MQOMatricial

O Modelo de Regresso Linear em Forma Matricial
Aula 24
Prof. Moiss A. Resende Filho
Introduo Econometria (ECO 132497)
13 de junho de 2014
Moiss Resende Filho (ECO/UnB)
(Wooldridge, Ap. E; Dougherty, Cap. 15)
13/06/2014
1 / 28
Introduo
Porque investir no Modelo de Regresso Linear Mltipla (RLM) em
forma matricial?
1
2
Cursos de ps-graduao, normalmente, utilizam lgebra linear.

Generalizar os resultados essenciais para os modelos com vrias
variveis explicativas.
Possibilitar a condensao da notao.
Porque no utiliza lgebra linear desde o incio do curso de Introduo

Econometria?
Um curso introdutrio de econometria deve incentivar o
desenvolvimento da compreenso intuitiva e slida do material, o
que mais fcil de atingir usando a lgebra do dia a dia (por
exemplo, uso de somatrio). Em suma, deseja-se evitar o estudo da
econometria enquanto um exerccio prolongado de matemtica
abstrata, o que seria de pouca utilidade os simples praticantes da
disciplina ou econometristas aplicados.
13/06/2014
2 / 28
Introduo
Conveno: matrizes e vectores sero denotados por letras em negrito,

as matrizes em letras maisculas, por exemplo, A, e os vetores, em letras
minsculas, por exemplo, b.
A transposio de uma matriz ser denotado por um apstrofo, de
maneira que a transposio de A A0 .
O inverso de uma matriz ser denotado por um sobrescrito 1. Por
exemplo, o inverso da matriz A A 1 .
13/06/2014
3 / 28
O MRLM em forma matricial

Considere o modelo de regresso linear mltipla com k parmetros e
observaes indexadas por i:
yi = 1 xi 1 + 2 xi 2 + . . . + k xik + ui , i = 1, . . . , n
(1)
As n equaes em (1) formam o sistema de equaes:

3 2 3
2 3 2
u1
1 x11 + 2 x12 + . . . + k x1k
y1
6y2 7 6 x21 + x22 + . . . + x2k 7 6u2 7
2
k
6 7 6 1
7 6 7
7 + 6 .. 7
6 .. 7 = 6
..
5 4.5
4.5 4
.
un
1 xn1 + 2 xn2 + . . . + k xnk
yn
(2)
ou, equivalentemente
2 3 2
y1
x11
6y2 7 6x21
6 7 6
6 .. 7 = 6 ..
4.5 4 .
yn
x12
x22
..
.
xn1 xn2
..
.
32 3 2 3
x1k
1
u1
7
6
7
6
x2k 7 6 2 7 6u2 7
7
.. 7 6 .. 7 + 6 .. 7
. 54 . 5 4 . 5
xnk
(3)
un
13/06/2014
4 / 28

Se h um intercepto, ento xi 1 = 1, 8i, tal que para cada observao
i, o vetor xi de dimenso k 1
2 3 2 3
1
x11
6 xi 2 7 6xi 2 7
6 7 6 7
xi = 6 . 7 = 6 . 7 , i = 1, ..., n
4 .. 5 4 .. 5
xik
xik
O vetor de parmetros de dimenso k

2 3
1
6 7
6 27
=6 . 7
4 .. 5
Assim, as n equaes em (1) podem ser, compactamente, representadas

por
yi = xi0 +ui , i = 1, 2, . . . , n
13/06/2014
5 / 28

Alternativamente, para cada varivel j, dena o vetor xj (de dimenso
n 1) das n observaes de xj tal que:
2 3
x1j
6x2j 7
6 7
xj = 6 . 7 , j = 1, 2, ..., k
4 .. 5
xnj
ou coluna j da matriz X, tal que

