Econometria Heterocedasticidade

Heterocedasticidade
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
Modelo Clássico de Regressão Linear

1) Relação Linear entre X e Y:
O ajuste só é válido para relações lineares.
Modelo Clássico de Regressão Linear
2) Os valores de X são fixos em repetidas amostras, não aleatórios:

Quem varia é o regressando, o regressor é fixo e dado, qualquer que seja a
amostra. Fazemos a pressuposição que dado um valor de X, Y irá variar
segundo uma distribuição de probabilidade com valor esperado dado por E(Y|Xi).
3) Esperança condicional dos erros igual a zero, ou seja, E(e|xi)=0:

É a mesma coisa afirmar que E(Y|xi)=xi´b.
4) A variabilidade dos erros é constante, ou seja, E(ei2)=s2
Os erros são homocedásticos, ou seja, sua variância é a mesma para qualquer X.
5) Os erros são não autocorrelacionados, ou seja, E(eiej)=0:
Não há relação entre valores ordenados dos erros segundo tempo ou espaço.
6) Os erros apresentam distribuição normal:
Não é um pressuposto necessário para que os estimadores de MQO sejam
MELNV, mas necessário para que as inferências sejam válidas.
2/23
White MQP MQGF
Robusto
Heterocedasticidade - Definição
Homocedasticidade:
A variância dos erros e, condicional 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 3/23
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
4/23
White MQP MQGF
Robusto
Heterocedasticidade - Consequências
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
5/23
White MQP MQGF
Robusto
Heterocedasticidade - Consequências
Tendenciosidade da Variância dos Estimadores:
Outra importante consequência da heterocedasticidade é o fato de as estimativas dos
erros padrão e de as estatísticas de teste t e F não serem mais válidas, mesmo para
amostras grandes, já que a estimativa da variância dos estimadores dos coeficientes
será viesada. 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
6/23
White MQP MQGF
Robusto
Identificação
Principais testes para se detectar a autocorrelação:
Análise gráfica: ê2 ´ Xj
Teste Goldfeld-Quandt
Identificação
Testes Teste de Breusch-Pagan

Paramétricos
Teste de White
7/23
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
8/23
Análise Gráfica
Sejam os gastos de 40 famílias com alimentação em função da renda:
Gasto Alimenti = 40,8 + 0,13 Rendai + eî

σ i2 = σ 2 X i
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.
9/23
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
Passos para efetuar o teste de Goldfeld-Quandt

1- Ordenar as observações da amostra de acordo com os valores de X;
2- Omitir c observações centrais para dar mais poder ao teste (c costuma ser igual a 4 para n=30 e
c=10 para n=60) e separar observações em duas subamostras de (n-c)/2 observações;
3- Ajustar uma regressão para cada subamostra (cada regressão terá k variáveis independentes);
4- Testar hipótese da igualdade dos erros quadráticos médios a partir da estatística F.
10/23
Teste de Goldfeld-Quandt
Das 40 observações originais, foram eliminadas 6
observações centrais para dar mais poder ao teste.
Restaram dois subconjuntos com 17 observações cada.
Regressão 1 ìï H 0: σ12 = σ 22 estatística sˆ 22 2629,9

í F= 2 = = 4,99
ïî H1: σ12 < σ 22 de teste: s1
ˆ 526, 7
Regressão 2 E para calcular a probabilidade de erro do tipo I:
F15,15 Rejeita-se H0, ou seja, pode-se afirmar

que há diferença entre as variâncias
(heterocedasticidade) com uma
0,0017 probabilidade de erro de apenas 0,17%
4,99
Amostra 1 Amostra 2
Gasto Alimenti = 12,6 + 0,18 Rendai + eî Gasto Alimenti = 75,1 + 0,09 Rendai + eî
Fonte gl SQ QM F p Fonte gl SQ QM F p
Regressão 1 5967,2 5967,2 11,33 0,0042 Regressão 1 2308,6 2308,6 0,88 0,3636
Resíduos 15 7900,0 526,7 Resíduos 15 39449,1 2629,9
Total 16 13867,2 Total 16 41757,7
11/23
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:
eî2 = 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
Passos para efetuar o teste de White

