Econometria I (IS 211)

MQO: Propriedades Assimptóticas

Lucas Siqueira de Castro

lucascastro@ufrrj.br

Referência

 WOOLDRIDGE, J. Introdução à
econometria: uma abordagem
moderna. São Paulo: Cengage
Learning, 6a edição, 2017, capítulo
5.

Consistência

 Sob hipóteses de Gauss-Markov,

MQO é BLUE
 Mas nem todo estimador é não viesado
 Nesses casos, uma propriedade
interessante é a consistência
 Quando o tamanho da amostra cresce
infinitamente, a distribuição do
estimador colapsa no verdadeiro valor
do parâmetro

1
 Distribuições Amostrais quando n 
 
f b̂1
n3
n1 < n2 < n3

n2

n1
b1 b̂1
4

Clive Granger (1934-2009)

Nobel de Economia (2003)

“Se você não puder obter consistência

apropriadamente quando n tende ao infinito,
você não deverá se envolver com isso”

Consistência do MQO

 Sob as hipóteses de Gauss-Markov,

o estimador de MQO é consistente
 E não viesado!
 Note que a consistência é uma
propriedade muito desejável
 Com um n muito grande, é possível
usar um estimador viesado
 Desde que ele seja consistente

2
Consistência do MQO

 Considere o modelo de regressão

simples
yi = b 0 + b 1xi1 + ui
 Demonstração
 Substituir yi da fórmula do estimador
MQO pelo modelo acima:
n n

 x i1  x  yi  x i1  x b 0  b1 xi1  ui 
bˆ1  i 1
n
 i 1
n

 x
i 1
i1  x
2
 x
i 1
i1  x
2

Demonstrando a Consistência...

bˆ1  b1  n 1   xi1  x1 ui  n 1   xi1  x1   2


Note :
 x i1  x1   0

 x  x1 xi1    xi1  x1 
2
i1

Demonstrando a Consistência...

plimbˆ1  b1  Cov  x1 , u  Var  x1   b1

porque Cov  x1 , u   0

3
Uma Hipótese Mais Fraca

 Para obter a justeza do estimador

 Hipótese da média condicional zero
 E(u|x1, x2,…,xk) = 0
 Hipótese muito forte!

 Qualquer função das variáveis

explicativas é não relacionada com o
termo de erro u
 Mais de uma variável explicativa
 Função linear e não-linear

Hipótese da Correlação Zero

 Para obter a consistência do

estimador
 Hipótese de erro zero
 E(u)=0
 Hipótese de correlação zero
 Cov(xj,u) = 0 para j=1,2,…,k
 Termo de erro u tenha média zero na
população
 Cada variável xj é não correlacionada
com o termo de erro u

Consistência

 A propriedade assimptótica da
consistência precisa de hipóteses
mais fracas
 Hipótese de Correlação Zero
 O termo de erro u não pode ter
correlação linear com nenhuma
variável explicativa
 Violações dessa hipótese
 omissão de variável relevante,
simultaneidade, erro de medida de variável e
viés de seleção amostral

4
Omissão de Variável Relevante
 Derivando a inconsistência do
estimador quando existe omissão de
variável relevante:
Modelo verdadeiro : y  b 0  b1 x1  b 2 x2  v
Você pensa : y  b 0  b1 x1  u ,
de modo que
u  b 2 x2  v
Tirando o limite da probabilidade :
~
plimb1  b1  b 2
em que   Cov x1 , x2  Var x1  13

Omissão de Variável Relevante

 Inconsistência do estimador MQO

 Cov(x1, x2) ‡ 0
 Correlação entre essas duas variáveis
não será zero
 Isso acarreta Cov(x2,u) ‡ 0
 Violação da hipótese de correlação zero
 Viés assimptótico
 Todos os estimadores são viesados
 Basta que Cov(xj, u) ‡ 0 para j=1,2...,k

Omissão de Variável Relevante

 Direção do viés assimptótico

 Depende da direção do viés para a
variável omitida
 
 b2
 Inconsistência
 Problema de grande amostra
 Não é eliminada com uma amostra
maior
 Não adianta aumentar o n!

5
Quiz

Inferência de Grande Amostra

 Sob as hipóteses do modelo clássico

de regressão linear, as distribuições
amostrais eram normais
 Distribuição do erro normal
 Dadas as variáveis x, a distribuição de y
também é normal
 Isso permitiu derivar os testes t e F
 Distribuições associadas à distribuição
normal

Inferência de Grande Amostra

 A hipótese da normalidade do erro

(u) e de y é razoável?
 Muitos exemplos de violação dessa
hipótese
 Variáveis y com distribuição não simétrica
(com cauda)
 Salários
 Renda
 Essa hipótese não é importante para
concluir que MQO é BLUE
 Mas importante para Inferência!

