasticidade O termo 𝑤𝑗 são os resíduos da regressão auxiliar de White, como antes verificado para o modelo de três variáveis: 𝑢𝑖 2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖 2 + 𝛼5 𝑋3𝑖 2 + 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖 A forma matricial de se mostrar esse regressor é: 𝑣𝑎𝑟 𝛽𝑗 = 𝑋′ 𝑋 −1 𝑋′𝑋 𝑋′ 𝑋 −1 = 𝐻𝐶0 Essa primeira matriz é o termo do Gretl usado para a correção de White. Para o HC1 teremos uma correção na matriz de White pelo grau de liberdade onde: 𝑢𝑖 2 × 𝑛 𝑛 − 𝑘
  • 47. Quebra dos pressupostos: Heterocedasticidade Para o termo HC2 teremos será feita uma correção ortogonal cuja expectativa dos resíduos será dada por: 𝑢𝑖 2 1 − ℎ𝑖 onde ℎ𝑖 = 𝑋𝑖 𝑋′ 𝑋 −1 𝑋𝑖 O HC3 é uma versão com a correção Jackknife, onde na verdade há uma sobrecorreção dada por: 𝑢𝑖 2 1 − ℎ𝑖 2
  • 48. Quebra dos pressupostos: Heterocedasticidade Vamos verificar o processo de correção de White no Gretl utilizando o exemplo da Tabela 11.5 sobre dados de inovações na América Latina, que encontra-se dentro do exemplo 11.10 da página 342.
  • 49. Quebra dos pressupostos: Heterocedasticidade Uma Advertência: Segundo John Fox “Só vale a pena corrigir variâncias desiguais do erro somente quando o problema for grave. O impacto da variância do erro não constante sobre a eficiência do estimador de MQO e na validade da eficiência dos MQO depende de vários fatores, inclusive do tamanho da amostra, do grau de variação no 𝜎𝑖 2 , da configuração dos valores de X [regressor – ou variáveis independentes] e da relação entre a variância dos erros e os X. Portanto, não é possível chegar a conclusões gerais a respeito dos danos produzidos pela heterocedásticidade.”