JM Econometria - Aula 2

Econometria Para o BACEN
Teoria e exerccios comentados

Prof. Jeronymo Marcondes Aula 02
AULA 02: Violao das Hipteses Bsicas
SUMRIO PGINA
1. Critrios de escolha entre modelos 2
2. Consistncia de um Estimador 5
3. Erros no normalmente distribudos 7
4. Heterocedasticidade 11
5. Multicolinearidade 17
Lista de questes resolvidas 26
Gabarito 30
Ol Pessoal! A ltima aula foi pesada no? Ento, hoje vou pegar bem mais leve
com vocs. Mas, neste caso, aproveitem para fazer revises e lembrara das partes
difceis j ensinadas!
Muitos vo terminar esta aula falando mas que fcil. Isso tem dois pontos.
Primeiro, isso proposital, dado que eu peguei pesado na ltima aula e vocs
precisam de um flego, vem coisa braba por a, acreditem! Segundo, esta matria
despenca nas provas, ento aproveite para saber bem sabido!
Agora ns vamos comear a discutir um dos principais assuntos quando se trata de

anlise de regresso: a violao de suas hipteses bsicas.
Porm, vamos terminar o assunto anterior, que tratou de inferncias sobre o modelo
de regresso linear mltipla. Assim vamos falar sobre mtodos de seleo entre
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 30

diferentes modelos. A ideia a seguinte pessoal, vamos estudar critrios para que
vocs possam decidir qual o melhor modelo dentre todos que voc estimar.
Quando estiverem trabalhando no BACEN, vocs no vo usar o primeiro modelo

que estimarem. Vo incluir e tirar variveis dos modelos, transformar as variveis
em log, etc. Tudo isso ser feito de forma a encontrar o modelo que melhor se
ajusta realidade, explicando o fenmeno que voc quer entender. A pergunta :
dentre todos estes modelos, qual o melhor? H diversas formas de se responder
tal problema. Uma possibilidade so os critrios explicados abaixo.
1. Critrios de escolha entre modelos
O R que ns calculamos at ento sofre de uma deficincia grave: ele nunca

diminuir ao acrescentarmos mais variveis explicativas em um modelo. Ou seja, se
estimarmos um modelo qualquer com base em uma varivel explicativa e depois
refizermos tal estimativa, mas acrescentando uma nova varivel explicativa, o R do
novo modelo ter de ser maior ou igual ao primeiro.
Este um problema do R que impede seu uso como critrio de escolha entre dois
modelos. Suponha que vocs estimem dois modelos:
E que seus R sejam, respectivamente, e . Assim, por definio, sabe-se que:
Quanta matemtica para mostrar uma coisa simples: o R nunca diminui ao

acrescentarmos variveis explicativas, independentemente do fato de a varivel ser
importante para explicar . Assim, precisamos de um critrio que leve em conta a
capacidade da varivel acrescentada em aumentar o poder explicativo da
regresso.

Uma forma de resolver tal problema a partir do uso da estatstica do R ajustado.
Esta leva em conta os graus de liberdade dos quadrados explicados e dos
quadrados dos resduos da seguinte forma:
Perceba que esta estatstica no aumentar sempre que acrescentarmos variveis

explicativas. Isso ocorre devido ao fato de ser levada em conta a perda de graus de
liberdade quando acrescentada nova varivel. Assim, o R ajustado pode, at
mesmo, reduzir ao introduzirmos uma varivel explicativa sem grande poder
explanatrio.
Outros critrios muito utilizados so os critrios de Akaike (AI) e Schwarz (SC).
- Professor, como eu calculo tais critrios?
Olha pessoal, isso no muito importante, mas, s por desencargo de conscincia,

vou mostrar. Minha opinio: no perca muito tempo decorando as frmulas. Vamos
l.
O que importante o seguinte: quanto menor o valor desta estatstica,

melhor o modelo.
Vocs perceberam que a ideia a mesma? Voc est avaliando a perda de graus
de liberdade ao serem acrescentadas novas variveis em um modelo. Perceba que
a comparao : ser que a perda de graus de liberdade foi mais que
compensada pela varincia explicada de variveis adicionais includas em um
modelo?

