Anlise de Regresso Mltipla: MQO Assinttico

Aula 16/05/2014

Prof. Moiss A. Resende Filho

Introduo Econometria (ECO 132497)

16 de maio de 2014

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

1 / 19

Propriedades de amostras de tamanho nito: reviso

RLM.1 (linear nos parmetros): y = 0 + 1 x1 +

+ k xk + u.
RLM.2 (amostragem aleatria): a amostra representa a populao.
RLM.3 (colinearidade imperfeita): variao amostral e colinearidade
imperfeita.
RLM.4 (mdia condicional zero): E (u jx1 , x2 , . . . , xk ) = 0.
As hipteses RLM.1 a RLM.4 so suciente para garantir
E (b
j ) = j , j = 0, ..., k ou no enviesamento dos estimadores MQO
em amostras de qualquer tamanho n < .
RLM.5 (homocedasticidade): Var (u jx1 , x2 , . . . , xk ) = 2 .

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

2 / 19

Propriedades de amostras de tamanho nito: reviso

As hipteses RLM.1 a RLM.5 (hiptese de Gauss-Markov) so
sucientes para garantir que os estimadores MQO so os melhores
estimadores lineares no viesados (BLUE) em amostras de
qualquer tamanho n < .
RLM.6 (normalidade dos erros): u

Normal (0, 2 ).

As hipteses RLM.1 a RLM.6 garantem que em amostras de

qualquer tamanho n < :
b
j

j
segue exatamente uma distribuio tn k 1 ;
ep (b
j )
(SQR SQR )/q
F = SQR r /(n kir 1 ) segue exatamente uma distribuio
ir

Fq,(n k 1 ) g.l. ; e
b
j , j = 0, ..., k so os melhores estimadores no viesados (BUE).

RLM.1 a RLM.6 tambm garantem ecincia assinttica de

MQO (propriedade de grandes amostras).
Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

3 / 19

Propriedades assintticas ou de amostras grandes

Nos casos em que as hipteses RLM.1 a RLM.5 (hiptese de

Gauss-Markov) no so observadas, por exemplo, quando no se
pode ter certeza de que E (u jx1 , x2 , . . . , xk ) = 0, ento:

Os estimadores MQO devem ser comparados a estimadores alternativos

com base em suas propriedades assintticas.

Quando a hiptese RLM.6 (normalidade dos erros) no

conrmada, por exemplo, pelo teste Jarque-Bera:
Propriedades assintticas dos estimadores podem servir para justicar a
utilizao dos teste t e F .

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

4 / 19

Propriedades assintticas ou de amostras grandes

Propriedades assintticas ou de amostras grandes dizem respeito a

como a estimativa b
de um parmetro se comporta a medida que o
tamanho da amostra se torna cada ver maior. Por exemplo:
1

Quo distante est b

do parmetro populacional , a medida que
n ! ?
Como ca a distribuio de b
, a medida que n ! ?

Para tanto, focaremos duas noes de comportamento em grande

amostras:
1
2

Convergncia em probabilidade; e
Convergncia em distribuio.

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

5 / 19

Convergncia em Probabilidade
Denition
Diz-se que um estimador b
converge em probabilidade para se
qualquer diferena arbitrria entre b
e torna-se improvvel a medida que
o tamanho da amostra aumenta, ou seja, Pr(jb
j > ) ! 0 quando
n ! , em que nmero arbitrrio positivo e pequeno.
Trs formas equivalentes de se expressar convergncia em
probabilidade:
b
converge em probabilidade para ;
o limite de probabilidade de b
; e
p lim(b
) = .

Denition

Um estimador b
dito consistente se p lim(b
) = .
Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

6 / 19

Interpretao grca da convergncia em Probabilidade

Se p lim(b
) = , ento, a distribuio amostral de b
se torna cada vez
mais concentrada sobre a medida que n aumenta.

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

7 / 19

Consistncia de MQO
Theorem (Teorema 5.1.Consistncia de MQO)
sob RLM.1 a RLM.4 , o estimador MQO b
j um estimador consistente de
j , j = 0, 1, ..., k.
A seguir, utilizaremos a Propriedade PLIM.2 (p. 66): se
p lim(Tn ) = e p lim(Un ) = , em que Tn e Un so variveis
aleatrias, ento:
1
2
3

p lim(Tn + Un ) = + ;
p lim(Tn Un ) = ;
p lim(Tn /Un ) = /, desde que 6= 0.

