Você está na página 1de 23

Autocorrelação

Econometria
Alexandre Gori Maia
Ementa:
• Definição;
• Identificação: Análise Gráfica, teste t, Durbin-Watson, Breusch-Godfrey;
• Correção: MQG e MQGF;
• Estimadores Robustos para a Variância;

Bibliografia Básica:
- Maia, Alexandre Gori (2017). Econometria: conceitos e aplicações. Cap. 13.
Análise Durbin- Breusch- Estimador
Definição Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Modelo Clássico de Regressão Linear


1) Relação Linear entre X e Y:
Modelo Clássico de Regressão Linear

O ajuste só é válido para relações lineares.


2) Os valores de X são fixos em repetidas amostras, não aleatórios:
Quem varia é o regressando, o regressor é fixo e dado, qualquer que seja a
amostra. Fazemos a pressuposição que dado um valor de X, Y irá variar
segundo uma distribuição de probabilidade com valor esperado dado por E(Y|Xi).

3) Esperança condicional dos erros igual a zero, ou seja, E(e|xi)=0:


É a mesma coisa afirmar que E(Y|xi)=xi´.
4) A variabilidade dos erros é constante, ou seja, E(ei2)=2
Os erros são homocedásticos, ou seja, sua variância é a mesma para qualquer X.
5) Os erros são não autocorrelacionados, ou seja, E(eiej)=0:
Não há relação entre valores ordenados dos erros segundo tempo ou espaço.
6) Os erros apresentam distribuição normal:
Não é um pressuposto necessário para que os estimadores de MQO sejam
MELNV, mas necessário para que as inferências sejam válidas.
2/23
Análise Durbin- Breusch- Estimador
Definição Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Autocorrelação - Definição
Definição:
Autocorrelação significa a correlação de valores de uma mesma variável
ordenados no tempo (com dados de séries temporais) ou no espaço (com dados
espaciais). No contexto da regressão, dizemos que há autocorrelação nos termos de
erro quando:
Cov(et , et  s )  E (et et  s )  0
Sendo que o tipo mais comum de autocorrelação aquele dado por um processo o
autorregressivo de 1ª ordem, AR(1):
 é o coeficiente de autocorrelação dos erros (-1 <  < 1)
et  et 1  ut e ut são erros IID.

Não Autocorrelacionado Autocorrelacionado


e E (et et s )  0 e E (et et s )  0

t t

3/23
Análise Durbin- Breusch- Estimador
Definição Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Autocorrelação - Causas
Principais causas da autocorrelação:
- Inércia: séries temporais econômicas costumam apresentar ciclos, ou seja,
períodos de crescimento ou decaimento. Quando esse comportamento se reflete
nos fatores não observados (et), é comum que mudanças na tendência ocorreram
lentamente.
Yt    X t  et et  et 1  ut
- Falhas de especificação: a autocorrelação pode ser devida à ausência de um
importante regressor ou de transformação das variáveis existentes. Os erros
expressariam, assim, um padrão sistemático devido à ausência dessas informações.
Yt    X t  et Yt    1 X t   2 X t2  et
- Defasagens: as decisões econômicas em um período t dependem, muitas vezes,
de informações defasadas do período t–1. Desconsiderar esse tipo de relação
sujeitaria os erros à correlação serial.
Yt    X t  et Yt    1 X t   2 X t 1  et
ou Yt    Yt 1  X t  et
4/23
Análise Durbin- Breusch- Estimador
Definição Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Autocorrelação - Consequências
Ineficiência dos Estimadores de MQO
Na presenção de autocorrelação nos erros, os estimadores de MQO continuam
sendo não viesados e consistentes, mas deixam de ser eficientes (ou seja, não
possuem mais variância mínima). Em outras palavras, seja ^ o estimador de
MQO, então existe outro estimador ^* tal que:
Var(ˆ*)  Var(ˆ )

Não Autocorrelacionados Autocorrelacionados


Intervalo de Intervalo de
Y Variação das
Intervalo de Y
Variação das Variação das
estimativas de estimativas de estimativas de
outro método MQO MQO