Gente, vocs vo trabalhar no BACEN, que adora sries de tempo. Portanto, j

aviso, estes dois critrios so comumente utilizados em anlise de sries temporais.
Logo, logo vocs vo us-los no seu dia a dia.
Antes de continuarmos, uma dica de concurseiro.
Dica de um concurseiro
Sabem aquela mania de alguns professores e alunos:

nunca decorem? Isso bobagem! Tem coisas que
voc tem que decorar, sim! Digam-me, vocs acham
possvel derivar a frmula do estimador de MQO
durante a prova? Se quiser pode tentar, mas voc vai
perder um bocado de tempo. No acho que vocs tm
que decorar tudo, mas tem coisas que no tem jeito,
conformem-se!
Vamos para a prxima etapa da nossa aula e talvez um dos contedos mais
importantes para qualquer econometrista: a violao das hipteses bsicas do
modelo de regresso linear.
- O que isso professor?
Bom, vocs se lembram daquelas 6 hipteses que discutimos na aula passada?

Assim, surge a pergunta: o que acontece se alguma destas hiptese no se
sustenta? Se isso ocorre, o que fazer?
Vamos l.

2. Consistncia de um Estimador
Pessoal, antes de continuarmos, precisamos estudar uma coisa fundamental para o

entendimento dos problemas bsicos da Regresso Linear: a definio do que
um estimador consistente.
Provavelmente, seu professor de Estatstica j te ensinou isso, mas eu vou dar uma
lembrada em vocs!
Um estimador consistente aquele em que, medida que

amostra, ele converge para seu valor verdadeiro. Ou seja, o estimador muito
confivel em grandes amostras, j que ele tende a apontar para o estimador que
seria obtido caso a regresso fosse feita com a populao.
Outra forma de se dizer isso a partir das seguintes expresses:
E:
Sendo o tamanho da amostra e o estimador populacional e sua estimativa com

base na sua amostra.
-Professor, no entendi nada!
assim amigos, olhem as expresses acima! O que elas esto dizendo que,
quando a amostra tende para o infinito, ou seja, para a populao, a mdia do
estimador tende para seu valor populacional, enquanto que a varincia desta
estimativa tende para zero.

meio que intuitivo. Se um estimador for consistente, conforme a amostra cresce
muito, o estimador acerta o valor verdadeiro na mdia, mas com varincia mnima,
no caso, zero.
Veja que esta uma excelente qualidade para um estimador, haja vista ser bastante
reconfortante que, ao aumentar a sua amostra, voc saiba que estar caminhando
para encontrar o real valor do seu parmetro.
Por que estou falando tudo isso? Pelo seguinte, quando vocs estiverem no
BACEN, avaliando as regresses que vocs estimaram, vocs tero que avaliar os
problemas estatsticos que estas podem conter, o que pode, inclusive, invalidar os
resultados que vocs encontraram. Mas, em alguns casos, voc pode encontrar
regresses que, apesar de possurem problemas, possuem propriedades desejveis
em grandes amostras. A voc tem a soluo: busque mais observaes! (Como se
fosse fcil assim...hehhehe).
Bom, sabendo isso tudo, vamos estudar os problemas economtricos mais comuns!

3. Erros no normalmente distribudos
Uma das hipteses realizadas foi a seguinte:
2 Hiptese sobre o modelo de regresso linear simples
Os erros so normalmente distribudos
O que ocorre se os erros da regresso no possurem distribuio normal?
Bom, este pressuposto foi necessrio para que se possam realizar testes
estatsticos sobre os parmetros estimados, no caso da aula 00, para a utilizao do
teste F.
A fica fcil no pessoal? Se os erros no forem normalmente distribudos, no

poderemos confiar nos testes de hipteses realizados sobre o modelo estimado.
Entretanto, o Teorema de Gauss Markov no exige esta condio para ser

satisfeito. Assim, um estimador que no tenha produzido erros normalmente
distribudos ainda pode ser considerado BLUE (melhor estimador linear no
viesado) se as outras hipteses forem mantidas.
Resumindo.
Se os erros de um modelo no forem normalmente

distribudos:
- Estimador ainda BLUE
-Testes de hiptese sobre o modelo ficam

comprometidos

Gente, este problema, erros no normalmente

distribudos, no costuma ser levado muito em conta pelos econometristas. Sabem
por que?
Exatamente! Vocs so excelentes alunos que estudaram muita estatstica no