2
x11 x12
6 ..
..
X =4 .
.
xn1 xn2
x1k
.. 7 =
. 5
xnk
..
.
x1
xk
(n 1 )
(n 1 )
x10
6 (1 k ) 7
6 . 7
7
=6
6 .. 7
4 0 5
xn
(1 k )
O sistema de equaes (3) pode, compactamente, ser representado por

y
(n 1 )
= X
+ u
(n k ) (k 1 )
(n 1 )
13/06/2014
6 / 28
A matriz de varincia-covarincia dos erros
= E ((u
(n n )
E(ujX)) (u
E(ujX))0 jX) = E (uu0 jX), pois admite-se
que E(ujX) = 0 .
(n 1 )
2 3
u1
6 u2 7
6 7
Ou seja, = E [uu0 jX] = E [6 . 7 u1 u2
4 .. 5
(n n )
un jX], onde ui
un
o i-simo erro populacional do modelo de regresso mltipla.
13/06/2014
7 / 28
A matriz de varincia-covarincia dos erros
(n n )
2 3
u1
6 u2 7
6 7
= E [uu0 jX] = E [6 .. 7 u1 u2
4.5
2
un
u12
u1 u2
u22
..
.
3
u1 un
u2 un 7
7
.. 7 jX)
. 5
6 u2 u1
6
= E (6 ..
4 .
un u1 un u2
un2
2
Var (u1 jX)
Cov (u1 , u2 jX)
6Cov (u2 , u1 jX)
Var (u2 jX)
6
= 6
..
..
4
.
.
Cov (un , u1 jX) Cov (un , u2 jX)
un j X ]
3
Cov (u1 , un jX)
Cov (u2 , un jX)7
7
7
..
5
.
Var (un jX)
13/06/2014
8 / 28
Estimao por Mnimos Quadrados Ordinrios

b = arg min SQR (
e)
e)
SQR (
u
e0 u
e, como u
ei
= (y
=
y0 y
(1 1 )
e ) 0 (y
X
e
y0 X
(1 1 )
yi
e)
X
e
X
(1 1 )
e0 0
e
xi0
e
o i-simo resduo sob
e
y+ X
e
X
(1 1 )
e + X X ,
e transposta de escalar
= yy 2 yX
0
(1 k )
(4)
(k k )
As condies de primeira ordem
e)
SQR (
= 0
e
(K 1 )
13/06/2014
9 / 28
Para um vetor y de dimenso n

dene-se
2 y1
y2
z1
y1
zk
y2
zk
y
z
(k n )
z1
6 ..
4 .
Por exemplo, se y = a0 z =a1 z1 +

2 y1 3 2 3
a1
z1
6 .. 7 6 .. 7
y
z = 4 . 5 = 4 . 5 = a.
y1
ak
z
1 e um vetor z de dimenso k
..
.
..
1,
yn 3
z1
.. 7
. 5
yn
zk
+ ak zk , ento
13/06/2014
10 / 28

dene-se
2 y1
y2
z1
y1
zk
y2
zk
y
z
(k n )
z1
6 ..
4 .
..
.
..
1,
yn 3
z1
.. 7
. 5
yn
zk
32 3 2
3
a11
a1k
z1
a11 z1 +
+ a1k zk
6
7
.. 7 6 .. 7 = 6
..
..
Se y = Az = 4 ...
5,
.
. 54 . 5 4
.
ak 1
a
zk
ak 1 z1 +
+ akk zk 3
2 kk
2 y1
(ak 1 z1 + +akk zk )
(a11 z1 + +a1k zk )
yn 3
z1
z1
z1
z1
7
6 ..
.. 7 = 6
..
..
y
.
.
6
7=
.
.
4 .
.
.
. 5 4
.
.
z
5
(k n )
a11
6 ..
4 .
a1k
y1
zk
..
yn
zk
ak 1
.. 7 = A0 .
. 5
akk
(a11 z1 + +a1k zk )
zk
(ak 1 z1 + +akk zk )
zk
13/06/2014
11 / 28

