Econometria I (IS 211)

Heterocedasticidade

Lucas Siqueira de Castro

lucascastro@ufrrj.br

Referência

 WOOLDRIDGE, J. Introdução à
econometria: uma abordagem
moderna. São Paulo: Cengage
Learning, 6a edição, 2017, capítulo
8.

Consequências da
heterocedasticidade para o MQO

 MQO ainda sem viés e consistente

sob heterocedasticidade.
 Além disso, a interpretação do R-
quadrado não é alterada
A variância de erro incondicional não
é afetada pela heterocedasticidade
(que se refere à variância do erro
condicional)

1
Consequências da
heterocedasticidade para o MQO

 Heterocedasticidade invalida
fórmulas de variância para
estimadores MQO
 Os habituais testes F e testes t não
são válidos sob heterocedasticidade
 Sob heterocedasticidade, o MQO
não é mais o melhor estimador
linear não-viesado (BLUE); pode
haver estimadores lineares mais
eficientes

Inferência na heterocedasticidade
após estimativa de MQO

 Fórmulas para erros padrão MQO e

estatísticas relacionadas foram
desenvolvidas, mostrando-se
robustas à heterocedasticidade de
forma desconhecida
 Todas as fórmulas são válidas
apenas em grandes amostras
 Fórmula para erro padrão OLS
robusto de heterocedasticidade

Inferência na heterocedasticidade
após estimativa de MQO

 Fórmula para erro padrão MQO

robusto de heterocedasticidade:

Também chamados de erros padrão White/Huber/Eicker. Eles

envolvem os resíduos quadrados da regressão e de uma
regressão de xj em todas as outras variáveis explicativas.

2
Inferência na heterocedasticidade
após estimativa de MQO

 Usando estas fórmulas, o teste t

usual é válido assintoticamente
 A estatística F usual não funciona
sob heterocedasticidade, mas
versões robustas estão disponíveis
na maioria dos softwares

Exemplo

 Equação de salário por hora:

Os erros padrão robustos de

heterocedasticidade podem ser maiores ou
menores do que suas contrapartes não
robustas. As diferenças são geralmente
pequenas na prática.

Exemplo

 Equação de salário por hora:

As estatísticas F também não são muito

diferentes.

Se houver forte heterocedasticidade, as diferenças

podem ser maiores. Para estar no lado seguro, é
aconselhável sempre computar erros padrão robustos.

3
Teste de heterocedasticidade

 Se há heterocedasticidade porque
então o MQO pode não ser mais o
estimador linear mais eficiente?
 Teste Breusch-Pagan:

Assumindo
o MLR.4

A média de u2 não deve

variar com x1, x2, …, xk

Teste de heterocedasticidade

Regredir o quadrado dos resíduos

em todas as variáveis explicativas
e testar se essa regressão tem
poder explicativo.

Uma grande estatística de teste

(= um alto R²) é uma
evidência contra a hipótese
nula.

Estatística de teste alternativa (= estatística de

multiplicador de Lagrange, LM). Novamente, altos
valores da estatística de teste (= alto R²) levam à
rejeição da hipótese nula de que o valor esperado de u2
não está relacionado às variáveis explicativas.

Exemplo

 Heterocedasticidade nas equações

do preço da habitação:

Heterocedasticidade

Na especificação logaritmica, a homocedasticidade não pode

ser rejeitada.

4
Teste de heterocedasticidade

 Teste de White: Regredir os resíduos² contra

todas as variáveis explicativas,
suas formas ao quadrado e suas
interações (exemplo: k=3)

O teste White detecta desvios

mais gerais da
heterocedasticidade do que o
teste de Breusch-Pagan.

Teste de heterocedasticidade

 Desvantagens:
 A inclusão de todos os quadrados e
interações leva a um grande número
de parâmetros estimados (por
exemplo, k = 6 leva a 27 parâmetros a
serem estimados).

Teste de heterocedasticidade

 Forma alternativa do teste de

White:
Essa regressão testa indiretamente a dependência dos resíduos
quadrados das variáveis explicativas, seus quadrados e
interações, porque o valor previsto de y e seu quadrado
implicitamente contém todos esses termos.

