Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 31
5
Observação
Autocorrelação (correlação serial) de primeira
ordem: correlação existente entre uma observação
qualquer num instante t e outra observação no
instante t-1 (ou t+1).
yt 0 1 x1t 2 x1t
2
ut
40.00
35.00
30.00
20.00
15.00
yt 0
*
1 x1t
*
*
ut 10.00
5.00
0.00
(Modelo especificado) 0 2 4 6 8 10 12 14 16 18
Seqüência de resíduos + e -
7
Quais as conseqüências?
Os estimadores de MQO, na classe dos lineares,
continuam não viesados, consistentes e assintoticamente
normais, mas deixam de ser os mais eficientes (BLUE).
Algumas Suposições:
(a) Var ( i) = 2: constante, não varia com i
(homocedasticidade).
(b) 2 ).
i ~ N(0;
Cov( i, j ) = E( i j) - E( i)E( j) = E( i j) = ij 0
10
r=0
0,8
Exemplos: 0,6
0,4
0,2
simulações de séries de
0
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
51
erros com autocorrelação
-0,2
-0,4
-0,8
ordem
r 0,9 r -0,9
2 1,5
1,5
1
1
0,5
0,5
0
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
0
1
11
13
15
17
19
21
23
25
27
29
31
33
35
37
39
41
43
45
47
49
-0,5
-0,5
-1
-1
-1,5 -1,5
ordem ordem
11
r=0
Diagramas de 0,8
0,6
0,4
dispersão: 0,2
et
0
-0,8 -0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8
-0,2
-0,4
ei vs ei-1
-0,6
-0,8
et-1
r = 0,9 r = -0,9
2 1,5
1,5
1
0,5
0,5
et
et
0
0 -1,5 -1 -0,5 0 0,5 1 1,5
-1,5 -1 -0,5 0 0,5 1 1,5 2
-0,5
-0,5
-1
-1
-1,5
-1,5
et-1
et-1
12
Modelagem da autocorrelação
i = i-1+ ui
Suposições
• ui ~ N(0; u
2);
13
Modelagem da autocorrelação
i = i-1+ ui
: número entre -1 e 1.
=0 i independentes (Pq?)
14
Modelo de regressão linear múltipla
Apenas para lembrar, no modelo
yi = 0 + 1 x1i + i
Var ˆ1 n
2
x - x1
2
1i
i 1
Modelo de regressão linear múltipla
Entretanto, na presença de correlação de primeira
ordem entre os erros, a variância anterior fica dada por
x1i - x1 x1i -1 - x1
Var ˆ1
* 2
1 2 r
n n
1i 1
x - x 2
x1i - x1 2
i 1 i 1
x - x x - - x x - x x - x
2r 2 1 i 1 1i 2 1
2 r n -1 1i 1 n 1
n n
x1i - x 1 2
x1i - x 1 2
i 1 i 1
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
Regressão auxiliar
i = i-1+ ui
H0: =0
Resíduos: ˆi
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
Estatística do teste:
n
εˆ - εˆ
2
i i -1
d i 2
n
εˆ
i 1
2
i
0 d 4
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
Note que
d
ˆ i
2
ˆ i -1 - 2 i i -1
2
ˆˆ
i ˆ 2
Ainda, como
i i -1
ˆ 2
ˆ 2
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
rˆ ˆ ˆ
i i -1
ˆ i
2
Então
ˆiˆi -1
d 2 1 - 21 - rˆ
i
ˆ 2
- 1 r̂ 1 0 d 4
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
1) 0 d 4
2) Se a correlação for positiva, o valor de d será baixo.
3) Se a correlação for negativa, o valor de d será alto.
4) Valores próximos a 2 indicam correlação próxima de
zero.
ˆiˆi -1
d 2 1 - 21 - rˆ
i
ˆ 2
21
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
ˆiˆi -1
H0: =0 d 2 1 - 21 - rˆ
i
ˆ 2
H0: =0 ˆiˆi -1
d 2 1 - 21 - rˆ
HA: >0
i
ˆ 2
H0: =0 ˆiˆi -1
d 2 1 - 21 - rˆ
HA: <0
i
ˆ 2
25
Exemplo
Variable Coefficient Std. Error t-Statistic Prob.