dene-se
2 y1
y2
z1
y1
zk
y2
zk
y
z
(k n )
a11
6 ..
Considernado A = 4 .
ak 1
z1
6 ..
4 .
..
..
.
3
a1k
.. 7 =
. 5
akk
..
2
yn 3
z1
.. 7
. 5
yn
zk
3
a10
6 .. 7
4 . 5 e a forma quadrtica
ak0
y = z0 Az = i =1 l =1 ai ,l zi zl = i =1 ai ,l zi2 + i =1 l 6=i ai ,l zi zl
2
3
k
k
2 0 3
2 03
(
a
z
z
)
i
i
,l
l
i =1 l =1
2a1 z
a1
6
7
z1
6
7 6 . 7
6
.
y
6
7 = 4 .. 5 = 2 4 ... 7
..
5 z =2Az.
z
6
7
k
k
5
(k n ) 4
0
0
2ak z
ak
(
ai ,l zi zl )
k
i =1
1,
l =1
zk
13/06/2014
12 / 28

Propriedades de diferenciao matricial: para um vetor 1
constantes, a0 e uma matriz k k de constantes, A
a0 z
z
Az
z
0
z Az
z
k de
z0 a
=a
z
= A0
= (A + A0 )z =2Az, se A = A0
e e A = (X0 X) = A0 . Pelas propriedades de

Sejam a0 = (y0 X) , z =
diferenciao matricial
e 0 (X0 X )
e
e 0 (X0 X )
e
e)

2
( 2 (y 0 X)
0 y,
0 X ,
e
acima
=
2X
=
2X
= 2X0 X.
e
e
e e
13/06/2014
13 / 28

Assim
e)
SQR (
e
= 2 X0 X
e
X0 y =
(K 1 )
=>
b = X0 y (Equaes Normais de MQO)

X0 X
(K 1 )
(5)
(K 1 )
b = X0 u
b o vetor n
Da X0 y X
b = 0, onde u
b y X
resduos de MQO: X e os resduos de MQO so ortogonais.
O estimador de MQO
b =
(k 1 )
e)
2 SQR (
e =b
e
e j

1 de
X0 X
(k k )
X0 y
(k 1 )
= 2 (X0 X)0 = 2X0 X que uma matriz k

simtrica e denida positiva, se X "full rank".
Note que
13/06/2014
14 / 28
2
6
4
Note que:
2 0 3
x1
6 (n 1 ) 7
6 . 7
7
X0 X = 6
6 .. 7
(k k ) 4 0 5
xk
(n 1 )
n
2
x
i =1 i 1
..
.
i =1 xik2xi 1
n
x1
(n 1 )
xk
(n 1 )
i =1 xi 1 xik
n
..
.
7
5.
n i =1 xik2 3
i =1 yi xi 1
n
..
.
x10 y
6
7 6
7
..
X0 y = 4 ... 5 = 4
5.
.
n
0
xk y
i =1 yi xik
13/06/2014
15 / 28
A matriz de varincia-covarincia do Estimador MQO

1
Inexistncia de vis de MQO: como

b = (X0 X) 1 X0 y = (X0 X) 1 X0 (X + u) = + (X0 X) 1 X0 u, ento
b jX) = (X0 X) 1 X0 E (ujX) = 0, se E (ujX) = 0 .

E (
(n 1 )
b
A matriz de varincia-covarincia de
b
b jX) = E
Var (
X0 X
X0 X
= 2 X0 X
3
b2 = u
Estimando
b0 u
b / (n
X0 X
= E
= E
b jX)
E (
1
X0 u
b jX)
E (
X0 X
X0 uu0 X X0 X
X0 u
i
1
jX
X0 E (uu0 jX)X X0 X
1
0
0
jX
, se E (uu0 jX) =2 I (erros esfricos)
b jX)=
d(
b 2 (X0 X )
k ), obtemos Var
13/06/2014
16 / 28