Vide propriedades de p lim no apndice C do Wooldridge, disponvel

em
https://sites.google.com/site/rese0013/ApendiceC_Propriedade_Estimadores.pdf
Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

8 / 19

Consistncia de MQO
Demonstrao.
[Prova para o caso da regresso simples] Substitua yi = 0 + 1 xi 1 + ui
no estimador b
1 de MQO admitindo RLM.1 a RLM.3 , tal que

i =1 (xi 1
n
i =1 (xi 1
n

b
1 = 1 +

x 1 ) ui / ( n

1)

)2 / (n

1)

x1

(1)

Aplicando a (1) as propriedades p lim(Tn + Un ) = + e

p lim(Tn /Un ) = /, desde que 6= 0, obtm-se:
p lim(i =1 (xi 1
n

p lim(b
1 ) = p lim( 1 ) +

= 1 +

continua...
Moiss Resende Filho (ECO/UnB)

p lim

n
(x
i =1 i 1

d (x1 , u ))
p lim(Cov
d (x1 ))
p lim(Var
(Wooldridge, captulo 5)

x 1 ) ui / ( n

1))

x 1 )2 / (n

1)
(2)

16/05/2014

9 / 19

Consistncia de MQO

Demonstrao.
[Prova para o caso da regresso simples continuao]
d (x1 , u )) = Cov (x1 , u ) e p lim(Var
d (x1 )) = Var (x1 ) a
Aplicando p lim(Cov
(2):
Cov (x1 , u )
p lim(b
1 ) = 1 +
(3)
Var (x1 )
Finalmente, como sob a hiptese RLM.4, E (u jx1 ) = 0, ento
Cov (x1 , u ) = 0. Aplicando isto (3),
p lim(b
1 ) = 1

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

10 / 19

Consistncia de MQO

Demonstrao.
[Prova para beta zero chapu] Como
b
1 x 1 = ( 0 + 1 x 1 + u ) b
1 x 1 = ( 0 + u ) + x 1 ( 1
0 = y b
ento:
p lim(b
0 ) = p lim( 0 ) + p lim(u ) + p lim(x 1 )(p lim( 1 )

= 0 + 0 + x 1 ( 1

1 )

b
1 ),

p lim(b
1 ))

ou seja,
p lim(b
0 ) = 0

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

11 / 19

Consistncia de MQO
Note que E (u ) = 0 e Cov (x1 , u ) = 0 bastariam, juntamente com
RLM.1 a RLM.3, para garantir que p lim(b
1 ) = 1 .

Hiptese RLM.4 (mdia zero e correlao zero): E (u ) = 0 e

Cov (xj , u ) = 0, j = 1, ..., k.
Note que E (u jx) = 0 suciente para E (u ) = 0 e
Cov (xj , u ) = 0, j = 1, ..., k.
Assim, sob RLM.1 a RLM.3 e RLM.4os estimadores MQO so
consistentes;
J sob RLM.1 a RLM.4 so no-viesados e, portanto, tambm
consistentes.
Como a hiptes RLM.4 mais fraca que RLM.4, ento, se os
estimadores MQO forem sabidamente no-viesados (hipteses RLM.1
a RLM.4 so vlidas), ento, sero tambm consistentes, mas o
contrrio no necessariamente verdadeiro.
Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

12 / 19

Consistncia de MQO

De outra forma, se u for correlacionado com qualquer uma das

variveis explicativas (x1 , x2 , . . . , xk ), ento, todos os estimadores de
MQO (b
j , j = 0, ..., k) sero inconsistentes.e viesados.

O problema com um estimador viesado e inconsistente que o

vis no diminui com o tamanho da amostra, por exemplo,
Cov (x ,u )
quando Cov (x1 , u ) 6= 0, ento p lim(b
1 ) 1 = Var (x11 ) 6= 0.
Para um estimador viesado ( E (u jx1 , x2 , . . . , xk ) 6= 0), mas
consistente (E (u ) = 0 e Cov (xj , u ) = 0, j = 1, ..., k), o vis
diminui com o aumento do tamanho da amostra. (importncia
de propriedade assinttica de MQO).

