• ANP, 2013

A hipótese de homocedasticidade é importante para demonstrar

que os estimadores de MQO são não viesados e consistentes.
(Analista dos correios – Economista, CESPE, 2011) Uma
empresa de transporte de cargas deseja expandir seus
negócios e para isso fez um levantamento acerca das 48
empresas concorrentes. Foi considerado um modelo de
regressão linear múltipla, em que a variável dependente
Y representa o faturamento dessas empresas, havendo
três variáveis explicativas - X1, X2 e X3 - que
representam um perfil dessas concorrentes. O ajuste foi
efetuado por mínimos quadrados ordinários e os
resultados são mostrados na tabela acima. Com base
nessas informações, julgue os itens subsecutivos.
[118] Ceteris paribus, o acréscimo de 1 unidade
do produto 3 incrementa o faturamento médio
em 3,2492 unidades monetárias.
 Informações importantes
• Sigma2 e b são não viesados e independentes.
 Pergunta
• Quão bom é o nosso modelo?
– Modelos restritos e irrestritos

• O que ganhamos ao usar o modelo restrito ao

invés do modelo não restrito?
 Coeficiente de Determinação
• Objetivo: medir o poder de explicação do
modelo.

• SST = SSR + SSE

• R2 = SSR/SST = 1 – SSE/SST
• Fato 1:
– 0 <= R2 = SSR/SST <= 1
• Fato 2:
– R2 é uma proporção: A proporção da variabilidade
total de y que é explicada pelo modelo.
• Fato 3:
– R2 = (Coeficiente de correlação linear entre yt e
y^t)2
 m
• Comentários:
• C1: Quando o modelo não possui intercepto.
– Use R2 não centrado.
• C2 é não decrescente no número de
regressores.
• R2 ajustado.
– R2 = 1 – SSE/(T-k)/SST/(T-1)
– R2 = 1 – (T-1)/(T-K) *(1-R2)
• C3 não é uma proporção.
Quebra das hipóteses do modelo
Regressão Linear Múltipla
Aula 15
[S2]
• Como afirmado, b continua sendo não viesado.
• Além disso, b tende, em probabildiade a , ou
seja, o parâmetro estimado ainda é consistente.
• Contudo, b não é mais eficiente, ou seja, não
possui variância mínima. Nesse caso, o teorema
de Gauss Markov não é mais válido.
• Para resolver esse problema, os
econometricistas indicam utilizar o método
dos Mínimos Quadrados Generalizados, que
produzem um estimador linear, não viesado,
consistente e eficiente, fazendo com que o
Teorema de Gauss Markov volte a ser válido.
 Testes
• [Teste 1] Teste de Goldfeld-Quandt
• A imposição desse teste é que devemos ordenar
as observações de acordo com as variâncias. Ou
seja, essas deveriam estar em ordem crescente
• É importante notar que para realizar o teste, a
suposição [S5] tem que ser válida.
• Uma vez as observações ordenadas, deve-se
separar as r observações centrais e fazer os
seguintes procedimentos:
• (Passo 1): Reordene as observações em ordem crescente de
variâncias;
• (Passo 2): Remova as r observações centrais;
• (Passo 3): Rode as observações com a primeira parte da ordenação
e com a última parte das observações;
• (Passo 4): Obtenha a Soma dos quadrados dos resíduos das duas
regressões.
• (Passo 5): A estatística de teste será dada por:
• O valor encontrado com as estimações deve ser comparado com o
valor crítico de uma distribuição F(T-r)/2, (T-r)/2, sob a suposição de
normalidade.
• (Passo 6): Rejeite H0 se:
• GQ > F(T-r)/2, (T-r)/2
 Exercícios
(Ciências Econômicas, EMBASA, 2010, Cespe)
Com base na metodologia econométrica, julgue
os próximos itens.