Para o "modelo yi = 1 + 2 xi 2 +#ui , note que, neste caso, k = 2.
n
n
xi21
i =n1 xi 1 xi 2 , mas como xi 1 = 1, 8i,
X0 X =
n i =1
xi 2 xi 1
(k k )
i#=1 xi22
" i =1
n
n
x
0
in=1 i 2
X X=
n
x
(k k )
i =1 i 2 i =1 xi22
(X0 X )
X0 y =
(k 1 )
(k 1 )
=
"
1
n ni=1 (xi 2 x 2 )2
" #
n
yi
n i =1
yx
i =1 i i 2
ni=1 x2i
n
= b 1 = (X0 X )
ni=1 x2i2
ni=1 x2i
X0 y =
"
b
2 x 2
ni (xi 2 x 2 )yi
ni (xi 2 x 2 )2
13/06/2014
17 / 28
Para o modelo
" yi = 1 + 2 xi 2 + ui , note que,
# neste caso, k = 2.
b
b
b
Var ( 1 jX)
Cov ( 1 , 2 jX)
b jX) =
Var (
b
b
Cov ( 2 , 1 jX)
Var (b
2 jX)
(k k )
b j X ) = 2 (X0 X )
Var (
2
n ni=1 (xi 2 x 2 )2
ni=1 x2i2
ni=1 x2i
que:
2 n x 2
Var (b
1 jX) = n n (ix=1 2ix 2 )2 , Var (b
2 j X ) = n
i =1
Cov (b
1 , b
2 jX) =Cov (b
2 , b
1 jX) =
i =1 (x i 2
i2
2 ni=1 x2i
.
n
i =1 (x i 2 x 2 )2
x 2 )2
ni=1 x2i
n
tal
13/06/2014
18 / 28
(Questo 14, Anpec 2011). Considere o modelo de regresso linear

y = X + u, em que y, X e u so vetores de dimenso n 1 e um
escalar. Adicionalmente,
suponha
0, 3
3 que2E (3ujX) = 2
2
0
1
1 0 0 0 0
677
617
60 3 0 0 07
6 7
6 7
7
6
6 7
6 7
7
E (uu0 jX) = 6
60 0 4 0 07, X = 617 e y = 657. Com base nisso
405
415
40 0 0 6 05
0
1
0 0 0 0 8
pede-se:
1
2
b = (X0 X )
Calcule a estimativa MQO de ,
1 X0 y.
Obtenha Var (u1 jX),Var (u2 jX),Var (u3 jX),Var (u4 jX),Var (u5 jX) e
Cov (ui , uj jX), i 6= j.
d (b
Obtenha Var (b
jX) e Var
jX).
1
13/06/2014
19 / 28
b = (X0 X )
Simples aplicao do estimador de MQO:
X0 y:
Pelas dimenses da matriz de dados X que 5 1, sabe-se que o

tamanho da amostra n = 5 e que h uma nica varivel explicativa,
tal que o modelo economtrico , necessariamente, yi = 1 + ui .
2 3
1
617
6 7
7
Como X0 X = 1 1 1 1 1 6
617 = n = 5,
415
1
2 3
0
677
6 7
n
7
X0 y = 1 1 1 1 1 6
657 = i =1 yi = 12,
405
0
0
1
0
1
b = (X X) X y =n n 1 yi = 5 1 12 = 2, 4 (a mdia de y ).
i =1
1
d (b
b 2 (X0 X ) 1 =
Var (b
1 jX) = 2 (X0 X) = 2 n 1 e Var
1 jX) =
ub
i
2
i
n (n k )
(0 2.4 )2 +(7 2.4 )2 +(5 2.4 )2 +(0 2.4 )2 +(0 2.4 )2

5 (5 1 )
= 2, 26.
13/06/2014
20 / 28
1 0 0
60 3 0
6
Como E (uu0 jX) = 6
60 0 4
40 0 0
0 0 0
2
Var (u1 jX)
Cov (u1 , u2 jX)
6Cov (u1 , u2 jX)
Var (u2 jX)
6
6
..
..
4
.
.
0
0
0
6
0
3
0
07
7
07
7=
05
8
3
Cov (u1 , u5 jX)
Cov (u2 , u5 jX)7
7
7, ento, sabemos
..
5
.
Cov (u5 , u1 jX) Cov (u5 , u2 jX)

