Escolar Documentos
Profissional Documentos
Cultura Documentos
Econometria
Alexandre Gori Maia
Ementa:
• Definição;
• Identificação: Análise Gráfica, Goldfeld-Quandt, Breusch-Pagan, White;
• Correção: MQP e MQGF;
• Estimadores Robustos para a Variância;
Bibliografia Básica:
- Maia, Alexandre Gori (2017). Econometria: conceitos e aplicações. Cap. 12.
Análise Goldfeld- Breusch- Estimador
Definição Gráfica Quandt Pagan
White MQP MQGF
Robusto
Teorema de Gauss-Markov
1) Relação linear entre os regressores x e Y:
O modelo só é válido para relações lineares.
2) Os valores de x são fixos em repetidas amostras, não aleatórios:
Quem varia é o regressando, o regressor é fixo, qualquer que seja a amostra. Em
outras palavras, dados os valores controlados de x, Y variará aleatoriamente
segundo uma distribuição de probabilidade, com valor esperado dado por E(Y|x).
Heterocedasticidade - Definição
Homocedasticidade:
A variância dos erros e, condicionada aos valores das variáveis explanatórias, será
constante.
Var(ei / X 1i , X 2i ,..., X ki ) = s 2
Heterocedasticidade:
A variância dos erros será diferente para cada valor condicional de Xji.
Var (ei / X1i , X 2i ,..., X ki ) = s i2
Homocedasticidade Heterocedasticidade
Y Y
E(Y2) E(Y2)
Var(e2)=s2
E(Y1) E(Y1) Var(e2)=s22
Var(e1)=s2
Var(e1)=s21
X1 X2 Xj X1 X2 Xj
Análise Goldfeld- Breusch- Estimador
Definição Gráfica Quandt Pagan
White MQP MQGF
Robusto
Heterocedasticidade - Causas
Principais causas da heterocedasticidade:
- Natureza das variáveis: alguns relacionamentos apresentam tipicamente
tendência à heterocedasticia. Por exemplo, renda e poupança.
Yi = a + bX i + ei Var(ei ) = s i2
- Valores extremos: a ocorrência de um valor extremo na amostra pode inflacionar
a variabilidade em um determinado ponto do ajuste.
- Falhas na especificação do modelo: a heterocedasticidade pode também ser
devida à omissão de importantes variáveis no modelo.
Yi = a + bX i + ei Yi = a + b1 X i + b 2 X i2 + ei
- Transformação dos dados: a transformação das variáveis (por exemplo,
proporção ao invés de valores absolutos) ou da forma funcional (modelo log-duplo
ao invés de linear) pode eliminar a heterocedasticidade.
Yi = a + bX i + ei ln(Yi ) = a + b ln( X i ) + ei
Análise Goldfeld- Breusch- Estimador
Definição Gráfica Quandt Pagan
White MQP MQGF
Robusto
Consequências - Ineficiência
Ineficiência dos Estimadores de MQO
Na presenção de heterocedasticidade nos erros, os estimadores de MQO continuam
sendo não viesados e consistentes, mas deixam de ser eficientes (ou seja, não
possuem mais variância mínima). Em outras palavras, seja b^ o estimador de
MQO, então existe outro estimador b^* tal que:
Var ( bˆ *) < Var ( bˆ )
Homocedasticia Heterocedasticia
Intervalo de
Y Variação das
Intervalo de Y Intervalo de
Variação das Variação das
estimativas de estimativas de estimativas de
outro método MQO MQO
Intervalo de
Variação das
estimativas de
um método
X mais eficiente X
Análise Goldfeld- Breusch- Estimador
Definição Gráfica Quandt Pagan
White MQP MQGF
Robusto
Consequências – Tendenciosidade
Tendenciosidade da Variância dos Estimadores:
Outra importante consequência da heterocedasticidade é o viés do estimador da
variância de ",! mesmo para amostras grandes (inconsistência). Como resultado, as
estatísticas de teste t e F deixam de ser válidas, pois dependem da variância do
estimador. Em outras palavras, na presença de heterocedasticidade teremos:
E (S b2ˆ ) ¹ Var( bˆ )
Seja o modelo: Yi = a + bX i + ei
não viesado na ausência de
åi=1 xi yi
n
ŝ 2
Pelo MQO: b̂ = e S b2ˆ = heterocedasticidade e
åi=1 xi2
n
å
n 2
i =1
xi viesado na sua presença
No caso de s2
Var (ei ) = s 2 Var ( bˆ ) =
åi=1 xi2
n
homocedasticia:
å
n
No caso de x si
2 2
Var ( bˆ ) = i =n1
i
heterocedasticia: Var(ei ) = s i2
(åi =1 xi2 ) 2
Análise Goldfeld- Breusch- Estimador
Definição Gráfica Quandt Pagan
White MQP MQGF
Robusto
Identificação
Principais testes para se detectar a heterocedasticidade:
Análise gráfica: ê2 ´ Xj
Teste Goldfeld-Quandt
Identificação
Teste de White
Análise Goldfeld- Breusch- Estimador
Definição White MQP MQGF
Gráfica Quandt Pagan Robusto
Análise Gráfica
Homocedasticidade Heterocedasticidade
ê2 ê2
A dispersão A dispersão
dos resíduos é dos resíduos é
a mesma ao uma função
longo de X linear de X
σ i2 = σ 2 X i
σ 2 = constante
X X
Heterocedasticidade Heterocedasticidade
ê2 ê2 A dispersão dos
A dispersão resíduos cresce
dos resíduos de maneira
é uma função quadrática com
quadrática de os valores de X
X σ i2 = σ 2 X i2
σi = α1 X i + α2 X i2
2
X X
Análise Goldfeld- Breusch- Estimador
Definição White MQP MQGF
Gráfica Quandt Pagan Robusto
Análise Gráfica
Sejam os dados de 40 famílias para gastos com alimentação (Y) e renda (X):
A dispersão dos resíduos em função da variável X (renda) sugere que, à medida que a
renda cresce, a dispersão dos resíduos também aumenta, indicando a presença de
heterocedasticidade, em uma relação aparentemente linear.