1- Estimar os resíduos do ajuste de MQO para o modelo original de RLM;
2- Ajustar um modelo auxiliar relacionando o quadrado dos resíduos às variáveis independentes
do modelo original;
3- Calcular a estatística LM pelo produto do número de observações e o R2 do ajuste auxiliar;
4- Calcular o valor p associado à estatística em uma distribuição c2 com gl dado pelo número de
variáveis explanatórias; 12/23
Teste de Breusch-Pagan - Exemplo

Do ajuste original por MQO obtivemos:
A partir dos resíduos de MQO, ajustamos o seguinte modelo auxiliar:
eî2 = d 0 + d1Rendai + ui eî2 = -2,279,5 + 5,21Rendai + uî 2
Raux = 0,301
O teste de hipóteses será dado por:
c12
ìH 0 : d1 = 0 2
í n ´ Raux = 40 ´ 0,301 = 12,0
îH1 : d1 ¹ 0 0,0005
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%.
13/23
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
Par verificarmos se os resíduos quadráticos têm relação com
os regressores, seus quadrados e seus produtos cruzados:
eî2 = d 0 + d1 X1i + d 2 X 2i + d 3 X1i X 2i + d 4 X12i + d 5 X 22i + ui

Xj Onde h é o número de
Para testar a hipótese nula da homocedasticia: c h2 variáveis explanatórias,
R2aux o coeficiente de
ìH 0 : d1 = ... = d 5 = 0 2
LM = n ´ Raux determinação e n o número
í p
îH1 : d j ¹ 0
de observações, todos
2 referentes ao ajuste
n´ Raux
auxiliar
Passos para efetuar o teste de White
1- Estimar os resíduos do ajuste de MQO para o modelo original de RLM;
2- Ajustar um modelo auxiliar relacionando o quadrado dos resíduos às variáveis independentes
do modelo original, seus quadrados e produtos cruzados;
3- Calcular a estatística LM pelo produto do número de observações e o R2 do ajuste auxiliar;
4- Calcular o valor p associado à estatística em uma distribuição c2 com gl dado pelo número de
variáveis explanatórias do ajuste auxiliar; 14/23
Definição
White MQP MQGF
Robusto
Teste de White - Exemplo

Do ajuste original por MQO obtivemos:
A partir dos resíduos de MQO, ajustamos o seguinte modelo auxiliar:
eî2 = d 0 + d1Rendai + d 2 Rendai2 + ui

2
eî2 = 1923,5 - 7,42 Rendai + 0,01Rendai2 + uî Raux = 0,366
O teste de hipóteses será dado por:

c 22
ìH 0 : d1 = d 2 = 0 2
í n ´ Raux = 40 ´ 0,366 = 14,6
îH1 : d j ¹ 0 0,0008
14,58
A probabilidade de erro ao rejeitar H0 é de apenas 0,08%. 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 0,08%. 15/23
Definição
White MQP MQGF
Robusto
Correção Heterocedasticidade
Dada a equação de RLM: A equivalente matricial:
Yi = a + b1 X1i + ... + b 2 X ki + ei y = Xβ + e
Haverá heterocedasticidade quando: Haverá heterocedasticidade quando:
Var(ei ) = E (ei2 ) = s i2 és 12 0 0 0 ù év1 0 0 0 ù

ê ú ê
ê 0 s 2
0 0 ú ê 0 v2 0 0 úú 2
Que pode ainda ser representado por: T
Var(e) = E (ee ) = 2
= s = Vs 2
ê0 0 ... 0 ú ê 0 0 ... 0 ú
onde o fator vi indica ê ú ê ú
E (ei2 ) =s 2
vi como varia a variância ëê 0 0 0 s n2 úû ë 0 0 0 vn û
de e para cada
observação Se conhecemos V podemos corrigir a equação por:
Se conhecemos vi, podemos
corrigir o modelo pela equação: é1 v1 0 0 0 ù
X1 Xk ê ú
Yi 1 e 0 1 v2 0 0 ú
=a + b1 i + ... + b 2 i + i Λy = ΛXβ + Λe onde Λ = êê
vi vi vi vi vi 0 0 ... 0 ú
ê ú
Pois, nessa equação, os erros êë 0 0 0 1 v2 úû
serão homocedásticos:
Pois:
éæ ö
2ù
e 1
E êç i ÷ ú = E (ei2 ) = s 2 E ( ΛeeT Λ) = ΛVΛs 2 = Is 2
êçè vi ÷ø ú vi
ë û 16/23
Definição
White MQP MQGF
Robusto
Mínimos Quadrados Ponderados