Intervalo de
Variação das
estimativas de
um método
X mais eficiente X
Análise Durbin- Breusch- Estimador
Definição Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Autocorrelação - Consequências
Tendenciosidade da Variância dos Estimadores:
Outra importante consequência da autocorrelação é o fato de as estimativas dos
erros padrão e de as estatísticas de teste t e F não serem mais válidas, mesmo para
amostras grandes, já que a estimativa da variância dos estimadores dos coeficientes
será viesada. Em outras palavras, na presença de autocorrelação teremos:
E ( S 2ˆ )  Var( ˆ )
Seja o modelo: Yt  0  1 X t  et

 xt yt ˆ 2 não viesado na ausência de


n

Pelo MQO: ̂1  t n1 e S 2ˆ  autocorrelação e viesado na


t 1 xt2 t 1 xt2
1 n
presença de autocorrelação

Na ausência de E (et et s )  0 Var(et )   2 2 Cov(et , et s )  0



autocorrelação: Var( ˆ1 ) 
t 1 xt2
n

Na presença de 2 2
et  et  s  ut Var(et )  e Cov(et , et  s )  
s
autocorrelação: 1  2 1  2
 2
 2 n 1 n t
Var( ˆ1 )  n 2 n   s xt xt  s
t 1 xi2 t 1 xi2 t 1 s1 6/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Identificação
Principais testes para se detectar a autocorrelação:

Análise gráfica: ê  t

Teste t: regressores
Identificação estritamente exógenos

Testes Durbin-Watson: MCRL


Paramétricos

Breusch-Godfrey:
autocorrelação com
ordem superior a 1

7/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Análise Gráfica
Ausência de Autocorrelação Autocorrelação
ê ê

0 0
tempo tempo

Não há nenhum padrão evidente de


Há um padrão cíclico de dispersão
relacionamento no tempo
dos resíduos ao longo do tempo
Autocorrelação Autocorrelação
ê
ê

0 0
tempo
tempo

Há uma tendência quadrática de Há uma tendência linear na distribuição


dispersão dos resíduos ao longo do tempo dos resíduos ao longo do tempo

8/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Análise Gráfica
Seja a relação entre a área plantada de cana-de-açucar e seu preço:
Áreat  2,54  4,79 Preçot  eˆt

Podemos suspeitar de um comportamento cíclico dos erros. Afinal, é natural supor que
a área plantada no trimestre t não dependa apenas do preço no trimesre t, mas também
de informações observadas em períodos anteriores: área plantada em um trimestre
anterior; preço pago pela cana-de-açucar no período anterior; outros fatores não
previstos pelo ajuste (política de incentivos do governo, previsões sobre os preços
futuros e expectativas sobre o estabelecimento de usinas na região, por exemplo) que
tenham lento amortecimento no tempo.
9/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t Watson Godfrey
MQG MQGF
Robusto

Teste t para Autocorrelação


Se supormos que os erros apresentem autocorrelação de primeira ordem:
Yt    kj 1  j X jt  et et   et 1  ut

Se estimarmos os resíduos de MQO êt, podemos testar as hipóteses:


 H 0:   0 Como correlações seriais são, usualmente, positivas, sugere-se teste

 H1:   0 unicauldal para verificar existência de autocorrelação nos erros.
Poderíamos utilizar a estatística t dada por:
t(n1)1
ˆ Caso os regressores sejam estritamente exógenos e a
t p
S ˆ amostra grande seja relativamente grande, teremos:
0
t
Sendo os estimadores de MQO dados por:
Como não observamos et,

n 2

 uˆ t
n
eˆt eˆt 1 ˆ 2 a estatística t é válida
ˆ  t  2 S ˆ  ˆ 2 t 2
assintóticamente caso os
2 2
t 2 eˆt 1 (n  1)  1
t 2 et 1
n n
ˆ regressores sejam
estritamente exógenos.

10/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t Watson Godfrey
MQG MQGF
Robusto

Teste t - Exemplo
Seja a relação entre a área plantada de cana-de-açucar e seu preço:
As estimativas de MQO foram:
Áreat  2,54  4,79 Preçot  eˆt eˆt  0,252 eˆt 1  uˆt
A estatística t associada ao coeficiente  foi:
ˆ 0,252
t   1,443
S ˆ 0,175
O valor p do teste de hipóteses será dado por:
Se rejeitarmos a hipótese de
 H 0:   0 t(341)1 ausência de autocorrelação pelo

