Escolar Documentos
Profissional Documentos
Cultura Documentos
Em que situação esta premissa costuma ser violada? Considere, por exemplo, um
modelo para a venda mensal de TVs no varejo. No passado recente, houve a redução
de imposto sobre produtos industrializados para combater a recessão, e isso
incrementou as taxas de juros ao consumidor caíram. Agora, em 2010, estamos a um
passo da Copa do Mundo que, sabidamente, tem um impacto positivo sobre as vendas
de TVs. E os erros de um modelo, como ficam? Muito provavelmente, o erro do
modelo num mês terá uma expressiva correlação com o erro do modelo em meses
adjacentes. Ou seja, a hipótese de que erros em instantes diferentes são
descorrelatados é falsa, ou seja, existe autocorrelação entre os erros. Isso quer dizer
que as perturbações que ocorrem num instante de tempo afetam as que ocorrem em
outro instante.
A Figura 12.1a mostra um padrão cíclico. A Figura 12.1b sugere uma tendência
ascendente nos erros, enquanto a Figura 12.1c mostra um padrão linear descendente
linear nos distúrbios. 12.1d mostra termos de tendência linear e quadrática nos
distúrbios. Apenas a Figura 12.1.e não exibe um padrão sistemático, apoiando a
hipótese de autocorrelação nula dos erros, que é a premissa do modelo clássico de
regressão.
A pergunta natural é: Por que a c orrelação serial ocorre?
Há d iversas razões, algumas mostradas a s eguir.
Inércia
Agora, se (12.1.2) é o m odelo verdadeiro, mas ajustamos (12.1.3), isso equivale
a f azer vt = β 4.X4t + u t. E n a m edida que o p reço da c arne suína afeta o
onsumo de c arne, o t ermo de e rro ou d istúrbio v i rá r efl etir um padrão siste
mático, criando assim uma (falsa) autocorrelação. Um teste simples disso seria
executar os dois modelos (12.1.2) e ( 12.1.3) e v er s e a utocorrelação, observada
no m odelo (12.1.3) desaparece quando (12.1.2) é a justado. A m ecânica de det
ecção de autocorrelação será discutida na seção 12.6.
Ou seja, ajustamos uma forma funcional errada para a f unção custo marginal,
que é a v ariável dependente no m odelo. As c urvas de c usto marginal correspo
ndentes ao m odelo "verdadeiro'' e “ i ncorreto” são mostradas na Figura 12.2.
]
Defasagens
Manipulação de dados
Transformação de dados
Considere o s eguinte modelo:
Yt‐1, Xt‐1, e u t‐
1 são conhecidos como os v alores defasados de Y, X , e U r e spectivamente. Ne
ste caso a d efasagem é d e u m p eríodo. Subtraindo (12.1.9) de (12.1.8), obtem
os:
Não‐estacionariedade
Lembre‐
se que uma série temporal é e stacionária se suas características (por exemplo,
média, variância e c ovariância) são invariantes no tempo, ou s eja, eles não mu
dam ao l ongo do t empo. Se i sso não acontecer, a s érie temporal é d ita não e
stacionária. Como veremos na P arte V, e m u m m odelo de r egressão na f orma
do nível como (12.1.8) é p ossível que tanto Y e X s e jam não‐
estacionárias e, portanto, o e rro u t ambém seja não‐
estacionário, e i rá e xibir autocorrelação.
Uma razão para usar o m odelo AR ( 1) não é a penas por sua simplicidade em
relação aos modelos AR de o rdem superior, mas também porque, mostrou ser
úti l em a plicações práticas.
Além disso, em geral não podemos prever se a v ariância dada por (12.2.7) ser
á maior ou m enor que a d ada por (12.2.8). É c laro que se ρ = 0 , a s d uas f
mulas coincidirão. Mas, como princípio geral, as duas variâncias não serão iguai
s.
Para dar uma i déia da diferença entre as variâncias (12.2.7) e ( 12.2.8), suponh
a que o r egressor X t ambém siga um p rocesso AR(1) com um c oeficiente de a
utocorrelação r. Pode‐se mostrar que (12.2.8) se r eduz a:
Em resumo: uma aplicação cega das fórmulas MQO usuais para calcular os desvios e
os erros padrão dos estimadores MQO estimadores pode levar a resultados
totalmente enganosos.