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

13 / 19

Inconsistncia de MQO: exemplo

Considere o modelo verdadeiro:

y = 0 + 1 x1 + 2 x2 + v

(4)

Considere o modelo que omite x2 :

y = 0 + 1 x1 + u, tal que u = 2 x2 + v
Como e
1 = b
1 + b
2 e
1 , com e
1 =

d (x1 ,x2 )
Cov
d (x 1 ) ,
Var

p lim e
1 = 1 + 2 1 , com 1 =

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

(5)

ento:
Cov (x1 , x2 )
Var (x1 )

16/05/2014

(6)

14 / 19

Inconsistncia de MQO: exemplo

Considere o caso em que y o preo da casa; x1 a distncia at o

incinerador de lixo; e x2 a qualidade da casa.
Admitindo-se que Cov (x1 , x2 ) > 0, pois o dono investe mais em
qualidade da casa se ela distante do incinerador de lixo.
Com a omisso de x2 : p lim e
= ( + 1 ) > 0
1

1
(+)

2
(+)(+)

Assim, como Cov (x1 , x2 ) > 0 suciente para E (u jx1 ) 6= 0, ento o

estimador e
1 viesado (em mdia, superestima 1 ) e
inconsistente, o faz com que o vis no diminua com o
aumento do tamanho da amostra.

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

15 / 19

Normalidade assinttica de MQO

Caso de convergncia em distribuio.

Theorem (Teorema 5.2. Normalidade assinttica de MQO)

Sob RLM.1 a RLM.5 (hiptese de Gauss-Markov):
p b
2
2
a
1 Para cada j = 0, ..., k,
n ( j j ) s N (0, a2 ), em que a2 a
j
j
p
n
varincia assinttica de n (b
j j ); aj2 = p lim n 1 i =1 b
rij2 e b
rij2
so os quadrados dos resduos da regresso de xj sobre as demais
variveis explicativas do modelo.
2

ub2

b2 = nik i 1 um estimador consistente de 2 = Var (u ), ou seja,

b2 ) = 2 (necessita de homocedasticidade).
p lim(
r
(b
) a
b2

Para cada j = 0, ..., k, j b j s N (0, 1), em que ep (b

j ) =
n
ep ( j )

(erro-padro usual).

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

b
r2
i 1 ij

16/05/2014

16 / 19

Normalidade assinttica de MQO

Em suma, a medida que o tamanho

p b da amostra aumenta, a
distribuio amostral de cada n ( j j ), j = 0, ..., k torna-se
arbitrariamente prxima de uma distribuio normal.

Aplicao direta do Teorema do Limite Central: para uma varivel

aletria y com E (y ) = y e Var (y ) = 2 , o estimador da mdia de y
n
para uma amostra de tamanho n, y n = i =1 yi tal que
p (y n y )
(y n py ) a
n
s N (0, 1).
= /
n
Ou seja, estabelece que a mdia padronizada
populao com mdia y e varincia
normalmente distribuda.

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

(y n

)
py
/ n

de qualquer

ser assintoticamente

16/05/2014

17 / 19

Implicaes prticas da normalidade assinttica de MQO

importante porque torna desnecessria, em grande amostras, a

hiptese RLM.6.
Mas ainda importante assumir homocedasticidade dos erros.
As hipteses RLM.1 a RLM.4 so suciente para se poder efetuar
testes estatstico t e F como antes;
Em grande amostras,

(b
j j ) a
s
ep (b
)

N (0, 1).

Note que a distribuio tn k 1 se torna cada vez mais prxima da

distribuio N (0, 1) quanto n ! .

Contudo, para controlar o erro tipo I, Greene aconselha utilizar os

valores crticos da distribuio t mesmo em ausncia de normalidade
dos erros (Greene, p.129).

Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

18 / 19

Teste multiplicador de Lagrange

O teste multiplicador de Lagrange uma alternativa ao teste F para
se testar hipteses de excluso de variveis do modelo para
amostras grandes.
Se a hiptese que as (k q ) ltimas variveis do modelo so, em
conjunto, zero, tal que: H0 :
(k +1 ) q = (k +1 ) q +1 =
= (k +1 ) q +(q 1 ) = 0.
Passo 1: estime o modelo restrito;
Passo 2: estime uma regresso dos resduos do modelo restrito sobre
todas as variveis explicativas do modelo irrestrito e armazene o R 2
desta regresso como Ru2 ;
Passo 3: calcule a estattica do teste LM = nRu2 2q e efetue o
teste a um certo nvel de signicncia.
Os testes F e LM no levam, necessariamente, aos mesmos
resultados em amostras de tamamho nito.
possvel mostrar que LM = nnqF
F , mas LM 2q
+qF , ou seja, LM
eF
Fq,(n k 1 ) g.l. .
Moiss Resende Filho (ECO/UnB)

(Wooldridge, captulo 5)

16/05/2014

19 / 19