[117] Há heteroscedasticidade quando as

perturbações aleatórias de uma regressão linear
possuem a mesma variância.
(Ciências Econômicas, EMBASA, 2010, Cespe) O gráfico
abaixo mostra os pares de observações de duas variáveis X e
Y relacionadas pela regressão linear simples Y = a + bX + u,
(onde a e b são coeficientes a serem estimados e u são os
erros aleatórios).
O exame do gráfico sugere que
a) Y e X não se relacionam.
b) a relação é não linear.
c) o número de observações é insuficiente para a estimação
dos coeficientes.
d) pode haver problemas de heterocedasticidade na
estimação.
e) há autorrelação dos resíduos.
(BANCO CENTRAL DO BRASIL, Analista Área 2, Cesgranrio, 2010) Seja
um modelo linear y = X + , onde y é um vetor (n x 1); X é uma
matriz (n x k) de posto k < n; é um vetor coluna composto de k
parâmetros desconhecidos e é um vetor (n x 1) de perturbações
aleatórias. Considere as seguintes hipóteses sobre as perturbações
aleatórias :
i. E( |X) = 0
ii. V( |X) = I 2
onde E é o operador de expectância (esperança matemática), V( |X)
= I 2 é a matriz de variância-covariância das perturbações aleatórias,
condicionada a X. Utilizando-se o método de mínimos quadrados
simples (OLS) estimam-se os parâmetros por b = (X’X)−1X’y.
Nessas condições, analise as proposições a seguir.
I - Se as hipóteses i e ii são válidas, conclui-se que os estimadores b são não
tendenciosos e eficientes.
II - A identificação de como estimador de mínimos quadrados de
2, onde e é o vetor de resíduos de mínimos quadrados, não é estritamente
correto, uma vez que esse método só permite estimar .
III - Se o posto da matriz X for menor do que k, a hipótese ii não se sustentará
e haverá problemas de heterocedasticidade.
IV - Se V( |X) = , onde , o método de mínimos quadrados
generalizados (GLS) fornecerá estimadores para com melhores
propriedades do que os estimadores de mínimos quadrados simples.
São corretas as proposições
(A) I e II, apenas.
(B) III e IV, apenas.
(C) I, II e IV, apenas.
(D) I, III e IV, apenas.
(E) I, II, III e IV.
(ANPEC, 2008) Julgue as afirmativas:
Ⓞ Na presença de heterocedasticidade nos erros
de um modelo de regressão linear, os estimadores
de mínimos quadrados ordinários são ineficientes.

(ANPEC, 2007)Julgue as afirmativas:

Ⓞ Heterocedasticidade ocorre quando o erro
aleatório em um modelo de regressão é
correlacionado com uma das variáveis explicativas.
• ② Na presença de heterocedasticidade, estimadores de
mínimos quadrados ordinários sã
• ③ Os testes t e F usuais não são válidos na presença de
heterocedasticidade.o ineficientes
• ④ Na presença de heterocedasticidade, estimadores de
mínimos quadrados ordinários são não viesados, mas são
inconsistentes.
O método dos mínimos quadrados ordinários foi
empregado para estimar o modelo de regressão
abaixo, cujo objetivo é explicar as variações de
renda entre 526 indivíduos de uma amostra
aleatória:
ln(renda) = 0,362+ 0,094 educ + 0,014 exper – 0,178 sexo – 0,010 exper x sexo + u
(0,128) (0,008) (0,002) (0,058) (0,002)

R2 = 0,368 n = 526
• ③ Pela inspeção dos resultados da estimação fica claro
que os erros do modelo são heterocedásticos
Autocorrelação

Aula 17

24
• Corte de dados ou cross section: dados em que o
tempo é fixado. Há uma variação dos indivíduos
ou unidades (é o caso da análise dos gastos com
alimentação das famílias). Em geral, nesse caso,
há uma violação da suposição [S2];
• Série Temporal: nesse caso, o indivíduo ou
unidade é fixado e variam apenas as observações
no tempo. Em geral, nesse caso, há uma violação
da suposição [S3].
• Dados em Painel/longitudinal: Nesse caso, os
indivíduos e o tempo variam.

25
 Autocorrelação
[S3], os erros são não correlacionados, ou seja,
.

26
Em seu formato mais comum, a autocorrelação
existe em primeira ordem, ou seja, o erro de
hoje está relacionado ao erro do período
anterior.
Em termos matemáticos:

No que diz respeito a , por definição | | < 1,

isto é, -1< <1.

27
FATO: se | | < 1, então, os dois primeiros
momentos de são constantes ao longo do
tempo, isto é, é estacionário.

28
E o que acontece com o coeficiente b?
Assim como no caso da heteroscedasticidade,
para a autocorrelação, ou a quebra da suposição
[S3], o nosso estimador b calculado pelo método
dos mínimos quadrados ordinários continua
sendo não viesado, linear e constante e
assintoticamente normal, mas deixa de ser
eficiente, exatamente como no caso da
heteroscedasticidade.

29
• Solução?

30
Como identificar a autocorrelação?
O teste (clássico) de Durbin-Watson responde isso.
Esse teste possui duas hipóteses:
H0: = 0, não há autocorrelação
H1: > 0, há autocorrelação positiva.
Para verificar a hipótese nula, utiliza-se a seguinte estatística
de teste:

Veja que, para definir esse teste, as hipótesse [S5] e de que a

matriz X é não estocástica são necessárias.]
Se d à 4, à -1, há autocorrelação negativa;
d à 2, à 0, não há autocorrelação;
d à 0, à 1, há autocorrelação positiva.
31
 Versão alternativa
H0: = 0, não há autocorrelação
H1: < 0, há autocorrelação negativa.

Se d < 4 – dUC, não rejeite H0;

Se d > 4 – dLC, rejeite H0;
Se 4 – dUC < d < 4 – dLC, o teste é incoclusivo.

32
 Exercícios
(ANP, 2013) A hipótese de autocorrelação serial dos
resíduos não é relevante para a demonstração de que
os estimadores de MQO são não viesados e
consistentes.

(ANP, 2013) Na presença de autocorrelação dos

resíduos, os estimadores de MQO serão eficientes,
porém viesados e inconsistentes.

33
• Anpec, 2004

34