Onde C é u m f ator de c orreção que pode ser i gnorado na prática. Note que e
m (12.3.1) o s ubscrito t v ai de 2 a té n ( pois o e sti mador depende de y e x
efasados em um i nstante). A v ariância deste estimador é d ada por:
Onde D é u m o utro fator de c orreção, que também pode ser i gnorado na prá
tica.
O estimador β^2GLS , c omo o e xpoente sugere, é o bti do pelo método de m íni
mos quadrados generalizados. Como observado no Capítulo 11, o m étodo de m
ínimos quadrados generalizados quer incorporar quaisquer informações adicionai
s disponíveis (por exemplo, a n atureza da heterocedasticidade ou a a utocorrela
ção) diretamente no processo de e sti mação através da transformação das variá
veis, enquanto que os m ínimos quadrados ordinários esta informação não é d ir
etamente levada em c onsideração.
,
que tem praticamente a m esma forma que a d o e sti mador MQO, mas agora a
plicado às variáveist* ex yt*.
Também é i mportante notar que e m ( 12.3.1) e e m ( 12.2.6) os e sti madores est
ão expressos como funções das variáveis centradas em torno das suas médias
(expressas por letras minúsculas).
Nota técnica
O Teorema de M arkov fornece apenas uma condição suficiente para o e sti mad
or MQO ser BLUE. As c ondições necessárias e s ufi cientes para que e ste estima
dor seja BLUE são dadas pelo teorema de K rushkal, mencionado no c apítulo an
terior. Logo, em alguns casos o e sti mador MQO pode se B LUE apesar da autoc
orrelação. Mas, estes casos não são c omuns na prática.
1)EstimaçãoMQOlevandoemcontaaautocorrelação
A situação torna‐
se ainda pior se, além de u sarmos o e sti mador MQO na p resença de a utocorr
elação, deixarmos de c orrigir sua variância, isto é, c ontinuamos a u sar:
ado por:
Suponha que
ambos ρ e r s ã o p ositivos, o q ue é u sual no c aso de s éries econômica
OobjetivodesteexemploémostrarcomoousodoestimadorMQ
OnasituaçãodeerrosAR(1)tendeasubestimarσ2eVar(β^2).
Suponhaqueomodelorealéconhecidoedadopor:
Osεt
´sserãogeradosaleatoriamentedadistribuiçãoN(0,1)(usandooExce
l),eusamoscomovalorinicialε0=0.Noteque,apartirdag
eraçãodosεt
´sedeumvalorinicialparau,porexemplou0=5,podemosus
araequação(12.4.5)paragerarumasequênciadeutqueaprese
ntamcorrelaçãoserialdelag1.Ondeosεtsãoumruídobranco
commédiazeroevariância1.
Natabelaabaixoestãoosεt
´sgeradosaleatoriamentedadistribuiçãoN(0,1).
Apartirdestatabelapodemosgerarosutdeacordocomaequ
ação(12.4.5)eacondiçãoinicialu0=5.Porexemplo:
u1=0,7.u0+ε1=0,7(5)+(‐0,300)=3,200
u2=0,7.u1+ε2=0,7(3,200)+(‐1,278)=0,962 etc...
Apróximafiguramostraaevoluçãodosut´saolongodotempo.
SuponhaagoraqueosvaloresdeXsão1,2,...,50.Apartird
elesedosu
´sgeradosacimapodemos,apartirdaequação(12.4.3),obteros
Yt.Então,Yt=1+0,8.Xt+utparat=1,2,...,50.
Específicamente,
Y1=1+0,8+u1=1,8+u1=1,8+3,2=5
Y2=1+0,8(2)+u2=2,6+u2=2,6+0,962=3,562,et
c...
ApróximatabelaforneceosvaloresdeuteYtparat=1,2,..
.10.
OgráficodeYtémostradoaseguir(parat=1,2,...,50):
Nopróximopassoajustamosumaregressãoaosprimeiros25pares
(Xt,Yt).Veremosqueoresultadodestaregressãonãolembranemu
mpoucoaequaçãoverdadeiraE(Yt|Xt)=1+0,8*Xt.
OresultadodaregressãolinearnoExcelé:
OR2destaregressãoé86,6%.Notequeavariânciaestimada2ˆ
σé3,50(igualàRSS/(n‐
2)=80,48/23=3,50),umvalorMUITOdiferentedoreal.
Databelaacimanota‐
sequeaequaçãoestimadausandoosprimeiros25paresé:tt XY
*633,0516,2ˆ+=
eambososcoeficientesangularelinearsãosignificantes,dea
cordocomasestatísticastcorrespondentes.
