Heterocedasticidade

● O que é?

- Quando a variância do erro dado o X não é constante, ou seja, a variância do

erro varia para cada observação.

- Mesmo sobre Heterocedasticidade, MQO não deixa de ser não tendencioso e

consistente, além disso a interpretação de R² não é alterada.

- A presença de Heterocedasticidade é maior em dados cross-section do que em

dados de séries temporais, porque no caso dos dados cross-section há maior
diferença entre os indivíduos uma vez que há um número maior deles, como nas
séries temporais tratamos apenas com um indivíduo ao longo do tempo esse
efeito é menos provável.

● Que situações podem trazer a Heterocedasticidade em dados amostrais?

- Modelo aprendizagem erro: Na medida que se vai aprendendo a tendência é

se errar cada vez menos.

- Restrições no modelo: O valor da variável pode variar muito quando olhamos

para uma leitura específica. Exemplo: Se fizermos uma regressão do consumo
em função da renda, ocorre que os ricos têm um portfólio de gastos de consumo
muito mais disperso do que os mais pobres, que são mais constantes.

- Outliers: Causam uma grande dispersão, afetam a média, consequentemente

afetam a variância, uma vez que essa depende da diferença para a média.

- Omissão de variável relevante: Quando isso acontece a variação da variável

omitida vai para dentro do termo do erro, consequentemente causando uma
variação do termo do erro para cada diferente observação.

● Quais as consequências da Heterocedasticidade para os estimadores de

MQO?

- Invalida as fórmulas da variância dos estimadores de MQO, uma vez que essas
dependem de sigma.
 - Os testes F e t passam a ser inválidos, uma vez que essas dependem também
do erro padrão, que por sua vez depende de sigma.

- MQO não é mais o melhor estimador linear não viciado (BLUE), pode haver
estimadores mais eficientes, uma vez que no MQO não haverá mais variância
mínima.

- O vício se dá quando a esperança do erro é diferente de 0, a

heterocedasticidade altera MQO no sentido de que ele não terá mais variância
mínima.

● Como verificar o problema da heterocedasticidade?

- Teste de Breusch-Pagan (BP):

Esse teste parte do pressuposto que os erros têm de seguir distribuição normal.

Teste de hipótese na qual a hipótese nula diz que o erro é homocedástico.

Esse teste funciona da seguinte forma: Estimamos a regressão inicial, obtemos um

resíduo, que é uma estimativa do erro populacional, e então usamos esse resíduo ao
quadrado como uma proxy para a variância do erro. Fazemos isso para cada
observação, fazendo uma estimativa do resíduo ao quadrado contra o modelo original.

Se todos os coeficientes de regressão forem 0, então a variância do erro é constante, e

H0 não é rejeitado. Esse teste de hipótese pode ser feito tanto na estatística F, quanto
na estatística calculada LM.
 - Teste de White

Quando não estamos trabalhando com erros que seguem distribuição normal, podemos
fazer o teste de White.

Esse teste segue a princípio a mesma estrutura que o teste BP, porém a diferença
crucial é que não vamos regredir o erro padrão ao quadrado apenas ao regressores
originais, mas também aos regressores ao quadrado e aos termos de interações entre
os regressores.

Da mesma forma, o teste é feito com a hipótese nula formulando que todos os
coeficientes de regressão são iguais a 0, logo os erros seguiram homocedasticidade.

O problema da formulação desse teste é o número muito grande de parâmetros, que

pode se agravar ainda mais com um número elevado de variáveis, gerando perda de
graus de liberdade.
 ● Como resolver o problema da heterocedasticidade?

- Variância robusta:

Através da estimativa de uma variância do beta que variância seja robusta, ou seja,
válida mesmo na presença de heterocedasticidade.

Fórmula da variância robusta de White. Pode ser aplicada a raiz para obter o erro
padrão robusto de White, possibilitando o cálculo das estatísticas de teste t usuais.

Em geral, a variância robusta é menor do que a variância de MQO com

heterocedasticidade, mas pode ser que a variação robusta seja maior.

- Mínimos quadrados ponderados

Precisamos saber quem está causando o problema, a dizer, a heterocedasticidade,

para isso ela vai ser representada pela forma funcional h(xi).

Esse modelo funciona com base na transformação de variáveis, no qual as variáveis

originais são divididas pela raiz da forma funcional da heterocedasticidade (hi).
O modelo transformado será homocedástico pois ao dividir pela forma funcional da
heterocedasticidade, eliminamos a variação do erro:

Mas como achamos a forma funcional da heterocedasticidade (hi) quando não a

conhecemos?

Podemos estimar:
Porém, mesmo que não especifiquem de forma correta a forma funcional da
heterocedasticidade, o MQP ainda será consistente, porém os erros padrões não serão
ideais, sendo necessária a correção destes, por meio, por exemplo, do erro padrão
robusto.

● Heterocedasticidade no contexto matricial:

No modelo matricial dado por homocedasticidade, temos a variância do erro dada por
2
E[ƐƐ’] = Var [Ɛ] = σ I, assim temos uma matriz onde a diagonal principal é formada por
2
σ e os outros valores são todos 0. Podemos entender que esses valores que estão fora
da diagonal principal representam as covariâncias entre os erros, no caso da ausência
de correlação entre os erros, eles são 0, mas na presença de correlação entre os erros,
esse números assumirão valores distintos.

2
Em um contexto de heterocedasticidade, a variância do erro dado X será dada por σ Ω
2
ao invés de σ I, onde Ω≠ I, e os valores da diagonal principal não assumem valores
iguais.

O traço de uma matriz é a soma dos elementos da diagonal principal, no caso da matriz
em heterocedasticidade, teremos que o traço Ω= n, onde Ω é uma matriz nxn. Então
teremos que como fazer uma ‘normalização’ para impedir indeterminações na matriz Ω,
2 2
dessa forma, tr(σ I) = nσ .

Se não possuirmos homocedasticidade no contexto matricial, então não podemos ter

2 −1 2
que var[b] = σ (𝑋'𝑋) uma vez que para isso precisamos da suposição que Var [Ɛ] = σ
−1
I, logo o uso de s²(𝑋'𝑋) para estimar a var[b] é inapropriado.

● Mínimos quadrados generalizados no contexto matricial:

No modelo de mínimos quadrados generalizados matricial, ele continua não

tendencioso, uma vez que a existência ou não de viés depende da propriedade da
esperança do erro dado X ser igual a 0. Podendo ser provado por:
E também manterá a consistência, que pode ser provado por meio de:

Onde todos os valores exceto Ω são não-estocásticos, então para provar a consistência
dividimos por n, logo dependemos apenas de Ω, que se este for uma constante e n
subir ao infinito, teremos consistência.

White desenvolveu uma forma de estimar a variância de beta, por meio do uso do
2
termo do erro como uma proxy para σ :

Por meio desse estimador, encontramos erros padrão robustos.

 - Agora é quando realmente entramos em MQG

Na abordagem de MQG, nós transformamos as variáveis para levar em conta o efeito

da forma funcional da heteroscedicidade. Nos termos matriciais, essa transformação
−1/2
vai ser representada por um vetor P, onde esta matriz é dada por Ω .

Dessa forma o modelo transformado vai ser dado por:

Questões extras: