UNIVERSIDADE FEDERAL DA FRONTEIRA SUL

CAMPUS LARANJEIRAS DO SUL

CURSO DE CIÊNCIAS ECONÔMICAS
DISCIPLINA: ECONOMETRIA - PROFESSOR: PAULO NUNES

JONATHAN BARBOSA

ANÁLISE DE REGRESSÃO NO SOFTWARE R:

O PROBLEMA DA HETEROCEDASTICIDADE E DA
AUTOCORRELAÇÃO

LARANJEIRAS DO SUL
2018
 A regressão a ser realizada busca verificar a relação existente entre Importação e
o PIB, que pode ser representada pela função:

𝑰𝑴𝑷 = 𝜷𝟏 + 𝜷𝟐 𝑷𝑰𝑩 + 𝒖𝒊

Através desta será possível avaliar o comportamento das variações da Importação

dada a variação do PIB e detectar os possíveis problemas, como a heterocedasticidade
(indica que a variância de Y/X não é constante) e/ou autocorrelação (correlação entre
integrantes de séries de observações ordenadas no tempo). Os dados a serem utilizados
são de series temporais, e isto significa que existe uma grande chance desses problemas
estarem presentes no modelo. Para tal, serão utilizados métodos formais e informais para
análise, ajuste do modelo e justificativa dos resultados.

O software estatístico R será utilizado para gerar as regressões.

Primeiramente são inseridos os dados, é indicado que o modelo se trata de série

temporal, e então é gerado o modelo de regressão, como pode ser visto abaixo:

Figura 1: Regressão linear IMP = β1 + β2 PIB + ui.

Verifica-se que:
𝑰𝑴𝑷 = −𝟏𝟖𝟓, 𝟑𝟒 + 𝟐, 𝟔𝟑 𝑷𝑰𝑩

Os interceptos mostram que a variação de 1 unidade no PIB impacta em uma

variação de 2,63 nas importações. Ambos os testes de hipóteses para 𝛽1 e 𝛽2 foram
rejeitados, ao nível de significância de 5%. O coeficiente de determinação r² (0,901)
mostra que, em média, pelo menos 90,10% das variações das Importação são causadas
por variações no PIB, e os outros 9,90% são causados por outras variáveis que não estão
presentes no modelo.

Para uma primeira análise, o modelo aparenta estar bem justificado, considerando
os valores observados anteriormente. Entretanto, para verificar o comportamento dos
resíduos em relação ao tempo, é gerado o seguinte modelo gráfico:

Gráfico 1: Gráfico de dispersão dos resíduos em relação ao tempo.

Constata-se, então, que existe um padrão cíclico dos resíduos em relação ao

tempo, podendo-se admitir a presença da autocorrelação. Feito isto, é realizado o teste d,
de Durbin-Watson, considerado o teste mais famoso para detecção da autocorrelação.

Figura 2: Teste d de Durbin-Watson.

O valor encontrado para p-valor foi de 2.2e-16. Considerando um nível de

significância de 5%, a hipótese nula é rejeitada, isto é, há presença da autocorreção. Já o
valor encontrado para a estatística d foi 0,21778. Obtendo os valores de dL e dU, pode-se
justificar que existe evidência de autocorrelação positiva, uma vez que 0 < d < dL rejeitará
a hipótese nula, como pode ser observado na tabela abaixo:
Figura 3: Estatística d de Durbin-Watson.

A estatística de Durbin-Watson, entretanto, pode não ser útil em econometria que

envolve séries temporais. No entanto, o teste de Breusch–Godfrey pode se encaixar como
teste mais útil de autocorrelação. Abaixo é exposto os valores obtidos através do teste de
BG:

Figura 4: Teste de Breusch-Godfrey.

O p-valor 2,2e-16, considerando um nível de significância de 5%, rejeitará a

hipótese nula. O valor do teste de BG será 70,441. A correlação ainda está presente no
modelo.

O procedimento iterativo de Cochrane-Orcutt, no entanto, pode corrigir o modelo.

Figura 5: Teste de Cochrane-Orcutt

Obtido o valor de ρ: 0,89212, podemos verificar abaixo o modelo transformado.

Figura 6: Transformação do modelo através do teste de Cochrane-Orcutt.

A correção do modelo apresenta que a variação de 1 unidade no PIB varia em

média 2,80 nas Importações. O coeficiente de determinação, r², por sua vez revela que
aproximadamente 60% das variações nas importações são justificadas pela variação do
PIB, e os outros 40% são explicados por outras variáveis que não estão presentes no
modelo. Tem-se a estatística de Durbin-Watson transformada, passando de 0,21778 para
2,29669. Este valor, considerando a tabela de Durbin-Watson, cairá na área de aceitação,
isto é, dU < d < 4-dU. De tal forma, não se pode rejeitar a hipótese nula, não há nenhuma
autocorrelação, positiva ou negativa. O p-valor

Figura 7: Estatística d de Durbin-Watson.

O ajuste do modelo a partir do teste de Breusch-Godfrey também é gerado,

obtendo os seguintes dados:
Figura 8: Teste de Breusch-Godfrey.

O p-valor obtido foi 0,1393. Considerando um nível de significância de 5%, não

se pode rejeitar a hipótese nula, não há problema de autocorrelação.

O problema da autocorrelação, como já mencionado, ocorre quando há correlação

entre integrantes de séries de observações ordenadas no tempo, podendo ser mais
detectável, ou mais comum, quando os dados forem de séries temporais.

Detectado e corrigido o problema da autocorrelação, agora será discutido o

problema da heterocedasticidade, bem como os métodos necessários para ajustar o
modelo e controlar a defasagem dos resultados. Para tal análise, serão utilizados os
mesmos dados referentes à Importação e o PIB, considerando o período de 1996 até o
primeiro trimestre de 2018.

O primeiro passo é gerar o modelo de regressão, IMP = β1 + β2PIB + ui, como

pode ser observado na imagem 1. Do mesmo modo, o resultado obtido através do software
considera que IMP = - 185,34 + 2,63 PIB. Isto é, se o PIB variar em 1 unidade, as
importações irão variar em 2,63. Com hipóteses nulas rejeitadas ao nível de significância
de 5%, e o coeficiente de determinação, r², aparentemente bem fundamentado, pode-se
considerar que o modelo mantêm-se satisfatório.

Através de uma análise gráfica informal, considerando Resíduos ao quadrado e

Importações, verifica-se que não há padrão sistemático entre as duas variáveis, que sugere
que talvez não haja heterocedasticidade nos dados.
Gráfico 2: Gráfico de dispersão dos resíduos ao quadrado e importações.

Para tal, através de um método mais formal, consideraremos o modelo de Breusch-

Pagan-Godfrey para confirmar o resultado.

Figura 9: Teste de Breusch-Pagan-Godfrey.

O p-valor 0,2184, considerando um nível de significância de 5%, não rejeitará a

hipótese nula, assim, pode-se concluir que o modelo é homocedástico, a variância do erro
é constante.