Econometria, 2019/2020

2.4 Heteroscedasticidade—resolução dos exercícios das aulas

 O texto de apoio disponibilizado no Inforestudante, mais directamente indicado para as

resoluções aqui apresentadas é “c24.pdf”. Nalguns exercícios pode-se referir páginas deste ou
outros textos.
 Na resolução dos exercícios que envolvem a utilização do programa GRETL, apresenta-se os
outputs, bem como a sequência de comandos, por separadores e menus.

70 (c24, p. 3)
𝒂)
Falso: o estimador OLS permanece consistente. A hipótese (5) não intervém na dedução do plim do
estimador. Não é por causa de heteroscedasticidade que este é, ou não, consistente.
𝒃)
Verdadeiro.
𝒄)
Verdadeiro: o estimador OLS é BLUE sob o modelo GM (que inclui homoscedasticidade).

71 (c24, pp. 15, 16)

V(𝑢|𝒙) = 𝜎 2 𝑖𝑛𝑐 2 .
Modelo transformado
𝑏𝑒𝑒𝑟⁄𝑖𝑛𝑐 = 𝛽0⁄𝑖𝑛𝑐 + 𝛽1 + 𝛽2 𝑝𝑟𝑖𝑐𝑒⁄𝑖𝑛𝑐 + 𝛽3 𝑒𝑑𝑢𝑐 ⁄𝑖𝑛𝑐 + 𝛽4 𝑓𝑒𝑚𝑎𝑙𝑒⁄𝑖𝑛𝑐 + 𝑣, 𝑣 = 𝑢⁄𝑖𝑛𝑐 .
Variância do erro do modelo transformado
V(𝑣|𝒙) = V(𝑢⁄𝑖𝑛𝑐 |𝒙) = (1⁄𝑖𝑛𝑐 2 )V(𝑢|𝒙) = (1⁄𝑖𝑛𝑐 2 )𝜎 2 𝑖𝑛𝑐 2 = 𝜎 2 : homoscedasticidade.

73 (c24, pp. 15-17)

Modelo de Gauss-Markov 𝑦𝑖𝑗 = 𝛽0 + 𝛽1 𝑥𝑖𝑗 + 𝑢𝑖𝑗 , 𝑗: indivíduo, 𝑖: grupo.
Observações disponíveis:
𝑛𝑖 𝑛𝑖
𝑦̅𝑖 = 𝑛𝑖−1 ∑ 𝑦𝑖𝑗 , 𝑥̅ 𝑖 = 𝑛𝑖−1 ∑ 𝑥𝑖𝑗 , 𝑛𝑖 : nº de membros de cada grupo.
𝑗=1 𝑗=1

Portanto, só se pode estimar os parâmetros 𝛽0 e 𝛽1 através do modelo

𝑛𝑖
𝑦̅𝑖 = 𝛽0 + 𝛽1 𝑥̅𝑖 + 𝑤𝑖 , 𝑤𝑖 = 𝑛𝑖−1 ∑ 𝑢𝑖𝑗 .
𝑗=1
𝒂)
𝑛𝑖 𝑛𝑖
V(𝑤𝑖 ) = V (𝑛𝑖−1 ∑ 𝑢𝑖𝑗 ) = 𝑛𝑖−2 ∑ V(𝑢𝑖𝑗 ),
𝑗=1 𝑗=1

porque 𝑢𝑖𝑗 são independentes. De V(𝑢𝑖𝑗 ) = 𝜎 2 , vem

 𝑛𝑖
V(𝑤𝑖 ) = 𝑛𝑖−2 ∑ 𝜎 2 = 𝑛𝑖−2 𝑛𝑖 𝜎 2 = 𝑛𝑖−1 𝜎 2 ,
𝑗=1

i.é, o erro do modelo utilizado é heteroscedástico. O método OLS aplicado ao modelo com variáveis
em médias produz estimadores que não são eficientes (Teorema de Gauss-Markov).
𝒃)
V(𝑤𝑖 ) = 𝜎 2 𝑛𝑖−1 —forma da heteroscedasticidade é conhecida: 𝛿𝑖 = 𝑛𝑖−1. Pode-se aplicar GLS/WLS.
Método GLS: aplica-se OLS ao modelo transformado

𝑦̅𝑖 ⁄√𝑛𝑖−1 = 𝛽0⁄√𝑛𝑖−1 + 𝛽1 𝑥̅𝑖 ⁄√𝑛𝑖−1 + 𝑤𝑖 ⁄√𝑛𝑖−1 ⇔ 𝑦̅𝑖 √𝑛𝑖 = 𝛽0 √𝑛𝑖 + 𝛽1 𝑥̅𝑖 √𝑛𝑖 + 𝑤𝑖 √𝑛𝑖 ,

cujo erro já é homoscedástico: V(𝑤𝑖 √𝑛𝑖 ) = 𝑛𝑖 𝑉(𝑤𝑖 ) = 𝑛𝑖 𝑛𝑖−1 𝜎 2 = 𝜎 2 .

