Você está na página 1de 4

Problemas de especificação do modelo

Há vários tipos de erros de especificação de modelo, dentre eles:

● Formas funcionais que não estão na forma adequada

Caso haja um problema com o modelo que desejamos rodar, podemos utilizar o ​teste
RESET de Ramsey, incluindo dentro da regressão as estimativas de y elevadas ao
quadrado e ao cubo e testamos se esses termos podem ser excluídos sem afetar a
regressão, se não puderem é porque há um problema de especificação da forma
funcional do modelo. Esses testes serão feitos por meio do teste da hipótese nula de
que os coeficientes que acompanham essas novas variáveis são conjuntamente iguais
a 0, se h0 for rejeitada, então há problema da forma funcional.
No exemplo:

Temos que no primeiro caso, o valor P mostra que rejeitamos a hipótese nula com um
⍺ de 5%, logo há um erro de forma funcional do modelo.

Já no segundo caso, mudamos a forma funcional do modelo ao aplicar log nas


variáveis contínuas, o que faz com que a hipótese nula não seja rejeitada em ⍺ = 5%,
mas ainda seja rejeitada em ⍺ = 10%.

Há no entanto algumas observações sobre o teste reset:

1. Incluir mais termos de ordem superior pode acarretar em perdas de grau de


liberdade.
2. Embora o teste consiga apontar que há um problema na forma funcional, ele não
aponta diretamente para onde está o problema na forma, deixando isso a cargo
do pesquisador.
3. É um teste feito para testar a forma funcional, não é 100% eficaz para testar
variável omitida ou heteroscedasticidade.

Outro teste possível é o ​teste do multiplicador de Lagrange​, que é um teste onde ao


invés de estimar a regressão comum você estima o resíduo, e utiliza as variáveis ao
quadrado e ao cubo. Depois faz-se o teste de hipótese usando a distribuição qui
quadrado.

Um modelo aninhado na econometria é quando um modelo é funcionalmente uma


cópia do outro. No entanto, quando mudamos a forma funcional de um modelo, ele
deixa de ser aninhado com o outro modelo. Podemos usar isso para fazer um ​teste de
alternativas não aninhadas​, onde testamos um modelo geral que inclui ambas as
formas funcionais, depois fazemos dois testes de hipóteses diferentes para testar quais
formas funcionais são válidas.

No entanto, não podemos comparar modelos que tenham formas funcionais diferentes
da variável dependente, nem modelos que possuem número de observações
diferentes.

Outra forma de resolver o problema de forma funcional do modelo é através do uso de


variáveis proxy para substituir as variáveis explicativas não observadas. Porém é
importante que a proxy não tenha correlação com o termo do erro, e também que a
proxy seja boa o suficiente para não termos que incluir outras variáveis para
representar a variável que desejamos representar.

A variável proxy assume a seguinte forma:

Logo, teremos um novo modelo dado por:


Porém o uso de proxy pode acarretar em problemas de ​erros de medida​, no sentido
de que a proxy nunca vai representar de forma 100% fiel a variável que queremos
representar, mesmo sendo uma boa aproximação, por isso o valor medido sempre terá
um medo de medição em referência ao valor verdadeiro.

No caso de um erro de medida na variável explicada, a consequência desse tipo de


erro será que haverá uma maior imprecisão, visto que haverá uma maior variância.

Já no caso em que o erro de medida é na variável explicativa haverá um problema


mais grave, uma vez que haverá correlação entre a variável explicativa e o novo termo
do erro, assim o MQO se tornará enviesado e inconsistente.

● Outliers

Outliers são valores discrepantes na amostra.

O outlier pode alterar o coeficiente angular de uma regressão, causando distorções


quanto ao efeito de uma variável sobre a variável explicada. O outlier diminui a
covariância entre X e Y e aumenta a variância de X.

Esse problema pode ser resolvido por meio do uso de uma variável dummy para
designar o ponto discrepante como tal.

● Dados ausentes e amostragem não aleatória

● Exclusão de variáveis, que acaba causando viés;

● Inclusão de variáveis desnecessárias.