ApróximafiguramostraosvaloresdeYteasretasreal(1+
0,8Xt)eajustadapelomodeloderegressãonos25primeirospontos
(2,516+0,633Xt).
AfiguraanteriorjustificaporqueoprocedimentodeMQOtendea
subestimaravariânciaseexisteautocorrelaçãodosresíduos.Note
queosresíduoscomputadosemrelaçãoàretavermelha(retaMQO
)tendemasermenoresqueosresíduoscalculadosemrelaçãoà
retareal(retaazul).Paraverificarisso,bastaselecionarumponto
YqualqueretraçaralinhaverticalentreYeareta
ajustadaMQO(ouentreYealinhaverdadeira–
linhaazul).Assim,osresíduosMQOnãofornecemumaboaestim
ativadoserrosui.
ConsidereumoutroexperimentodeMonteCarlo,usandoosmesmos
dadosqueantes,massuponhaqueρ
=0naequação(12.4.5),enãomais0,7comosupostonaexperi
ênciaanterior.Entãoosutsãoagoradescorrelatados,u1=ε1=
‐0,300,u2=ε2=‐1,278,etc...
Daí:
Y1=1+0,8+u1=1,8+u1=1,8–0,3=1,5
Y2=1+0,8(2)+u2=2,6+u2=2,6–1,278=1,322 etc...
AseguirajustamosaretaporMQOparaosprimeiros25pares(
Xt,Yt).Notequeagoraahipótesedeerrosdescorrelatadoséválida
eassimaretaajustadadeveseaproximardaretaverdadeira1
+0,8Xt.Os25valoresdeXeYsãomostradosnapróximata
bela:
Aequaçãoestimadausandoosprimeiros25paresé:
Notequeocoeficientelineardaregressãonãoésignificante(a5
%).OR2destaregressãoé96,7%(nocasoanteriorera86,6%).
Avariânciaestimada2ˆσé1,20(videtabelaANOVA),bemmaispr
óximadovalorverdadeiro(1).
Ográficoaseguirapresentaospares(X,Y)easretasrealea
justadaporMQO.
12.5. EXEMPLO ‐ RELAÇÃO ENTRE SALÁRIOS E PRODUTIVIDADE
NOS EUA
Osdadosdatabela12.4apresentamíndicesderemuneraçãorealp
orhora(Y)eproduçãoporhora(X)emempresasdosEUAno
períodoentre1959e1998.
Afiguraaseguirmostraestesdados.
Gujaratiajustadoismodelos,umlineareoutrolog‐
linear,comosresultadosmostradosaseguir.
1) Modelo linear
OndedéaestatísticadeDurbin‐
Watson,queserádiscutidaaseguirese(.)indicaoerropadrão
doestimador.
2) Modelo log‐linear
Asquestõesquesecolocamnapráticasão:
Osmodelosexibemresultadosparecidos.
Oscoeficientesestimados,avaliadospelasestatísticast,parecem
altamentesignificantes.Mas,atéquepontoosresultadosdas
regressões(12.5.1)e(12.5.2)sãoconfiáveis?
Aautocorrelaçãodeveserumproblemaaqui,poisambasas
sériesevoluemnotempo,enestasituaçãonãopodemosconfi
arnoserrospadrão(eassimasestatísticastproduzidastam
bémnãosãoconfiáveis).
1) Método Gráfico
Ográficodosresíduos(oudoquadradodosresíduos)podereve
laraexistênciadeautocorrelação.SENÃOEXISTEAUTOCORRELAÇÃ
O,ográficodosresíduosaolongodotempodeveserpurame
ntealeatório,comoseguinteaspecto:
Volteaoexemplodaseção12.5.econsidereomodelolinear(
12.5.1).Ográficodosresíduos(edosresíduospadronizados,i.e.,
divididospeloerropadrãodaregressãoσˆ)émostradoaseg
uir:
Notequeambososresíduos(“puro”epadronizado)exibemum
padrãoparecidocomodafiguraabaixo:
Ouseja,osresíduosparecemseguiropadrão:umasequênciad
evaloresnegativos,umasequênciadevalorespositivoseumas
equênciadevaloresnegativos.Estepadrãosugerequeosresíduo
snãosãopuramentealeatórios,ouseja,háumaindicaçãode
correlaçãoentreosresíduosdediferentesinstantes.