6
Teorema do Limite Central

 Baseado neste teorema, é possível

provar que os estimadores MQO são
assimptoticamente normais

 Um estimador é assimptoticamente
normal quando a distribuição tende
a aproximar-se da distribuição
normal à medida que o tamanho da
amostra n aumenta indefinidamente

Normalidade Assimptótica
Sob as hipóteses de Gauss - Markov,

 
(i) n bˆ j  b j ~ Normal 0,  2 a 2j ,
a

em que a 2j  plimn 1  rˆij2 

(ii) ˆ 2 é um estimador consistente de  2  Var u 

   
a
(iii) bˆ j  b j ep bˆ j ~ Normal0,1
20

Normalidade Assimptótica

 Como a distribuição t se aproxima

da distribuição normal padronizada
para elevados graus de liberdade
(gl):

bˆbj a
j 
ep bˆ  
~ t n k 1
j

7
Normalidade Assimptótica

 Se u não é normalmente
distribuído, em grandes amostras,
chama-se o erro-padrão de erro-
padrão assimptótico:

 
ep bˆ j 
ˆ 2

SQT j 1  R 2j ,
 
ep bˆ j  c j n

 cj é uma constante que não depende de n

 erros-padrão diminuem a uma taxa que é
o inverso da raiz quadrado de n

Multiplicador de Lagrange (LM)

 Em grandes amostras, pode-se usar

estatísticas t e F
 Mas pode-se usar também a estatística
LM

 Alternativa para testar as restrições

de exclusão
 Em grandes amostras, as estatísticas
LM e F são equivalentes

Multiplicador de Lagrange (LM)

 Seja o modelo:
 y = b 0 + b 1x1 + b 2x2 + . . . b kxk + u

 Testar q restrições de exclusão

conjuntas:
 H0: b k-q+1 = 0, ... , b k = 0

 Como testar isso usando a

estatística LM?

8
Estatística LM para q Restrições

 1º passo:
 Regrida y sobre o conjunto restrito de
variáveis independentes e salve os
resíduos, u~.
 2º passo:
 Regrida sobre todas as variáveis
u~
independentes e obtenha o R-quadrado
2
desta regressão auxiliar, Ru

Estatística LM para q Restrições

 3º passo:
 Calcule LM  nRu2 , ou seja, o tamanho
da amostra vezes o R-quadrado, obtido
no passo anterior.
 4º passo:
 Compare o LM com o valor crítico
apropriado (c), de uma distribuição
qui-quadrado (c) com q graus de
liberdade para um certo nível de
significância

Estatística LM para q Restrições

 4º passo (cont.):
 Se LM ≥ c, rejeita-se H0
 Se LM < c, não se rejeita (aceita-se) H0
 Observação
 Pode-se usar o p-valor para se tomar a
decisão sobre o teste
 Se o p-valor for menor que o nível de
significância (a), rejeita-se H0
 Se o p-valor for maior que o nível de
significância, não se rejeita (aceita-se) H0

9
Exemplo do teste LM

 Seja o modelo de crime:

 npre86 = b 0 + b1pcond + b2sentmed +
b3tempto + b 4ptemp86 + b5empr86 + u
 npre86: número de vezes que um homem foi
preso
 pcond: proporção de prisões anteriores que levam
à condenação
 sentmed: sentença média cumprida em
condenações passadas
 temptot: tempo total que o homem passou na
prisão em 1986
 ptemp: meses passados na prisão em 1986
 empr86: número de trimestres em 1986 durante
os quais o homem esteve empregado

Exemplo do Teste LM

 Testar H0 de que sentmed e temptot

não tem efeito sobre npre86, uma
vez que outros fatores foram
controlados
 H0: b 2=b 3=0
 H1: H0 não é válida

Exemplo do Teste LM

 1o passo
 Regredir npre86 sobre pcond, ptemp86
~
e empr86 e salve os resíduos (u )

 2o passo

~
Regredir u sobre pcond, ptemp86,
empr86, sentmed e temptot

10
Exemplo do Teste LM

 3o passo
 Pegar o Ru2, que é igual a 0,0015
 Computar a estatística LM = n.Ru2
 LM=2725*(0,0015)=4,09
 4o passo
 O valor crítico (c) de 10% numa
distribuição qui-quadrada com q=2
graus de liberdade é cerca de 4,61
 Como LM < c, não se rejeita H0
 4,09 < 4,61

Eficiência Assimptótica de MQO

Causa e Efeito Perigosos

11