 H1:   0 teste t, estaremos sujeitos a um
0,079 erro de 7,9%. A validade do
0 teste depende, entretanto, (i) da
1,443
ausência de relação entre os
erros et e os valores defasados
do preço da cana-de-açucar e
(ii) do tamanho da amostra, que
não é razoavelmente grande.
11/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Teste de Durbin-Watson
Se supormos que os erros apresentem autocorrelação de primeira ordem:
Yt    kj 1  j X jt  et et   et 1  ut

A partir dos resíduos de MQO êt, iremos testar as hipóteses:


Para autocorrelação positiva ( 1), DW aproxima-se de 0.
 H 0:   0  H 0: DW  2 Para autocorrelação negativa (–1), DW aproxima-se de
 
 1
H :   0  H1: DW  2 4. Para ausência de autocorrelação DW aproxima-se de 2.
A estatística de teste será da por:
DWn,k

n
( ˆt  eˆt 1 ) 2
e
DW  t  2
Com fdp
DW  2(1  
ˆ )
t 1 eˆt 2
n dada por: p
DW
Sendo o estimador de  dado por:
A diferença entre o estimador de  da estatística de DW e o de
 et et 1 MQO está no denominador, que, no caso da estatítstica de DW,
n
ˆ ˆ
ˆ  t 2 2
t 1 eˆt também considera a primeira observação da amostra.
n

Assintoticamente os dois estimadores são válidos.

12/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Teste de Durbin-Watson - Definição


Estatística de Durbin-Watson:
A estatística de Dubin-Watson (DW) pode ser utilizada para testar as hipóteses:

n
 H 0:   0 ˆt  eˆt 1 ) 2 t 2 eˆt eˆt 1
n
( e
 sendo DW  t  2 n ou DW  2(1  ˆ ) onde ˆ 
 H1:   0
2
 eˆt 2 t 1 eˆt
n
t 1
Teremos que:
  -1 DW  4
 0 DW  2
 1 DW  0
O fato de a estatística DW basear-se em valores estimados
DW I DWnS,k
a partir da amostra (êt), ao invés de valores observados n ,k
(et), condiciona sua distribuição de probabilidade aos
valores observados para as variáveis independentes (X).
Durbin e Watson prepararam uma tabela com possíveis 0 dI dS 4
valores extremos de DW em função no número de
variáveis independentes (k) e observações da amostra (n).
Rejeita H0: Zona
Não Rejeita H0:  = 0
Na zona de indecisão, não se pode >0 Indecisão
rejeitar nem aceitar H0, 0 dI dS 4
13/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Teste de Durbin-Watson - Exemplo


Seja a relação entre a área plantada de cana-de-açucar e seu preço:
As estimativas de MQO foram:
Áreat  2,54  4,79 Preçot  eˆt
Devemos testar:

 H 0:   0  H 0: DW  2
 
supondo et   et 1  ut
 H1:   0  H1: DW  2 que:

As estatísticas de teste serão:


Distribuição para uma amostra de 34
t 2 (eˆt  eˆt 1 )2 Como o valor de DW
n

DW   1,4745 observações (n=34) e apenas uma obtido a partir dos


t 1 eˆt
n 2 variável independente (k=1), teremos:
resíduos (1,4725) está na
DW34I ,1 DW34S ,1 região de indecisão, o
Onde: teste seria inconclusivo,
5%
 eˆ eˆ
n ou seja, não há
ˆ  t 2 t 2t 1  0,2419 5% evidências, para afirmar
t 1 eˆt
n
0 1,393 1,514 4 que os erros sejam ou não
autocorrelacionados.
DW=1,4745 14/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Teste de Breusch-Godfrey
Supondo agora que os erros apresentam autocorrelação de ordens q:
Yt    kj 1  j X jt  et et   j 1  j et  j  ut
q

Para permitirmos que os erros defasados relacionem-se com os regressores:


et   0   j 1 j X t  j   j 1  j et  j  ut
k q

Como os erros et não são observados, trabalharemos com o modelo:

eˆt   0   j 1 j X t  j   j 1  j eˆt  j  ut


k q

χ q2
E o teste seria dado por:

H 0: 1  ...   q  0
 LM  (n  q) Reˆ2 p

H1:  j  0

LM
Onde Rê2 é o coeficiente de determinação do ajuste para os resíduos como função de seus
valores e dos regressores defasados. O valor p representará a probabilidade de erro ao
afirmarmos que os erros apresentam autocorrelação de ordem q.
15/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Teste de Breusch-Godfrey - Exemplo