Estratgia Concursos, ento esto cansados de conhecer o Teorema do Limite
Central (TLC)! Mas, vamos l, s vou lembr-los um pouquinho.
O TLC nos ensina que uma varivel padronizada (varivel que tem seu valor
diminudo de sua mdia e divido pelo seu desvio padro) tem uma distribuio que
tende para a distribuio normal quando o tamanho da amostra cresce.
Gente pense um pouquinho, os erros de um modelo MQO tm, por definio, mdia
zero e desvio padro igual a 1, portanto, o seu valor igual sua verso
padronizada. Portanto, pode-se inferir que, se o tamanho da amostra tende
para o infinito (isso , fica muito grande), a distribuio dos erros tende para a
normal.
Entenderam? por isso que ningum costuma se preocupar muito com este
problema. Porque, se a amostra for muito grande, os erros tendero a ter
distribuio normal.
Continuando a aula!
-Professor, mas eu gostaria de saber como se testa se os erros de uma regresso

tm distribuio normal!
Meus amigos, isso no uma coisa muito comum de cair em prova, portanto, um
assunto que no vou adentrar. Mas, saibam somente uma coisa, uma das formas de
se realizar tal procedimento por meio do teste de Jarque-Bera. Sob a hiptese
nula de resduos normalmente distribudos, a estatstica de teste para este
procedimento segue uma distribuio com dois graus de liberdade. No perca

muito tempo com isso, apenas d uma olhada neste nome e saiba o que a
hiptese nula implica (resduos normalmente distribudos), acredito que isso
o suficiente.
Questes para relaxar!
(ANPEC 2003)
Considere o modelo de regresso linear mltipla para dados seccionais:
correto afirmar que:
Questo 1
Para que os estimadores de MQO sejam os melhores estimadores lineares no
tendenciosos necessrio que os erros sejam normalmente distribudos.
Questo 2
A incluso de uma nova varivel explicativa no modelo reduzir o coeficiente
de determinao R.
Questo 3
Para que as estatsticas t e F sejam vlidas assintoticamente necessrio que
os erros sejam normalmente distribudos.

Resoluo
Questo 1
Esta de graa pessoal. J ensinei a vocs que a hiptese de erros normalmente
distribudos no afeta o Teorema de Gauss-Markov, portanto, o estimador no deixa
de ser o melhor estimador linear no tendencioso (BLUE).
Questo 2
Outra de graa, ANPEC vai ser fcil para vocs! R nunca diminui com novas
variveis explicativas.
Questo 3
Perfeito. Quando os erros no possuem distribuio normal, as estatsticas sobre os
parmetros no so confiveis.

4. Heterocedasticidade
-Professor, eu lembro o que isso!
Claro que lembram, eu j ensinei! Heterocedasticidade ocorre quando a varincia

dos erros no constante! Vamos a um exemplo.
Suponha que ns realizssemos uma regresso da poupana das famlias

explicada por sua renda, o que vocs acham que aconteceria? Provavelmente, os
erros desta regresso tero um comportamento da seguinte forma:
Olhem bem! Vocs notaram que os erros tm maior disperso quanto maiores os
valores da renda das famlias? Isso tem todo o sentido. Quanto menor a renda de
uma pessoa, menos h espao para decidir o quanto poupar, pois a maior parte do
dinheiro destas pessoas gasto com suas necessidades bsicas, que so, na
mdia, iguais para as pessoas deste patamar de renda. Entretanto, quanto maior a
renda, mais espao existe para os indivduos implementarem suas prprias
escolhas, o que aumenta a diversidade da forma como as pessoas gastam ou
poupam suas rendas.

Um exemplo quando vocs passarem no concurso. L no BACEN vocs vo ser
bem remunerados, mas a forma como voc gasta este dinheiro diferente dos seus
colegas. Alguns preferem gastar em carros e restaurantes, outros preferem self
service e dinheiro no banco. Isso normal, o que aumenta a variabilidade da forma
como a poupana reage a um determinado patamar de renda. Entretanto, aquela
pessoa que ganha pouco no decide entre restaurante e self service, ela s tem
uma opo, pois tem pouca renda. Entenderam?
Este um modelo que tem heterocedasticidade, afetando uma das hipteses que
fizemos.
4 hiptese sobre o modelo de regresso linear simples:
Ento, como isso afeta o estimador MQO? o seguinte:
Sob Heterocedasticidade, o estimador MQO

deixa de ser BLUE. Entretanto, isso no causa
vis no mesmo.
Isso deriva do fato que uma das hipteses necessrias para se demonstrar o
Teorema de Gauss-Markov que a varincia dos erros seja constante, sob pena de
o estimador no ser mais BLUE.
Mais uma coisa. Pense comigo, se a varincia no mais constante em um

modelo com heterocedasticidade, o teste de hiptese tambm ser afetado, j que
ele depende da varincia dos estimadores! Portanto, no confie nos testes de
hipteses tambm!
- Professor, mas como eu sei se h heterocedasticidade?

Bom, uma bela olhada no grfico dos resduos pode ajudar, mas no um critrio
certo. Ento, vou ensinar 2, mas tenham em mente que existem mais, muito mais.
Porm, para fins de concurso, estes dois so o suficiente.
Um teste muito utilizado e o mais cobrado o teste de White. Este teste visa
entender se os erros de uma determinada regresso dependem do valor de suas
variveis explicativas, isso , se um fenmeno tal como descrito no grfico que eu te
mostrei l em cima est ocorrendo. Caso o valor das variveis explicativas
afetarem de maneira significativa os erros da regresso, h um indcio de
heterocedasticidade.
Por exemplo, dada uma regresso da poupana de uma famlia ( ) explicada por
sua renda ( ) e pela quantidade de pessoas nesta famlia ( ), tem-se que:
Na qual so os resduos.
Ento, realize a seguinte regresso auxiliar:
Ou seja, estime uma regresso na qual os erros so uma varivel dependente das
variveis explicativas, em nvel, dos seus quadrados e, em alguns casos, dos
seus produtos cruzados.
Um R elevado nesta regresso um indicativo de heterocedasticidade, j que os

erros tendem a ser muito afetados pelo nvel das variveis explicativas. Um teste
estatstico para este resultado encontrado ao multiplicar este R pelo nmero de
observaes (n), que segue uma distribuio com nmero de graus de liberdade
igual ao nmero de regressores na equao auxiliar, menos o intercepto.
Outro teste importante o teste de Goldfeld Quandt.
Neste teste voc deve dividir a sua amostra em 2 e realizar um teste estatstico para
avaliar se a varincia igual em ambas. Entendem a lgica? A idia avaliar se a

varincia a mesma ao longo da amostra, independentemente do valor da
observao. Isso averiguar se h heterocedasticidade.
A forma mais comum de dividir a amostra dividi-la entre a parte da amostra com
as observaes de menor valor da parte com maiores valores. H mtodos
estatsticos que sugerem retirar a parte central da amostra e s ficar com os pontos
extremos (s de valor muito baixo ou muito alto), mas vocs no precisam entender
isso, s foquem na idia do teste!
Mas antes precisamos pensar em uma coisa: como testar a igualdade entre
varincias? Eu j te disse e voc j aprendeu em Estatstica: por meio do teste F.
Este teste serve para comparar varincias, o que ser feito com a comparao da
soma dos quadrados dos resduos (SQR) da regresso em questo para as duas
parcelas da amostra (com os menores e com os maiores valores da amostra,
retirando-se as intermedirias).
A ttulo de ilustrao vamos voltar ao exemplo anterior:
Se ns refizermos esta mesma regresso para dois intervalos de dados - para as

famlias que menos poupam e para as que mais poupam - teremos duas
regresses, de forma que:
Viram? Agora ns temos duas SQR, a das famlias que menos poupam ( )e
das famlias que mais poupam ( ). Vamos comparar estas varincias com o
teste F, desta forma:
S para vocs lembrarem, percebam que cada SQR deve ser divida pelo seu
respectivo grau de liberdade (gl), o que nos d a varincia dos erros para cada
seo da regresso, 1 e 2.

Sob a hiptese nula de que estas varincias so iguais, o teste F acima segue uma
distribuio F com ( gl no numerador e ( ) gl no denominador.
Maravilha galera! Ainda esto acordados? Que sono hein? Vamos acordar e
trabalhar!
Antes de terminarmos o tema heterocedasticidade, falta uma coisa, o que fazer se

h heterocedasticidade? Senta e chora? Pode at ser, mas h outras formas. S
adiantando, h muitas formas de se trabalhar quando este problema ocorre,
mas eu vou mostrar para vocs o que cai, pois isso que te interessa!
Se voc conhecer o padro da heterocedasticidade h algo que pode fazer. Quando

eu te digo, padro da heterocedasticidade, voc entende a forma como ela se d.
Por exemplo, a forma como a varincia dos erros se comporta, pode ser da seguinte
forma:
Assim, a varincia dos erros no constante, pois ela depende de um fator varivel
, que pode depender de uma srie de fatores. No nosso exemplo de poupana
das famlias, a varivel pode ser uma funo positiva da renda das famlias, o que
aumentaria a varincia para observaes associadas com maiores valores de
renda.
Est dando para entender? meio complicado, tem que pensar mesmo! Usem o
frum, tirem dvidas!
Pense comigo, como resolver o problema de heterocedasticidade se a varincia