Método WLS (equivale a GLS): minimiza-se a soma dos quadrados dos resíduos ponderados por
𝟏⁄𝜹𝒊 = 1⁄𝑛𝑖−1 = 𝑛𝑖 ,
𝑛 2 𝑛 𝑛
2
∑ (𝑦̅𝑖 ⁄√𝑛𝑖−1 − 𝛽̂0⁄√𝑛𝑖−1 − 𝛽̂1 𝑥̅𝑖 ⁄√𝑛𝑖−1 ) = ∑ (𝑦̅𝑖 − 𝛽̂0 − 𝛽̂1 𝑥̅𝑖 ) ⁄𝑛𝑖−1 = ∑
⏟ ̂ 𝑖2 × 𝑛𝑖 ),
(𝑤
𝑖=1 𝑖=1 𝑖=1
̂ 𝑖2
𝑤

𝑛𝑖 : peso. O estimador resultante é igual ao estimador GLS: ̂ 𝐖𝐋𝐒 = 𝜷

𝜷 ̂ 𝐆𝐋𝐒 .

74 (c24, pp. 6-8)

𝒂)
Exemplo de modelo da variância condicional de 𝑢 (“modelo cedástico”) V(𝑢|𝒙) = 𝛼0 + 𝛼1 𝑚𝑎𝑙𝑒.
𝑚𝑎𝑙𝑒 = 0 (mulheres): V(𝑢|𝒙) = 𝛼0 ; 𝑚𝑎𝑙𝑒 = 1 (homens): V(𝑢|𝒙) = 𝛼0 + 𝛼1 .
𝒃)
Uma vez que V(𝑢|𝒙) = E(𝑢2 |𝒙), o modelo cedástico equivale a
E(𝑢2 |𝒙) = 𝛼0 + 𝛼1 𝑚𝑎𝑙𝑒 ⇔ 𝑢2 = 𝛼0 + 𝛼1 𝑚𝑎𝑙𝑒 + 𝑣, E(𝑣|𝒙) = 0.
Não se conhece os erros; mas, uma vez que os resíduos OLS são consistentes para os erros, pode-se
estimar os parâmetros deste modelo a partir da regressão
𝑢̂𝑖2 = 𝛼0 + 𝛼1 𝑚𝑎𝑙𝑒𝑖 + erro,
em que 𝑢̂𝑖 designa o resíduo da estimação OLS do modelo original.

GRETL
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1-706
Variável dependente: sleep
Coeficiente Erro Padrão rácio-t valor p
const 3840,85 239,414 16,04 <0,0001 ***
totwrk −0,163424 0,0181634 −8,997 <0,0001 ***
educ −11,7133 5,87195 −1,995 0,0465 **
age −8,69740 11,3291 −0,7677 0,4429
agesq 0,128442 0,134670 0,9538 0,3405
yngkid −0,0228006 50,2764 −0,0004535 0,9996
male 87,7546 34,6679 2,531 0,0116 **
[ →Gravar→Resíduos Quadrados→usq1→OK ]
Output da regressão de usq1 sobre male:
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1-706
Variável dependente: usq1
Coeficiente Erro Padrão rácio-t valor p
const 189359 20546,4 9,216 <0,0001 ***
male −28849,6 27296,5 −1,057 0,2909
O coeficiente de male é negativo: estima-se que a variância é superior para mulheres.
𝒄)
No contexto do modelo cedástico, 𝑢2 = 𝛼0 + 𝛼1 𝑚𝑎𝑙𝑒 + 𝑣, a hipótese de homoscedasticidade é
𝐻0 : 𝛼1 = 0 (igual variância de 𝑢 para mulheres e homens).
Estatisticamente, esta variância não difere entre mulheres e homens:
A estatística 𝑡obs para o teste de 𝐻0 é apenas −1,057, valor-𝑝 = 0,2909—aceita-se 𝐻0 .