Definição:
Uma vez conhecida a matriz V de variâncias e convariâncias do erros de um
modelo de RLM, podemos obter os MELNV transformando as variáveis originais
pela matriz L, tal que LTL=V–1. Em outras palavras, seja o modelo:
y = Xβ + e onde Var (e) = E (eT e) = Vs 2
Então:
Λy = ΛXβ + Λe onde ΛT Λ = V -1
Apresentará erros homocedásticos, pois: E ( ΛeeT Λ) = ΛVΛs 2 = Is 2
Os estimadores de MQP serão:
βˆ = ( XT Λ T ΛX) -1 XT Λ T Λy = ( XT V -1X) -1 XT V -1y

Analogamente, teremos:
T -1 -1 2
SQRes = y T V -1y - βˆ T XT V -1y e S ˆ = ( X V X) sˆ
2
b
Esse método é denominado de Mínimos Quadrados Ponderados (MQP), um
caso específico do método de Mínimos Quadrados Generalizados (MQG).
17/23
Definição
White MQP MQGF
Robusto
MQP - V Conhecida
Mínimos Quadrados Ponderados:
Seja o modelo de RLM:
y = Xβ + e com heterocedasticidade dada por: Var(ei ) = vis 2
Então teremos: év1 0 0 0 ù
ê0 v 0 0 ú
Var (e) = ê 2 ús 2 = Vs 2
ê 0 0 ... 0 ú
ê ú
ë 0 0 0 v n û
Sabemos, nessas circunstâncias, que os estimadores de MQP serão os MELNV:
βˆ = ( XT V -1X) -1 XT V -1y
Caso vi seja conhecido, a matriz V–1 será dada por:
é1 v1 0 0 0 ù
ê 0 1v 0 0 ú
V -1 = ê 2 ú
ê 0 0 ... 0 ú
ê ú
ë 0 0 0 1 vn û
18/23
Definição
White MQP MQGF
Robusto
MQP com V conhecida - Exemplo

As estimativas de MQO foram:
Supondo agora que:
Var(ei ) = X is 2
Teremos a seguinte matriz de Var-Cov dos erros:
é X 1 ... 0 ù é1 X 1 ... 0 ù
Var (e) = êê ... ... ... úús 2 = Vs 2 e V -1 = êê ... ... ... úú
êë 0 ... X 40 úû êë 0 ... 1 X 40 úû
As estimativas de MQP seriam:

é31,9ù é 323,5 - 0,46 ù
βˆ = ( XT V -1X) -1 XT V -1y = ê ú
e Sβˆ2 = ( XT V -1X) -1sˆ 2 = ê ú
ë0,14û ë - 0, 46 0,0007 û
SQRes y T V -1y - βˆ T XT V -1y
sˆ =
2
= = 1,808
n - k -1 38 19/23
Definição
White MQP MQGF Robusto
MQGF - V Desconhecida
Mínimos Quadrados Generalizados Factíveis:
Seja o modelo de RLM:
y = Xβ + e com heterocedasticidade dada por: Var(ei ) = vis 2
Caso o fator vi seja desconhecido, podemos supor que a variabilidade dos erros
seja uma função das variáveis independentes:
d0 +d1X1i +...+d k X ki ln(ei2 ) = d 0* + d1 X1i + ... + d k X ki + ui*
ei2 =e ui
E ajustar a função linear deste modelo a partir dos resíduos de MQO:
ln(eî2 ) = d 0* + d1 X1i + ... + d k X ki + ui* d*0 e u*i são o intercepto e erro do modelo linear
Uma vez estimada esta função por MQO, as estimativas de vi serão dadas por:
dˆ0* +dˆ1X1i +...+dˆk X ki
vî = e
As estimativas de vi podem ser substituídas na matriz de ponderações V, agora
denominada V, ^ para obtermos os estimadores consistentes (embora viesados) de
Mínimos Quadrados Generalizados Factíveis:
βˆ = ( XT V
ˆ -1X) -1 XT V
ˆ -1y
20/23
Definição
White MQP MQGF Robusto
MQGF com V Desconhecida - Exemplo