C 10.16356 0.040853 248.7820 0.0000
EDUC 0.045373 0.008755 5.182444 0.0000
ANOSEMP 0.015972 0.003270 4.883702 0.0000
R-squared 0.750149 Mean dependent var 10.55832
Adjusted R-squared 0.738528 S.D. dependent var 0.259053
S.E. of regression 0.132465 Akaike info criterion -1.141999
Sum squared resid 0.754523 Schwarz criterion -1.022739
Log likelihood 29.26597 F-statistic 64.55119
Durbin-Watson stat 1.224321 Prob(F-statistic) 0.000000
n = 46, k = 2, = 5% , d = 1,224
dL = 1,430 e dU = 1,615
26
Exemplo
H0: = 0 H1: 0
n = 46, k = 2, = 5% , d = 1,224
dL = 1,430, dU= 1,615, 4-dL = 2,57 e 4-dU=2,38
27
Teste de Durbin-Watson
(Verificação de Ausência de Correlação de Primeira Ordem)
Premissas que embasam a estatística d de Durbin-Watson:
Observação
Se o modelo de regressão de interesse apresentar variável
dependente defasada, então o valor da estatística d de Durbin-
Watson será muito próximo de 2, o que sugere ausência de
correlação entre os erros do modelo. Entretanto, isso não
significa que os mesmos não sejam não-correlacionados. Por
essa razão, caso haja variável dependente defasada na
regressão, o interessante é usar o teste h de Durbin. Para mais
detalhes, vide, por exemplo, o exercício 12.36, página 405, de
Gujarati (2006) – tradução da 4ª edição.
Teste para Verificação de Ausência de
Correlação Serial
(Teste de Breusch-Godfrey – teste LM)
Considere o modelo
yi = 0 + 1 x1i + … + k xki + i
i = g1
… + g
i-1 + p i-p + ui
Suposições:
Var (ui) = 2
u : constante, não varia com i (homocedasticidade).
ui ~ N(0; 2
u )
i = g1 + … + g
i-1 p i-p + ui
yi 0 1 x1i k xki i ,
e calcular os resíduos. 32
Teste de Breusch-Godfrey
(teste LM para correlação serial)
33
Teste de Breusch-Godfrey
(teste LM para correlação serial)
LM n R ~ 2
ˆ
2
p
34
Correlação Serial
Observações
Se H0 for rejeitada, então:
1) Os estimadores de MQO são ineficientes
(mesmo assintoticamente);
2) A correção depende do conhecimento que
temos sobre a natureza da interdependência
dos termos de erro, isto é, do conhecimento da
estrutura de correlação.
35
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
3) Se, por exemplo, tivermos uma estrutura AR(1) com
conhecido, podemos estimar os parâmetros do
modelo original, de maneira eficiente, a partir de uma
transformação neste modelo (conhecida como
quase-diferença), que é algo equivalente à utilização
do método dos mínimos quadrados generalizados
(GLS).
36
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
4) Se, por exemplo, tivermos uma estrutura AR(1) mas com
desconhecido (o que é mais comum na prática),
podemos estimar utilizando diversos procedimentos
possíveis como, por exemplo, o procedimento interativo
de Cochrane-Orcut (C-O). Vale a pena observar que os
métodos em geral produzem resultados semelhantes para
quando estamos lidando com grandes amostras. Já
para pequenas amostras, os resultados costumam diferir
37
bastante.
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
5) Após utilizarmos algum método adequado para
estimarmos podemos, na seqüência , a partir de uma
transformação nos dados observados (conhecida como
quase-diferença), estimarmos os parâmetros do modelo
de interesse, que é equivalente a empregar o método dos
mínimos quadrados generalizados (GLS). Mas, já que foi
estimado, o método de estimação dos parâmetros é
denominado FGLS (Feasible GLS).
38
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
39
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
7) Ao empregar FGLS, é preciso ter o cuidado de abandonar
a primeira observação, pois, nas pequenas amostras, sua
inclusão ou exclusão pode resultar em substanciais
diferenças nos resultados. Assim, em pequenas
amostras, é aconselhável transformar a primeira
observação de acordo com o procedimento de Prais-
Winsten. Contudo, nas grandes amostras, faz pouca
diferença a inclusão ou exclusão da primeira observação.
40
Correlação Serial
Observações
Se H0 for rejeitada, então: (cont)
41
Correlação Serial
O Método de Newey-West
(para correção de erros-padrão de MQO)
43
Correlação Serial
O Método de Newey-West
(para correção de erros-padrão de MQO)
em que
44
Correlação Serial
Observações (cont.)
9) Existem outros testes que podem ser úteis na detecção
da autocorrelação como, por exemplo:
45
Correlação Serial
Leituras Recomendadas
^
log( price ) 0,98523 log( assess )
( 0 , 00274)
49
EXEMPLO
50
EXEMPLO
51
EXEMPLO
Resultado do teste
52