75 (c24, pp. 9-11, 12)

𝒂)
GRETL
[ Modelo→Mínimos Quadrados (“Ordinary Least Squares”)→Escolher variáveis; seleccionar Erros
padrão robustos→OK ]
Output:
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1-88
Variável dependente: price
heterocedasticidade-robusta erros padrão, variante HC1
Coeficiente Erro Padrão rácio-t valor p
const −21,7703 37,1382 −0,5862 0,5593
lotsize 0,00206771 0,00125142 1,652 0,1022
sqrft 0,122778 0,0177253 6,927 <0,0001 ***
bdrms 13,8525 8,47862 1,634 0,1060
O erro-padrão robusto para o coeficiente de 𝑙𝑜𝑡𝑠𝑖𝑧𝑒 é quase o dobro do erro-padrão não robusto,
tornando o coeficiente estimado muito menos significativo (𝑡 passa de 3,23 para 1,65). A estatística
𝑡obs para o coeficiente de 𝑠𝑞𝑟𝑓𝑡 reduz-se mas o coeficiente permanece fortemente significativo. O
coeficiente de 𝑏𝑑𝑟𝑚𝑠 é pouco mais significativo mas mantém-se quase não significativo.
𝒃)
GRETL
Output:
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1-88
Variável dependente: lprice
heterocedasticidade-robusta erros padrão, variante HC1
Coeficiente Erro Padrão rácio-t valor p
const −1,29704 0,781314 −1,660 0,1006
llotsize 0,167967 0,0414734 4,050 0,0001 ***
lsqrft 0,700232 0,103829 6,744 <0,0001 ***
bdrms 0,0369583 0,0306011 1,208 0,2305
Os erros-padrão robustos são apenas ligeiramente superiores aos erros-padrão não robustos. As
diferenças não têm grande consequência para a significância estatística dos coeficientes.
𝒄)
A transformação logarítmica pode reduzir, ou mesmo eliminar, a heteroscedasticidade. É aqui o
caso, dado que nenhuma conclusão importante no modelo de log(𝑝𝑟𝑖𝑐𝑒) depende da escolha do tipo
de erros-padrão. Situação parecida pode ocorrer por exemplo com um modelo quadrático vs. linear.
𝒅)
Regressão artificial para o teste de White
𝑢̂𝑖2 = 𝛾0 + 𝛾1 𝑥𝑖1 + 𝛾2 𝑥𝑖2 + 𝛾3 𝑥𝑖3 +
2 2 2
𝛾4 𝑥𝑖1 + 𝛾5 𝑥𝑖2 + 𝛾6 𝑥𝑖3 + 𝛾7 𝑥𝑖1 𝑥𝑖2 + 𝛾8 𝑥𝑖1 𝑥𝑖3 + 𝛾9 𝑥𝑖2 𝑥𝑖3 + 𝑒𝑟𝑟𝑜,
𝑢̂: resíduo OLS, 𝑥1 = log(𝑙𝑜𝑡𝑠𝑖𝑧𝑒), 𝑥2 = log(𝑠𝑞𝑟𝑓𝑡), 𝑥3 = 𝑏𝑑𝑟𝑚𝑠.
Hipótese nula de homoscedasticidade 𝐻0 : 𝛾1 = ⋯ = 𝛾9 = 0
Estatística de teste 𝐿𝑀 𝑛𝑅 2 ~̇ 𝜒92 .
𝐻0

Estatística LM 88 × 𝑅 2 = 9,549443, valor-𝑝 = 0,388 ← 𝜒92 . Aceita-se 𝐻0 : homoscedasticidade.

GRETL
[ No painel de output OLS do modelo de 𝑐): Testes→Heterocedasticidade→Teste de White ]
Output:
Teste de White para a heterocedasticidade
Mínimos Quadrados (OLS), usando as observações 1-88
Variável dependente: uhat^2

coeficiente erro padrão rácio-t valor p

----------------------------------------------------------------------------------------------
const 12,2070 6,69266 1,824 0,0720 *
llotsize −1,27283 0,708256 −1,797 0,0762 *
lsqrft −1,75678 1,66495 −1,055 0,2946
bdrms 0,287873 0,284522 1,012 0,3148
sq_llotsize 0,0235204 0,0162958 1,443 0,1529
X2_X3 0,120860 0,0721297 1,676 0,0978 *
X2_X4 −0,0252757 0,0320631 −0,7883 0,4329
sq_lsqrft 0,0402737 0,123073 0,3272 0,7444
X3_X4 −0,00109499 0,0482468 −0,02270 0,9820
sq_bdrms −0,00509086 0,00905579 −0,5622 0,5756

R-quadrado não-ajustado = 0,108516

Estatística de teste: TR^2 = 9,549443,
com valor p = P(Qui-quadrado(9) > 9,549443) = 0,388175