Seja a relação entre a área plantada de cana-de-açucar e seu preço:
As estimativas de MQO foram:
Áreat  2,54  4,79 Preçot  eˆt
Para testarmos a autocorrelação de 1ª ordem pelo BG:
eˆt  0,043  0,022 Precot 1  0,253eˆt 1  uˆt
As hipóteses a serem testadas seriam:
 H 0:   0

 H1:   0
χ12
E a estatística de teste seria:
0,155
LM  (n  q) Reˆ2  (34  1)0,061  2,023
2,023
Se afirmássemos que há autocorrelação de 1ª ordem, estaríamos sujeitos a um erro de 15,5%
segundo o teste de BG. Diferentemente do teste t e do teste DW, que testam apenas
autcorrelação positiva, o teste BG considera também a presença de autocorrelação negativa.

16/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Correção Autocorrelação
Seja a equação autocorrelacionada: A equivalente matricial:
Yt    1 X 1t  ...   2 X kt  et (1) y  Xβ  e
Supondo que a autocorrelação seja dada por: A autocorrelação regressiva de 1ª ordem implica:
 1   2 ...  n1 
et  et 1  ut ut  et  et 1  
  1  ...  n2 
1  2
Var(e)    ...  n3   V
2 2
O que implica em: 1
1  
2

2 2  ... ... 
Var(et )  e Cov(et , et  s )   s
  n1
... ... ...
1  2 1  2   n2
 n 3
... 1 

O objetivo é transformar o modelo para que este Se conhecemos V a equação corrigida será
apresente erros não autocorrelacionados. dada por:
Λy  ΛXβ  Λe
1º passo) A equação (1) pode ser representada
por:  1  2 0 0 ... 0 

Yt 1    1 X 1t 1  ...   2 X kt 1  et 1 (2)   1 0 ... 0 
1
Onde Λ   0  T
2º passo) Subtraindo da equação (1) a    1 ... 0  e Λ Λ  V
equação (2) multiplicada por :  ... ... ... ... ...
 
(Yt  Yt 1 )   (1   )  1 ( X 1t  X 1t 1 )  ...  (et  et 1 )  0 0 ...   1 
* Pois:
Y* X*1 ut
que apresenta erros ut não autocorrelacionados E (ΛeeT Λ)  ΛVΛ 2  I 2
17/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

Mínimos Quadrados Generalizados


Definição:
Uma vez conhecida a matriz V de variâncias e convariâncias do erros de um
modelo de RLM, podemos obter os MELNV transformando as variáveis originais
pela matriz , tal que T=V–1. Em outras palavras, seja o modelo:
y  Xβ  e onde Var(e)  E (eT e)  V 2
Então:
Λy  ΛXβ  Λe onde ΛT Λ  V 1
Apresentará erros não autcorrelacionados, pois: E (ΛeeT Λ)  ΛVΛ 2  I 2
Os estimadores de MQG serão:

βˆ  (XT ΛΛX)1 XT ΛΛy  (XT V 1X)1 XT V 1y


Analogamente, teremos:
SQRes  yT V 1y  βˆ T XT V 1y e S2ˆ  ( XT V 1X) 1ˆ 2
Esse método é denominado Mínimos Quadrados Generalizados (MQG).

18/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

MQG -  Conhecido
Mínimos Quadrados Generalizados:
Seja o modelo de RLM:
y  Xβ  e com autocorrelação de 1ª ordem: et  et 1  ut
 1  2 ...  n1 
Então teremos:  
  ...  n2 
1  2
1
2 s 
2
Var(et )  e Cov(et , et  s )   Var(e)    ...  n3   V
2 2
1
1  2 1  2 1  2  
 ... ... ... ... ... 
  n1  n2  n 3 1 
 ...

Sabemos, nessas circunstâncias, que os estimadores de MQG serão os MELNV:


βˆ  (XT V 1X) 1 XT V 1y
Caso  seja conhecido, a matriz V–1 será dada por:
 1  0 ... 0 
  1   2  ... 0 

V 1  0   1  2 ... 0 
 
 ... ... ... ... ...
 0 0 ...   1 

19/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF
Robusto

MQG com  conhecido - Exemplo


Seja a relação entre a área plantada de cana-de-açucar e seu preço:
As estimativas de MQO foram:
Áreat  2,54  4,79 Preçot  eˆt
Supondo agora que:
et  0,5et 1  ut ou seja   0,5
Teremos a seguinte matriz de Var-Cov dos erros:
 1 0,5 0,52 ... 0,533   1  0,5 0 ... 0
   0,5 1  0,52  0,5 ... 0 
... 0,532  
1  2
0,5 1 0,5
Var(e)  0,5  1 ... 0,531   V
2 2
e V 1   0  0,5 1  0,52 ... 0
1  0,52    
 ... ... ... ... ...   ... ... ... ... ...
0,533 0,532 0,531 1   0 0 ...  0,5 1 
 ...