Var (u5 jX)
que:
E (u12 jX) = Var (u1 jX) = 1, E (22 jX) = Var (u2 jX) = 3,
E (23 jX) = Var (u3 jX) = 4, E (24 jX) = Var (u4 jX) = 6,
E (25 jX) = Var (u5 jX) = 8, ou seja, o erro heterocedstico.
E (i j jX) = Cov (ui , uj jX) zero para todo i, j = 1, .., 5 e i 6= j,
portanto no h correlao entre os erros, o que garantido no caso de
amostras (yi , xi0 ), i = 1, ..., n aleatrias.
13/06/2014
21 / 28
Questo 6 da lista 5: considere os seguintes modelos de regresso

Modelo 1: yi = 1 + ui , com i = 1, .., n.
Modelo 2: yi = 1 + 2 xi 2 + ui , com i = 1, .., n.
Modelo 3: yi = 1 xi 1 + 2 xi 2 + ui , com i = 1, .., n.
Note que cada modelo acima um caso particular do Modelo Clssico de
Regresso Linear:
y = X + u
onde y n
1
1, X n
K, K
1eun
1.
Para cada modelo, apresente as matrizes X, X0 X e X0 y em termos de

soma dos quadrados e dos produtos cruzados das variveis dos
modelos. Por exemplo, para o modelo 1, X = [1...1]0 ,tal que
(n 1 )
X0 X = ni=1 1 = n e X0 y = ni=1 yi .
Usando os resultados do item (a), mostre que o estimador MQO de
1 no modelo 1
b
1 = n
yi = y .
i =1
13/06/2014
22 / 28
Modelo2 1:3 yi = 1 + ui , i = 1, .., n. 2 3

1
1
617
617
6 7
6 7
1 6 . 7 = n,
X = 6 . 7, X0 X = 1 1
4 .. 5
(n 1 ) 4 .. 5
1
X0 y = 1 1
Como
(X0 X ) 1
2 3
y1
6 y2 7
6 7
1 6 . 7 = ni=1 yi .
4 .. 5
=n
yn
e X0 y = ni=1 yi , ento
b
1 = (X0 X ) 1 X0 y
ni=1 yi
=
n
= y
13/06/2014
23 / 28
Modelo 2: yi = 1 + 2 xi 2 + i , i = 1, .., n.
2
2
3
3
1 x12
1 x12
61 x22 7
6
7
1
1
1 61 x22 7
6
7 0
X = 6.
,XX=
=
6
7
.
.
.
.. 5
.. 7
x12 x22
xn2 4 ..
4 ..
5
1 xn2
1 xn2
2 3
y1
"
#
n
6
7
n
1 6y2 7
in=1 xi 2 , X0 y = 1 1
6
7=
n
.
x12 x22
xn2 4 .. 5
i =1 xi 2 i =1 xi22
yn
"
#
n
n i =1 yi .
i =1 xi 2 yi
13/06/2014
24 / 28
A inversa de uma matriz quadrada A, A

A=
1
[
jAj
Assim,
1l +k
]0 .
1
jAj
jAjlk
= jX10 Xj [ 1l +k [X0 X]lk ]0 => (X0 X)
i xi22
i xi 2 , pois
n
i xi 2
(X0 X ) 1
1
n ni=1 (xi 2 x 2 )2
jX0 Xj =n i xi22
i xi 2
ni=1 (xi 2 x 2 )2 = ni=1 xi22