tal como descrita acima? Veja, se ns dividirmos a varincia dos erros por :
Entenderam? Se voc conhece o padro de heterocedasticidade h como

consertar a regresso. Mas como? Divida todas as variveis da regresso por ,

de tal forma que tenhamos o seguinte resultado ao regredirmos a nossa equao da
poupana transformada:
Gente, olha s o que vocs encontraram com essa regresso:
- Por que isso?
Olhem s:
Ah, entendi! Isso porque ao retirar do operador varincia, este sai ao

quadrado! Vocs perceberam que esta operao corrige os erros da regresso,
ao torn-los com varincia constante?
Este processo tem um nome bonito: Mnimos Quadrados Ponderados. Perceba

que esta regresso no tem heterocedasticidade. Esta uma verso mais restrita
de um dos mtodos de estimao que iremos ensinar em aulas futuras. A
nica coisa que vocs tem que memorizar a forma como este procedimento
resolve o problema de heterocedasticidade e porque.

5. Multicolinearidade
Vamos ao ltimo tpico desta aula. Ento, fora a que est acabando!
Eu tambm j falei deste problema para vocs. Vamos lembrar:
6 Hiptese sobre o modelo de regresso linear
Cada varivel no pode ser combinao linear das

demais.
Assim, se as variveis X formarem uma combinao linear perfeita ser impossvel

estimar a equao por meio do mtodo MQO. Entretanto, pode acontecer que as
variveis no formem uma combinao linear perfeita, mas tenham alguma
correlao, o que gera um problema de estimao conhecido como
multicolinearidade.
Lembraram? Vamos comear com a colinearidade perfeita. Se as variveis

explicativas formarem uma combinao linear perfeita ser impossvel estimar os
coeficientes por MQO, pois:
Ento, para encontrar a matriz inversa de necessrio saber o determinante

da matriz. No caso da colinearidade perfeita, ns j sabemos que o determinante
igual a zero, sendo, portanto, impossvel encontrar o valor de e, por
conseqncia, estimar .
Mas, este um caso especfico e extremo de um problema mais genrico: a

multicolinearidade. Digo isso porque nem sempre as variveis explicativas formaro
uma combinao linear perfeita, mas podem guardar alguma relao estatstica
entre si. Assim, vamos tratar dos casos em que h alta correlao entre as
variveis explicativas, mas no perfeita, tal como uma combinao linear.

Vamos ao nosso famigerado exemplo da poupana. Pensem comigo, h uma certa
multicolinearidade no modelo. Isso verdade pois no h como negar que um
maior nmero de indivduos na famlia pode ter alguma relao com a renda
familiar, dado que, na mdia, quanto mais pessoas na casa, mais pessoas sero
remuneradas e, portanto, maior ser a renda familiar.
-Mas, o que a multicolinearidade traz de ruim?
Boa pergunta. Olha, no h nenhum exigncia no Teorema de Gauss-Markov que

diga que as variveis explicativas no podem ter nenhuma correlao. Assim, j
digo:
Quando h multicolinearidade em um
modelo, suas estimativas ainda assim so
BLUE
Ou seja, no se preocupem com suas previses a partir de um modelo com

multicolinearidade, as estimativas MQO ainda so eficientes e consistentes!
Qual o problema ento? o seguinte, a varincia dos estimadores ser muito maior
quando h multicolinearidade, ento, por conseqncia, os testes de hipteses
sero afetados.
-Mas, por que professor?
Como mesmo a definio da matriz de varincias e covarincias dos parmetros?
Vocs se lembram que eu disse que quando houver colinearidade perfeita a matriz
? Mais especificamente, o determinante desta matriz ser zero!

Com efeito, entendam uma coisa de forma intuitiva: quanto maior for a
correlao entre as variveis explicativas, menor ser o valor de .
O que vocs acham que acontece quando h multicolinearidade? Exatamente! A

varincia dos parmetros aumenta muito, pois o valor de fica muito pequeno
e, portanto, a expresso fica muito grande! (Lembrem-se, multiplicar por
uma matriz inversa equivalente a dividir)
Percebam que os testes estatsticos sobre os parmetros continuam vlidos, mas a

excessiva varincia pode nos levar a concluses erradas, como considerar
insignificante um parmetro que no o , ou vice versa.
Alm disso, devido alta varincia dos parmetros, os valores e sinais dos
coeficientes estimados ficam muito sensveis, podendo sofrer alteraes
significativas no caso de retirada ou colocao de alguma varivel.
Tudo isso, meus amigos, para dizer a vocs o seguinte:
Sob multicolinearidade, o modelo