As estimativas de MQG seriam:


 727 ,4  2135 
ˆβ  ( XT V 1X) 1 XT V 1y   3,34  e Sβˆ2  ( XT V 1X) 1ˆ 2   
505,64 
   2135 8233,4
SQRes y T V 1y  βˆ T XT V 1y
ˆ 
2
  1563,9
n  k 1 32 20/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF Robusto

MQGF -  Desconhecido
Mínimos Quadrados Generalizados Factíveis:
Seja o modelo de RLM:
y  Xβ  e com autocorrelação de 1ª ordem: et  et 1  ut
Então teremos:  1  2 ...  n1 
 
  ...  n2 
1  2
1
2 2
Var(et )  e Cov(et , et  s )   Var(e)  ...  n3   V
s
 
2 2
1
1  2
1  2 1  2  
 ... ... ... ... ... 
  n1  n2  n 3 1 
 ...

Caso  seja desconhecido, podemos trabalhar com uma estimativa de MQO:


eˆt  ˆeˆt 1  uˆt
Nesse caso, os estimadores consistentes de , embora viesados para amostras
pequenas, serão dados por:  1  ˆ 0 ... 0 
 ˆ 1  ˆ 2  ˆ ... 0 

βˆ  (XT V
ˆ 1X) 1 XT V
ˆ 1y onde V 1   0  ˆ 1  ˆ 2 ... 0 
 
 ... ... ... ... ...
 0 0 ...  ˆ 1 

21/23
Análise Durbin- Breusch- Estimador
Definição
Gráfica
Teste t
Watson Godfrey
MQG MQGF Robusto

MQGF - Exemplo
Seja a relação entre a área plantada de
cana-de-açucar e seu preço:
As estimativas de MQO foram:
Áreat  2,54  4,79 Preçot  eˆt
Temos ainda que:
eˆt  0,252 eˆt 1  uˆt ou seja ˆ  252
Teremos então as seguintes estimativas para as matrizes de transformação:
 1 0,252 0,252 2 ... 0,252 33   1  0,252 0 ... 0
   0,252 1  0,252 2  0,252 ... 0 
 0,252 1 0,252 ... 0,252 32  
ˆ 
V
1  2
 ... 0,252 31  e Vˆ   0
1
 0,252 1  0,252 2 ... 0
2 0,252 1
 
1  0,252  
 ... ... ... ... ...   ... ... ... ... ...
0,252 33 0,252 32 0,252 31 1   0 0 ...  0,252 1 
 ...

As estimativas de MQGF seriam:


 0 ,007 
βˆ  ( XT V 1X) 1 XT V 1y   
4,903 

22/23
Análise Durbin- Breusch- Estimador
Definição Teste t MQG MQGF
Gráfica Watson Godfrey Robusto

Estimadores Robustos
Estimadores da Variância Robustos à Autocorrelação:
Seja o modelo de RLS:
Yt    X t  et com autocorrelação de 1ª ordem: et  et 1  ut
Embora os estimadores de MQO para  continuem não viesados, as estimativas de
suas variâncias serão viesadas.
A real variância do estimador para o coeficiente angular seria:
2 2 n 1 n t
Var( ˆ )  2   s xt xt  s
t 1 xt2 t 1 xt
n n 2
t 1 s 1

Um estimador simples para a variância poderia ser obtido por:


ˆ2 ˆ 2 n1 nt s
Var( ˆ )  n 2 n  ˆ xt xt s
t 1 xt2 t 1 xt2 t 1 s1
Embora esse estimador seja robusto à presença de autocorrelação, considera
apenas autocorrelações de 1ª ordem e erros homocedásticos. Há tratamentos mais
abrangentes na literatura. Essas estimativas são válidas assintoticamente e podem
não ser apropriadas para amostras pequenas.
23/23