b = (X0 X) 1 X0 y temos
De
" #
b
1
1
=
n
b
n i =1 (xi 2
2
" #
b
1
1
=
n
b
n i =1 (xi 2
2
b
2 =
Adjunta de
= n ni=1 (xi 2
x 2 )2 , uma vez que
n 1 (ni=1 xi 2 )2 .
que
x2)
x2)
i xi22
i xi 2 i yi
n
i xi 2
i xi 2 yi
i xi22 i yi i xi 2 i xi 2 yi
n i xi 2 yi i xi 2 i yi
n i xi 2 yi i xi 2 i yi
=
n ni=1 (xi 2 x 2 )
i =1 (xi 2 x 2 )(yi
n
i =1 (xi 2 x 2 )2
n
y)
13/06/2014
25 / 28
3
80
1007
7
1207
7.
1405
160
3
1 80
61 1007
7
600
1
1
1
1
1 6
0
61 1207 = 5
.
XX=
7
600
76000
80 100 120 140 160 6
41 1405
1 160
(X0 X) 1 = jX10 Xj [ 1l +k [X0 X]lk ]0 =>
2
3
1
70
61
6 65 7
6
6
7
7; X = 61
90
Exemplo com y = 6
6
6
7
41
4 95 5
1
110
2
2
(X0 X )
(5 76000 600 600 )
76000
600
600
=
5
19
5
3
100
3
100
1
4000
13/06/2014
26 / 28
3
70
6 65 7
7
1
1
1
1
1 6
0
6 90 7 = 430 .
Xy=
7
53800
80 100 120 140 160 6
4 95 5
110
" #
19
3
b
430
20
5
100
b = 1 = (X0 X ) 1 X0 y =
=
.
3
1
b
53800
0.55
2
100
4000
2
b j X ) = 2 (X0 X )
Var (
= 2
19
5
3
100
3
100
1
4000
; e quanto a 2 ?
13/06/2014
27 / 28
2
3
80
6
1007
6
7 20
7
1207
=6
u
b y
6
0.55
4
1405
160
2
3
6
6 107
6
7
0
7
10 4
2 2 6
u
bu
b= 6
6 4 7 = 160.
4 25
2
"
#
b
d (b
d (b
Var
j
X
)
Cov
j
X
)
1
1
2
b jX) =
d(
Var
d (b
d (b
Cov
,b
jX)
Var
jX)
3
70
6 65 7
7
6
b
7
X = 6
6 90 7
4 95 5
110
2
u
b0 u
b
n k
(X0 X )
160
5 2
1
61
6
61
6
41
1
2
1
19
5
3
100
3
100
1
4000
3
6
107
7
4 7
7.
25
2
b 2 (X0 X )
=
202.67
1.6
.
1.6 0.013
13/06/2014
28 / 28

MQOMatricial

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

MQOMatricial

Enviado por

Direitos autorais:

Formatos disponíveis

O Modelo de Regresso Linear em Forma Matricial

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Cursos de ps-graduao, normalmente, utilizam lgebra linear.

Porque no utiliza lgebra linear desde o incio do curso de Introduo

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Conveno: matrizes e vectores sero denotados por letras em negrito,

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

O MRLM em forma matricial

As n equaes em (1) formam o sistema de equaes:

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

O MRLM em forma matricial

O vetor de parmetros de dimenso k

Assim, as n equaes em (1) podem ser, compactamente, representadas

(Wooldridge, Ap. E; Dougherty, Cap. 15)

O MRLM em forma matricial

ou coluna j da matriz X, tal que

O sistema de equaes (3) pode, compactamente, ser representado por

(Wooldridge, Ap. E; Dougherty, Cap. 15)

A matriz de varincia-covarincia dos erros

E(ujX))0 jX) = E (uu0 jX), pois admite-se

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

A matriz de varincia-covarincia dos erros

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

As condies de primeira ordem

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

Para um vetor y de dimenso n

Por exemplo, se y = a0 z =a1 z1 +

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

e e A = (X0 X) = A0 . Pelas propriedades de

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

b = X0 y (Equaes Normais de MQO)

= 2 (X0 X)0 = 2X0 X que uma matriz k

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

A matriz de varincia-covarincia do Estimador MQO

Inexistncia de vis de MQO: como

b jX) = (X0 X) 1 X0 E (ujX) = 0, se E (ujX) = 0 .

Moiss Resende Filho (ECO/UnB)

, se E (uu0 jX) =2 I (erros esfricos)

(Wooldridge, Ap. E; Dougherty, Cap. 15)

Estimao por Mnimos Quadrados Ordinrios

Moiss Resende Filho (ECO/UnB)

(Wooldridge, Ap. E; Dougherty, Cap. 15)