Calculado com base no exemplo da equação de preços de

habitação (com log).

5
Estimação de MQO Ponderados

 A heterocedasticidade é como uma

constante multiplicativa:
A forma funcional da
heterocedasticidade é
conhecida.

Modelo
transformado

Estimação de MQO Ponderados

 Exemplo: economia e renda

Note que este modelo

de regressão não tem
intercepto.

 O modelo transformado é
homocedástico:

Estimação de MQO Ponderados

 Se as outras suposições de Gauss-

Markov se mantiverem, o MQO
aplicado ao modelo transformado é
o melhor estimador linear não-
viesado.

6
Estimação de MQO Ponderados

 MQP:

Observações com grande

variação ganham um
peso menor no problema
de otimização.

Estimação de MQO Ponderados

 Por que o MQP é mais eficiente que

o MQO no modelo original?
 Observações com grande variação são
menos informativas do que
observações com pequena variância e,
portanto, devem ter menos peso.
 MQP é um caso especial de mínimos
quadrados generalizados (MQG).

Estimação de MQO Ponderados

 Exemplo: equação de riqueza

financeira
Forma assumida de heteroscedasticidade

As estimativas do MQP têm

erros padrão
consideravelmente menores
(o que está de acordo com a
expectativa de que eles são
mais eficientes).

Participação no plano de
aposentadoria 401K

7
 Estimação de MQO Ponderados

 Caso especial de heterocedasticidade:

 Se as observações forem relatadas como
médias no nível cidade/município/estado/
país/empresa, elas devem ser
ponderadas pelo tamanho da unidade.
Termo de erro
heterocedástico

Variância do erro se
os erros forem
homocedásticos no
nível individual.

Se os erros forem homocedásticos no nível individual, o MQP com pesos iguais ao

tamanho da empresa mi deve ser utilizado. Se a suposição de homocedasticidade no
nível individual não for exatamente correta, pode-se calcular erros padrão robustos
após MQP (ou seja, para o modelo transformado).

Função de heterocedasticidade
desconhecida (MQG Factível)
Forma geral de
heterocedasticidade; A
função exp é usada para
garantir a positividade

Erro multiplicativo
(suposição: independente
das variáveis explicativas)

Usar os valores inversos

da função de
heterocedasticidade
estimada como pesos no
MQP

Exemplo: Demanda de Cigarros

 MQO:

Homocedasticidade
rejeitada.

8
 Exemplo: Demanda de Cigarros

 MQGF: Estatísticamente significativa

 Discussão:
 Coeficientes são estimados com maior precisão
(sem alterar os resultados qualitativos).

Função de heterocedasticidade
desconhecida (MQG Factível)

 E se a função de
heterocedasticidade assumida
estiver errada?
 Se a função de heterocedasticidade é
mal especificada, o MQP ainda é
consistente sob o MLR.1 - MLR.4, mas
erros padrão robustos devem ser
computados;
 MQP é consistente sob MLR.4 mas não
necessariamente sob MLR.4 '

Função de heterocedasticidade
desconhecida (MQG Factível)

 E se a função de
heterocedasticidade assumida
estiver errada?
 Se MQO e MQP produzem estimativas
muito diferentes, isso normalmente
indica que outras suposições (por
exemplo, MLR.4) estão erradas;
 Se há forte heterocedasticidade, ainda
é melhor usar uma forma errada de
heterocedasticidade para aumentar a
eficiência

9
 Estimando o modelo de
probabilidade linear por MQP

No MPL, a forma exata da

heteroscedasticidade é
conhecida
Use valores
inversos como
pesos no MQP

• Discussão
• Inviável se as previsões do LPM estiverem abaixo
de 0 ou maiores que 1;
• Se tais casos forem raros, eles podem ser
ajustados para valores como 0,01 / 0,99;
• Caso contrário, provavelmente é melhor usar o
MQO com erros padrão robustos.

10