Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 30
Ou seja,
Var(u|x1, x2, ..., xk) = 2.
f(y|x)
Observação
H 0 : V ar ( u | x1 , x 2 , x k ) 2
R 22
uˆ
Fobs k ~ F[ k ; n k 1 ]
( 1 R 22 )
uˆ
( n k 1 )
ou
LM n R 22 ~ 2
uˆ k
TESTES DE HETEROSCEDASTICIDADE
Observações:
a) Podemos considerar apenas um sub-conjunto das
variáveis explicativas;
b) Se H0 for rejeitada, então, precisaremos recorrer a
algum método de estimação que leve em conta a
violação da suposição de homoscedasticidade.
EXEMPLO
Considerando o modelo,
Fobs = 5,34
F(0,05; 3; 84) = 2,71
p-valor = 0,002048
TESTES DE HETEROSCEDASTICIDADE
TESTE DE WHITE
TESTE DE WHITE
ˆu 2 0 1 x1 2 x 2 3 x3
2 2 2
4 x1 5 x 2 6 x3
7 x1 x 2 8 x1 x3 9 x 2 x3 erro
EXEMPLO
Considerando o modelo,
TESTE DE WHITE
Observações:
1) A utilidade deste teste consiste ainda em identificar a
forma de heteroscedasticidade, ou de erro de
especificação, ou de ambos.
2) Comparado ao teste BP, este modelo tem 6 parâmetros a
mais para ser estimado, logo, há uma perda no número
de graus de liberdade.
3) Para minimizar a perda de graus de liberdade, este teste
pode ser feito a partir da seguinte regressão auxiliar:
uˆ 2 0 1 yˆ 2 yˆ 2 erro
TESTES DE HETEROSCEDASTICIDADE
Exercício
ˆu 2 0 1 yˆ 2 yˆ 2 erro
para testar
H0: o erro é homoscedástico ( 1 = 2 = 0).
Compare os resultados.
Solução:
Seja x = (x1, x2, ..., xk) um vetor que denota todas as variáveis
explicativas da equação anterior e assuma que
em que
h(x) é alguma função das variáveis explicativas que
determina a heterocedasticidade.
Mínimos Quadrados Ponderados (WLS)
Observação:
1) Como a variância retorna sempre um valor positivo,
então, h(x) > 0.
2) O desvio padrão de u, condicionado a x, é
DP ( u | x ) h ( x )
Pergunta:
Como poderemos utilizar (2) para estimarmos ̂ j ?
Mínimos Quadrados Ponderados (WLS)
ui
h ( x1 , x 2 ,..., x k )
1
Var ui x1 , x2 ,..., xk
h( x1 , x2 ,..., xk ) 2
E ui2 x1 , x2 ,..., xk
1
h( x1 , x2 ,..., xk )
1
2 h( x1 , x2 ,..., xk ) 2
h( x1 , x2 ,..., xk )
Mínimos Quadrados Ponderados (WLS)
Logo, dividindo (1) por
h ( x1 , x 2 ,..., x k ) , i 1 , 2 , ..., n ,
teremos
y 1 x1
0 1
h( x1 , x 2 ,..., x k ) h( x1 , x 2 ,..., x k ) h( x1 , x 2 ,..., x k )
xk ui
... k
h( x1 , x 2 ,..., x k ) h( x1 , x 2 ,..., x k )
ou,
Observações
yi = 0 + 1xi + ui
com
i
(x x ) σi
2 2
Var(βˆ1 ) i 1
SQT x2
em que
SQTx = (xi –x)2.
Estimadores Robustos (White)
Como fazer para encontrar estimadores robustos?
1. Estimar equação original por mínimos quadrados e
calcular os resíduos;
2. Calcular estimador robusto a heterocedasticidade.
n
ij i uˆ j
( x x ) 2 2
var( ˆi )
j 1
SQT x2i
Observações
1. O erro-padrão robusto pode ser maior ou menor do que o
erro-padrão não robusto (não sabemos se o viés é para cima
ou para baixo);
• Teste de Park;
• Teste de Goldfeld-Quandt;
• Teste de Glejser;
Teste de Park
i
xi e
i
2 2
Teste de Park
ou
em que
i – é o termo de erro estocástico.
Problema:
Goldfeld e Quandt argumentam que o termo de erro, i,
pode não atender às suposições usuais, sendo ele próprio
heteroscedástico.
Observação:
A forma funcional específica escolhida por Park é apenas
uma sugestão.
Teste de Goldfeld-Quandt
A idéia básica do teste é verificar se existe diferença entre a
variabilidade dos resíduos localizados nas proximidades do intercepto
e aqueles localizados a uma distância maior. Para mais detalhes, vide
Figura 1, a seguir.
2,50
Parte 1 Parte Central Parte 2
2,00
1,50
Y
1,00
0,50
0,00
0 5 10 15 20 25 30 35
X
Teste de Goldfeld-Quandt
1
uˆi 0 1 xi i uˆi 0 1 i
xi
ui 0 1 xi i
ˆ h
em que
x – é a variável explicativa com a qual se supõe que
a variância de ui esteja relacionada;
h – qualquer potência selecionada.
Teste de Glejser
Procedimento para a realização do teste: (cont.)
(c) Conduza testes t, que sob a hipótese nula afirmam que
1 = 0.
(d) Os critérios para a realização do teste são os
seguintes:
i. Se 1 = 0, para todas as regressões estimadas
não existe heteroscedasticidade;
ii. Se 1 ≠ 0 para pelo menos uma das regressões
estimadas existe heteroscedasticidade.
Teste de Glejser
Observação:
1. Goldfeld e Quandt assinalam que o termo de erro, i,
apresenta alguns problemas, já que se espera que
tenha valor diferente de zero, esteja correlacionado
serialmente e seja heteroscedástico.
2. Glejser verificou que, para grandes amostras, os
modelos propostos anteriormente apresentam
resultados satisfatórios quanto à detecção da
heteroscedasticidade.