estimado ainda BLUE, porm as
varincias dos parmetros ficam muito
aumentadas, afetando sua significncia e
podendo afetar, at mesmo, o sinal dos
coeficientes.
Opa! Mas, como identificar este problema? Bom, no h uma metodologia bem
definida, pois a maioria tem falhas. Mas, uma alternativa observar os prprios
coeficientes estimados, bem como os testes t para seus parmetros. Olhe,
Multicolinearidade sinnimo de sensibilidade dos parmetros a novas
variveis e observaes.
Assim, faa uns testes! Retire variveis, coloque-as de volta e veja o

comportamento dos parmetros (se houve mudana muito significativa,

especialmente nos seus sinais). Observe a significncia das variveis e veja se o
comportamento se coaduna com o teste F e R, pois, sob multicolinearidade, voc
pode encontrar coeficientes no significantes com altos valores para o teste F e
para o R. Nada disso muito importante para sua prova, mas vocs tm que
saber para entender bem o problema.
Bom, mas o que fazer quando encontro este problema?
Uma primeira possibilidade que voc consiga, por meio dos testes efetuados,
identificar entre quais variveis est a alta correlao e, a partir da, retirar ou
transformar as variveis problemticas. Por exemplo, no nosso exemplo de
poupana, algo que resolveria o problema seria a criao de uma nova varivel:
renda domiciliar per capita. Esta seria criada a partir da diviso da renda pelo
nmero de familiares na casa.
Outra possibilidade seria no fazer nada! Isso porque o estimador ainda BLUE e
permite previses. Olha, tem muitos autores que nem costumam valorizar o
problema de multicolinearidade, quando no exata. Segundo estes autores,
multicolinearidade de valor muito alto seria derivada, em muitas das vezes, de uma
amostra pequena, na qual a varincia tende a ser maior.
Bom, chega de teoria por hoje! Vamos treinar!

Questo 4
(PETROBRAS ECONOMISTA/2005) Heterocedasticidade refere-se situao
onde a varincia dos erros :
a) constante e igual a 1
b) constante
c) varivel
d) varivel entre 0 e 1
e) infinita sempre
Resoluo
Bem fcil hein pessoal? Nem pense, letra (c).
Questo 5
(ESTATSTICO MPE/2006) No modelo de regresso mltipla
onde o termo erro aleatrio heterocedstico, correto afirmar que:

a) O estimador de MQO de viciado
b) O estimador de MQO de tem varincia mnima
c) Para o estimador de MQO de , os testes de hipteses sobre os parmetros,
baseados na estatstica t de Student, no so vlidos.
d) No possvel detectar heterocedasticidade atravs da anlise dos
resduos
e) O melhor teste para detectar heterocedasticidade o de Glejser.
Resoluo
Bom gente, j falamos sobre isso, sob heterocedasticidade, o estimador no
viesado, mas no mais BLUE, bem como no podemos confiar nos testes de
hipteses sobre estes. Ah, os teste mais comuns so os que eu te mostrei, esquece
o Glesjer!

(BNDES alterada Economista/2008) Um pesquisador de mobilidade social

tem acesso a um grande banco de dados com informaes, num certo ano,
sobre a escolaridade do filho (a) do pai, da me e sobre o sexo de seu filho (a).
Decide estimar uma regresso linear na qual a varivel dependente a
escolaridade do filho (a), as demais sendo as variveis independentes. A
respeito desta regresso, julgue as afirmativas:
Questo 6
provvel que haja multicolinearidade devido escolaridade do pai e da me.
Questo 7
A varivel sexo do filho binria
Questo 8
Ainda que o R possua um valor baixo, as variveis independentes podem ter
influncia significativa sobre a varivel dependente.
Resoluo Questo 6
Sim , pois de se esperar que a educao do pai esteja correlacionada com a
educao da me.
Resoluo Questo 7
Ns j estudamos isso. Sexo um tipo de caracterstica qualitativa. Assim, s pode
ser captada por uma varivel dummy (binria).
Resoluo Questo 8
Claro, o R nada tem a ver com o teste t aplicado aos coeficientes individualmente.