Análise Goldfeld- Breusch- Estimador
Definição White MQP MQGF
Gráfica Quandt Pagan Robusto
Y Teste de Goldfeld-Quandt
Sejam os valores da amostra:
Regressão 1
Y1 Y2 ... Yn
X1 X2 ... Xn Onde: X1<X2<...<Xn
A omissão de c observações centrais objetiva acentuar a diferença
entre o grupo com variância pequena (SQReg1) e com variância
Regressão 2 grande (SQReg2).
X
Para testar a hipótese nula da homocedasticia: Fgl , gl
ìï H 0: σ12 = σ 22 SQRes2 / gl n-c
F= onde gl = - (k + 1)
í 2 p
ïî H1: σ12 < σ 22 SQRes1 / gl
F
Teste de Goldfeld-Quandt
Sejam os gastos de 40 famílias com alimentação em função da renda:
Das 40 observações originais, foram eliminadas 6
observações centrais para dar mais poder ao teste.
Restaram dois subconjuntos com 17 observações cada.
ê2
Teste de Breusch-Pagan
Seja o modelo de RLM com k=2:
Yi = a + b1 X1i + b 2 X 2i + ei
Par verificarmos se os resíduos quadráticos têm
relação com os regressores:
eˆi2 = d 0 + d1 X1i + d 2 X 2i + ui
Xj Onde k é o número de
variáveis explanatórias,
Para testar a hipótese nula da homocedasticia: c k2 R2aux o coeficiente de
ìH 0 : d1 = d 2 = 0 2
LM = n ´ Raux
determinação do ajuste
í p auxiliar e n o número de
îH1 : d j ¹ 0 2
observações
n´ Raux
12,0
A probabilidade de erro ao rejeitar H0 é de apenas 0,05%. Em
outras palavras, há fortíssimas evidências para afirmarmos que os
erros são heterocedásticos pois ao fazermos tal afirmação
estaríamos sujeitos a uma chance de erro de apenas 0,05%.
Análise Goldfeld- Breusch- Estimador
Definição
Gráfica Quandt Pagan White MQP MQGF
Robusto
Teste de White
ê2 Seja o modelo de RLM com k=2:
Yi = a + b1 X1i + b 2 X 2i + ei
Para verificar se os resíduos quadráticos têm relação com os
regressores, seus quadrados e seus produtos cruzados:
Correção Heterocedasticidade
Dada a equação de RLM: A equivalente matricial:
é1 v1 0 0 0 ù
ê ú
Então: Λy = ΛXβ + Λe em que Λ = ê
0 1 v2 0 0 ú e Λ T Λ = V -1
ê 0 0 ... 0 ú
ê ú
êë 0 0 0 1 v2 úû
MQGF - V Desconhecida
Mínimos Quadrados Generalizados Factíveis (MQGF):
Seja o modelo de RLM:
y = Xβ + e com heterocedasticidade dada por: Var(ei ) = vis 2
Caso o fator vi seja desconhecido, podemos estimá-lo a partir da relação da
dispersão dos resíduos de MQO com as variáveis X do modelo. Há várias
especificações que podem ser assumidas. Uma estratégia simples é assumir que a
dispersão seja uma função logarítmica de X:
dˆ0* +dˆ1X1i +...+dˆk X ki
ln(eˆi2 ) = d 0* + d1 X1i + ... + d k X ki + ui* vˆi = e
A transformação exponencial garante que todas as estimativas de "! sejam positivas
(variância não assume valores negativos!).
As estimativas de vi podem ser substituídas na matriz de ponderações V, agora
^
denominada V, para obtermos os estimadores consistentes (embora possam ser
viesados) de Mínimos Quadrados Generalizados Factíveis:
βˆ = ( XT V
ˆ -1X) -1 XT V
ˆ -1y
Análise Goldfeld- Breusch- Estimador
Definição
Gráfica Quandt Pagan
White MQP MQGF Robusto
Estimadores Robustos
Estimadores da Variância Robustos à Heterocedasticidade - White:
Seja o modelo de RLS:
Yi = a + bX i + ei com heterocedasticidade dada por: Var(ei ) = vis 2
Embora os estimadores de MQO para b continuem não viesados, os estimadores
de suas variâncias seriam viesados.
Um estimador robusto da variância do estimador ", ! ou seja, igualmente válido na
presença ou não de heterocedasticidade, pode ser dado por:
å å
n n
x s
2 2
xi
2 2
eˆi
ˆ
Var ( b ) = i =1 i i 2
S bˆ * = i =1
Yi = a + å j =1 b j X ji + ei
k Xj em função das demais
S b2ˆ* =
(åi =1uˆ 2ji ) 2
n
j variáveis independentes
(åi =1 xi2 ) 2
n
(1.532.463) 2