Umaformadetentarverificarissoéfazerográficodoresíduo
noinstantetcontraoresíduonoinstanteanterior.Seeste
gráficoapresentaumpadrãoclaramentenãoaleatório,háevidênci
adequeoresíduonoinstantetdependadoresíduonoinst
anteanterior,ouseja,háevidênciadeautocorrelaçãodelag1.
Ográficoaseguirmostraosresíduosnosinstantestet‐
1daregressãolinear(12.5.1).
Ográficomostraumpadrãolinearbastanteclaroentreu^(t)e
u^(t‐
1).Issoindicaumafortecorrelaçãopositivaentreosresíduos,e
portantoháevidênciadeautocorrelaçãonoserros(nãoobserváv
eis).
Naspáginasanterioresmostramosalgumasmaneirasdetentardete
ctaraautocorrelaçãonoserrosapartirdegráficosdosresídu
os.Oproblemaéqueestasanálises,emboramuitoimportantes,
sãobastanteempíricasesubjetivas,nãoháuma“receita”infalí
velparadizerinequivocamentequeaautocorrelaçãoexisteounã
o.
Otestedascarreiras(tambémconhecidocomtestedeGearyou
testedeWald‐
Wolfowitz)éumtestedealeatoriedade,eseráaplicadoaosresí
duosdomodelo.Elesebaseianosinaldosresíduosdaregress
ão.Lembre‐
sequeosresíduostêmmédiazero,eassimoqueotestev
erificaéseospadrõesderesíduosacimaeabaixodamédia
(zero)sãoaleatórios.Otestepodeserestendidoasériescom
médiasdiferentesdezero,bastaaplicarotesteàsériecom
amédiasubtraída.
Nocasodaregressão(12.5.1)existem40resíduos,queapresenta
moseguintepadrão:
9resíduosnegativos
21resíduospositivos
10resíduosnegativos
Definição (“carreira”)
Umacarreira(“run”)éumasequênciaininterruptaderesultadoscom
omesmosinal.Aextensãodacarreiraéonúmerodeelemento
squeacompõem.Nocasodosresíduosdaregressão(12.5.1)exis
tem3carreiras,aprimeiradeextensão(comprimento)9,asegunda
decomprimento21eaterceiradecomprimento10.Seráquee
stas3carreirassecomportammaisoumenosdamesmaformaq
ueumasequênciade3carreirasde40observaçõesaleatórias?
Sejam:
N=númerototaldeobservações=N1+N2
N1=númerodesinaispositivos
N2=númerodesinaisnegativos
R=númerodecarreiras
Considereahipótesenuladequeosresultadossucessivossãoinde
pendentes.Suponhaque
AMBOSN1eN2>10.Nestascondições,onúmerodecarreir
as®éassintoticamenteNormalcommédiaevariância:
Sobahipótesenuladealeatoriedadeeusandoumintervalodeco
nfiança95%então:
Ouseja,Restánointervalodescritoacimacom95%deprobabilidade.Logo,
REJEITA‐
SEAHIPÓTESEDEALEATORIEDADEDASCARREIRAS(COMNÍVEL5%)SEOI
NTERVALODESCRITOEM(12.6.3)NÃOCONTÉMR.
Nosresíduosdaregressão(12.5.1),N1=21,N2=19,N=21
19=40eR=3.Então:
Logo,oIC95%paraRé:
(20,95–
1,96*3,11,20,95+1,96*3,11)=(14,85,27,05) que obviame
ntenãoincluiR=3.
Logo,rejeitamosahipótesedequeosresíduosdaregressão(12.5.1
)sãoaleatórios,ousejam,elesapresentamalgumtipodecomporta
mentosistemático.
Nota
OtesteapresentadoéválidoquandoambosN1eN2>10.
SwedeEisenhartelaboraramtabelasparavaloresmenoresqueestes.
AstabelasestãonoapêndiceD.6deGujaratiesãoreproduzidas
aseguir.AstabelasD.6AeD.6Bfornecemonúmerocríticon
decarreiras.Senémenorqueovalor
emD.6AoumaiorqueovaloremD.6B,rejeita‐
seahipótesedealeatoriedadeaonível5%,
Porexemplo,suponhaqueexistemN=30observações,dasquais
N1=20sãopositivaseN2=10sãonegativas.Então,seolharmospara
astabelasanteriores,rejeita‐
seahipótesedealeatoriedadeseR<=9(tabelaD.6A)ouR=>
20(tabelaD.6B).