Questo 9
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se
o modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
, em que ln o logaritmo neperiano e Q um ndice
representando a demanda per capita do produto no ano i.

em que P o ndice de preos do produto no ano i.
em que R a renda per capita do pas no ano i.
o erro aleatrio
Utilizando o mtodo de MQO, obteve-se a equao:
Dados da tabela ANOVA: Soma dos quadrados referentes regresso =

0,6160; Variao Residual = 0,0140. Com relao equao do plano ajustado
pelo mtodo de MQO e considerando o quadro de anlise de varincia
correspondente, correto afirmar que:
a) O coeficiente de determinao R da regresso mltipla inferior a 97%
b) Para o teste de hiptese de existncia de regresso, tem-se que o nmero
de graus de liberdade a considerar referente a variao residual 9
c) Como na regresso linear simples, o R da regresso mltipla igual ao
quociente da diviso da variao residual pela variao explicada na
regresso
d) A relao entre o nmero de graus de liberdade referente variao
residual e o nmero de graus referente variao explicada 3,5
e) O F calculado igual a 44.

Resoluo
Vamos construir a ANOVA.
Soma dos
Graus de Liberdade Quadrados Mdios F
Quadrados
Explicados
2 0,308 154
0,6160
Resduos
7 0,002
0,0140
Totais
9 0,07
0,63
R = 97,77
Viram, s a j respondemos quase tudo. Veja a alternativa (d):

(ANAC alterada Economista/2007) Considere a equao

, em que , e sejam estimadores de MQO de , e ,
respectivamente e um termo de erro.
Julgue as afirmativas
Questo 10
De acordo com o Teorema de Gauss-Markov, se todas as hipteses bsicas
forem satisfeitas, os estimadores sero os melhores estimadores lineares no
tendenciosos
Questo 11
X e W no devem ser correlacionados, caso contrrio ocorrer
multicolinearidade
Resoluo Questo 10
O teorema de Gauss-Markov garante que se um estimador respeitar suas hipteses,

este ser BLUE melhor estimador linear no viesado
Resoluo Questo 11
Esta bem bvia. a prpria definio de multicolinearidade.

Lista de questes resolvidas
(ANPEC 2003)
Considere o modelo de regresso linear mltipla para dados seccionais:
correto afirmar que:
Questo 1
Para que os estimadores de MQO sejam os melhores estimadores lineares no
tendenciosos necessrio que os erros sejam normalmente distribudos.
Questo 2
A incluso de uma nova varivel explicativa no modelo reduzir o coeficiente
de determinao R.
Questo 3
Para que as estatsticas t e F sejam vlidas assintoticamente necessrio que
os erros sejam normalmente distribudos.
Questo 4
(PETROBRAS ECONOMISTA/2005) Heterocedasticidade refere-se situao
onde a varincia dos erros :
a) constante e igual a 1
b) constante
c) varivel
d) varivel entre 0 e 1
e) infinita sempre

Questo 5
(ESTATSTICO MPE/2006) No modelo de regresso mltipla
onde o termo erro aleatrio heterocedstico, correto afirmar que:

a) O estimador de MQO de viciado
b) O estimador de MQO de tem varincia mnima
c) Para o estimador de MQO de , os testes de hipteses sobre os parmetros,
baseados na estatstica t de Student, no so vlidos.
d) No possvel detectar heterocedasticidade atravs da anlise dos
resduos
e) O melhor teste para detectar heterocedasticidade o de Glejser.
(BNDES alterada Economista/2008) Um pesquisador de mobilidade social

tem acesso a um grande banco de dados com informaes, num certo ano,
sobre a escolaridade do filho (a) do pai, da me e sobre o sexo de seu filho (a).
Decide estimar uma regresso linear na qual a varivel dependente a
escolaridade do filho (a), as demais sendo as variveis independentes. A
respeito desta regresso, julgue as afirmativas:
Questo 6
provvel que haja multicolinearidade devido escolaridade do pai e da me.
Questo 7
A varivel sexo do filho binria
Questo 8
Ainda que o R possua um valor baixo, as variveis independentes podem ter
influncia significativa sobre a varivel dependente.

Questo 9
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se
o modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
, em que ln o logaritmo neperiano e Q um ndice
representando a demanda per capita do produto no ano i.

em que P o ndice de preos do produto no ano i.
em que R a renda per capita do pas no ano i.
o erro aleatrio
Utilizando o mtodo de MQO, obteve-se a equao:
Dados da tabela ANOVA: Soma dos quadrados referentes regresso =

0,6160; Variao Residual = 0,0140. Com relao equao do plano ajustado
pelo mtodo de MQO e considerando o quadro de anlise de varincia
correspondente, correto afirmar que:
a) O coeficiente de determinao R da regresso mltipla inferior a 97%

b) Para o teste de hiptese de existncia de regresso, tem-se que o nmero
de graus de liberdade a considerar referente a variao residual 9
c) Como na regresso linear simples, o R da regresso mltipla igual ao
quociente da diviso da variao residual pela variao explicada na
regresso
d) A relao entre o nmero de graus de liberdade referente variao
residual e o nmero de graus referente variao explicada 3,5
e) O F calculado igual a 44.