Supondo agora que:
d 0 +d1Rendai ln(ei2 ) = d 0* + d1Rendai + ui*
ei2 =e ui
Ajustando por MQO, estimaremos a relação de heterocedasticidade por:
ln(eî2 ) = 3,363 + 0,004Rendai + uî vî = e3,363+0,004 Rendai
évˆ1 ... 0 ù
ê ú
E a matriz de ponderações V será estimada por: Vˆ = ê ... ... ... ú
ê 0 ... vˆ ú
ë 40 û
Finalmente, as estimativas de MQP serão:
βˆ = ( XT V ˆ -1y = é22,6ù
ˆ -1X) -1 XT V
ê0,16 ú
ë û
21/23
Estimadores Robustos
Estimadores da Variância Robustos à Autocorrelação- Esimtador de 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, as estimativas de
suas variâncias serão viesadas.
Um estimador robusto, ou seja, igualmente válido na presença ou não de
heterocedasticidade, pode basear-se na real variância do estimador:
å å
n n
x s
2 2
xi
2 2
eî
ˆ
Var ( b ) = i =1 i i 2
S bˆ * = i =1
(åi =1 xi ) (åi =1 xi2 ) 2

n 2 2 n
No caso de uma RLM teríamos:

Onde ûj é o resíduo do ajuste de
åi=1uˆ 2ji eî2
n
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
Esse estimador seja robusto à heterocedasticidade, atribuído a White, é válido

assintoticamente. Para amostras pequenas, as estatísticas t e F baseadas no
estimador robusto não serão válidas.
22/23
Estimador Robusto - Exemplo

Gasto Alimenti = a + bRendai + ei Gasto Alimenti = 40,8 + 0,13 Rendai + eî
^
Caso os erros sejam homocedásticos, a estimativa de MQO para Var(b ) seria:
sˆ 2 1.429
S b2ˆ = = = 0,00093 = 0,0312
åi=1 xi2
n
1.532.463
^
Por sua vez, uma estimativa robusta à heterocedasticidade para Var(b) seria:
åi=1 i eî
n2 2
x 3.421.453.919
S b2ˆ* = = = 0,0015 = 0,038 2
(åi =1 xi2 ) 2
n
(1.532.463) 2
Finalmente, a estatística t para testar a significância de b seria:
0,13 Embora haja evidências de heterocedasticidade no modelo, devemos ter

t= = 3,36 cautela na interpretação do teste t, já que esta baseada no estimador
0,038 robusto pode não ser válida para amostras pequenas (n=40).
23/23

Econometria Heterocedasticidade

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Econometria Heterocedasticidade

Enviado por

Direitos autorais:

Formatos disponíveis

Heterocedasticidade

Modelo Clássico de Regressão Linear

2) Os valores de X são fixos em repetidas amostras, não aleatórios:

3) Esperança condicional dos erros igual a zero, ou seja, E(e|xi)=0:

Testes Teste de Breusch-Pagan

Gasto Alimenti = 40,8 + 0,13 Rendai + eˆi

Passos para efetuar o teste de Goldfeld-Quandt

Regressão 1 ìï H 0: σ12 = σ 22 estatística sˆ 22 2629,9

Regressão 2 E para calcular a probabilidade de erro do tipo I:

F15,15 Rejeita-se H0, ou seja, pode-se afirmar

Passos para efetuar o teste de White

Teste de Breusch-Pagan - Exemplo

eˆi2 = d 0 + d1 X1i + d 2 X 2i + d 3 X1i X 2i + d 4 X12i + d 5 X 22i + ui

Teste de White - Exemplo

eˆi2 = d 0 + d1Rendai + d 2 Rendai2 + ui

O teste de hipóteses será dado por:

Var(ei ) = E (ei2 ) = s i2 és 12 0 0 0 ù év1 0 0 0 ù

Mínimos Quadrados Ponderados

βˆ = ( XT Λ T ΛX) -1 XT Λ T Λy = ( XT V -1X) -1 XT V -1y

MQP com V conhecida - Exemplo

As estimativas de MQP seriam:

MQGF com V Desconhecida - Exemplo

Finalmente, as estimativas de MQP serão:

(åi =1 xi ) (åi =1 xi2 ) 2

No caso de uma RLM teríamos:

Esse estimador seja robusto à heterocedasticidade, atribuído a White, é válido

Estimador Robusto - Exemplo

Finalmente, a estatística t para testar a significância de b seria:

0,13 Embora haja evidências de heterocedasticidade no modelo, devemos ter

Você também pode gostar