(ANAC alterada Economista/2007) Considere a equao

, em que , e sejam estimadores de MQO de , e ,
respectivamente e um termo de erro.
Julgue as afirmativas
Questo 10
De acordo com o Teorema de Gauss-Markov, se todas as hipteses bsicas
forem satisfeitas, os estimadores sero os melhores estimadores lineares no
tendenciosos
Questo 11
X e W no devem ser correlacionados, caso contrrio ocorrer
multicolinearidade

Gabarito
1F
2F
3V
4c
5c
6V
7V
8V
9c
10 V
11 V
Boa Pessoal! A Aula hoje foi bem mais tranquila! Ento, caprichem e aprendam tudo
dela! E, to importante quanto, descansem! A prxima aula ser pesada! O
contedo ser bem mais denso.
Um abrao e mandem as dvidas.
jeronymo@estrategiaconcursos.com.br

JM Econometria - Aula 2

Enviado por

Dados do documento

Descrição 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

JM Econometria - Aula 2

Enviado por

Direitos autorais:

Formatos disponíveis

Econometria Para o BACEN

Teoria e exerccios comentados

AULA 02: Violao das Hipteses Bsicas

1. Critrios de escolha entre modelos 2

3. Erros no normalmente distribudos 7

Lista de questes resolvidas 26

Agora ns vamos comear a discutir um dos principais assuntos quando se trata de

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 30

Quando estiverem trabalhando no BACEN, vocs no vo usar o primeiro modelo

1. Critrios de escolha entre modelos

O R que ns calculamos at ento sofre de uma deficincia grave: ele nunca

E que seus R sejam, respectivamente, e . Assim, por definio, sabe-se que:

Quanta matemtica para mostrar uma coisa simples: o R nunca diminui ao

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 30

Perceba que esta estatstica no aumentar sempre que acrescentarmos variveis

Outros critrios muito utilizados so os critrios de Akaike (AI) e Schwarz (SC).

- Professor, como eu calculo tais critrios?

Olha pessoal, isso no muito importante, mas, s por desencargo de conscincia,

O que importante o seguinte: quanto menor o valor desta estatstica,

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 30

Gente, vocs vo trabalhar no BACEN, que adora sries de tempo. Portanto, j

Antes de continuarmos, uma dica de concurseiro.

Sabem aquela mania de alguns professores e alunos:

- O que isso professor?

Bom, vocs se lembram daquelas 6 hipteses que discutimos na aula passada?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 30

Pessoal, antes de continuarmos, precisamos estudar uma coisa fundamental para o

Um estimador consistente aquele em que, medida que

Outra forma de se dizer isso a partir das seguintes expresses:

Sendo o tamanho da amostra e o estimador populacional e sua estimativa com

-Professor, no entendi nada!

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 30

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 30

3. Erros no normalmente distribudos

Uma das hipteses realizadas foi a seguinte:

2 Hiptese sobre o modelo de regresso linear simples

Os erros so normalmente distribudos

O que ocorre se os erros da regresso no possurem distribuio normal?

A fica fcil no pessoal? Se os erros no forem normalmente distribudos, no

Entretanto, o Teorema de Gauss Markov no exige esta condio para ser

Se os erros de um modelo no forem normalmente

- Estimador ainda BLUE

-Testes de hiptese sobre o modelo ficam

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 30

Gente, este problema, erros no normalmente

Exatamente! Vocs so excelentes alunos que estudaram muita estatstica no

-Professor, mas eu gostaria de saber como se testa se os erros de uma regresso

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 30

Questes para relaxar!

correto afirmar que:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 30

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 30

-Professor, eu lembro o que isso!

Claro que lembram, eu j ensinei! Heterocedasticidade ocorre quando a varincia

Suponha que ns realizssemos uma regresso da poupana das famlias

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 11 de 30

4 hiptese sobre o modelo de regresso linear simples:

Ento, como isso afeta o estimador MQO? o seguinte:

Sob Heterocedasticidade, o estimador MQO

Mais uma coisa. Pense comigo, se a varincia no mais constante em um

- Professor, mas como eu sei se h heterocedasticidade?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 12 de 30

Ento, realize a seguinte regresso auxiliar: