Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula21: ARM_Heterocedasticidade
Paulo Loureiro
Departamento de Economia
Universidade de Brasília-UnB
pauloloureiro@unb.br
https://sites.google.com/site/praloureiro/
Aula 21: ARM_Heterocedasticidade.
Este slide é baseado em Wooldrigde, J. (2011)- Introdução À Econometria:uma
abordagem moderna.
1 / 70
Heterocedasticidade - Wooldridge, Cap. 8
1. A Natureza da Heterocedasticidade
Homo=igual; cedasticidade=espalhamento
2 / 70
8.1. Consequências da Heteroscedasticidade para o
Método MQO - Wooldridge, Cap. 8
y = β0 + β1 x1 + β2 x2 + ...βk xk + µ (8.1)
3 / 70
8.1. Consequências da Heteroscedasticidade para o
Método MQO - Wooldridge, Cap. 8
1. A hipótese de homocedasticidade significa que a variância do
termo erro, µ, condicionada às variáveis explicativas, é a
mesma para todas as combinações de resultados das variáveis
explicativas. Se esta hipótese é violada, o modelo exibe
heterocedasticidade.
Na equação: salarioh = β0 + β1 educ + β2 exper + β3 perm + µ
5 / 70
8.1. Consequências da Heteroscedasticidade para o
Método MQO - Wooldridge, Cap. 8
6 / 70
Heterocedasticidade - Wooldridge, Cap. 8
7 / 70
Correlação Serial e Heterocedasticidade
8 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
yi = β0 + β1 xi + µi
Var (µ|xi ) = σ 2 ,
9 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
Pn
(xi − x )µi
β̂i = βi + Pi=1
n 2
i=1 (xi − x)
10 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
Pn
(xi −x )2 σi2
Var (β̂i ) = i=1
SSTx2
(8.2)
1. onde
n
X
SSTx = (xi − x )2
i=1
11 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
1. Como o erro=padrão de β̂i de é baseado diretamente na
estimativa de Var (β̂i ) precisamos de um modo de estimar a
equação (8.2) quando a heteroscedasticidade está presente.
White (1980) mostrou como isso pode ser feito. Façamos
Var (µ̂) representa os resíduos MQO da regressão inicial de y
sobre x . Então, um estimador válido de β̂i , para a
heteroscedasticidade de qualquer forma (forma inclusive a
homoscedasticidade), é
Pn
(xi −x )2 µ̂i 2
i=1
SSTx2
(8.3)
12 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
1. Análises de Regressão Múltipla:
y = β0 + β1 x1 + β2 x2 + ...βk xk + µ (8.1)
13 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
14 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
use http://fmwww.bc.edu/ec-p/data/wooldridge/wage2
15 / 70
Table: Exemplo 8.1. Eq. do Log dos Salários com Erros-Padrão Robustos
em Relação à Heteroscedasticidade. (8.6)
lwage β σ t βvce σ t
constante 0,321 0,100 3,21 0,321 0,109 2,94
hcasados 0,213 0,055 3,84 0,213 0,057 3,72
mcasadas 0,198 0,058 3,43 0,198 0,058 3,37
msolteiras 0,110 0,056 1,98 0,110 0,057 1,93
educ 0,0789 0,0067 11,79 0,0789 0,0074 10,6
exper 0,0268 0,0055 5,11 0,0268 0,0051 5,22
exper 2 0,0005 0,0001 4,85 0,0005 0,0001 5,03
tenure 0,0291 0,0068 4,30 0,0291 0,0069 4,19
tenure 2 0,0005 0,0002 2,31 0,0005 0,0002 2,19
N=525 F=55,3 F=51,7
R 2 =0, 461
Fonte:Wooldridge
16 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
use http://fmwww.bc.edu/ec-p/data/wooldridge/gpa3
17 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
Table: Example 8.2: Estatística F Robusta em Relação à
Heteroscedasticidade
cumgpa β σ t βvce σ t
constante 1,47 0,2298 6,40 1,47 0,2207 6,66
sat 0,0011 0,0002 6,39 0,0011 0,0002 5,96
hsperc -0,0086 0,0012 -6,91 -0,0086 0,0014 -6,0
tothrs 0,0025 0,0007 3,43 0,0025 0,0007 3,38
female 0,3034 0,059 5,14 0,3034 0,0591 5,13
black -0,1283 0,1474 -0,87 -0,1283 0,1192 -1,0
white -0,0587 0,145 -0,42 -0,0587 0,1114 -0,5
N=366 F=39,98 F=39,3
R 2 =0, 401
Fonte:Wooldridge.
18 / 70
Computando Testes LM Robusta em Relação à
Heteroscedasticidade
y = β0 + β1 x1 + β2 x2 + β3 x3 + β4 x4 + β5 x5 + µ
I 3. LM = n.R 2
19 / 70
Computando Testes LM Robusta em Relação à
Heteroscedasticidade
I r̃1 sobre x1 , x2 , x3 ;
I r̃2 sobre x1 , x2 , x3 ;
20 / 70
Computando Testes LM Robusta em Relação à
Heteroscedasticidade
21 / 70
Uma Estatística LM Robusta em Relação à
Heteroscedasticidade
I 1. Obtenha os resíduos µ do modelo restrito;
I 2. Faça a regressão de cada uma das variáveis independentes
excluídas, conforme a hipótese nula, sobre todas as variáveis
independentes incluídas, se houver q variáveis excluídas, isso
levará a q conjuntos de resíduos (r˜1 , r˜2 , ..., r˜q );
I 3. Encontre os produtos de cada r˜j por µ̃ (para todas as
observações);
I 4. Execute a regressão de 1 sobre r̃1 µ̃, r̃2 µ̃, sem interceptar. A
estatística de LM robusta é n − SSR1 , onde SSR1 é apenas a
soma dos resíduos quadrados desta última regressão final. Sob
H0 , a estatística LM é distribuído aproximadamente como χ2q .
I Uma vez obtida a estatística robusta da LM, a regra de
rejeição e o cálculo dos valores de p são os mesmos da
estatística usual da LM.
22 / 70
Estatística LM Robusta em Relação à Heteroscedasticidade
use http://fmwww.bc.edu/ec-p/data/wooldridge/crime1
23 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
narr86 β σ t βvce σ t
constante 0,57 0,036 15,84 0,567 0,040 14
pcnv 0,132 0,040 -3,28 -0,136 0,034 -4
ptime86 -0,038 0,0085 -4,45 -0,039 0,0062 -6
qemp86 -0,051 0,0144 -3,53 -0,051 0,0142 -3
inc86 -0,002 0,0003 -4,38 -0,001 0,0002 -6
black 0,33 0,0452 7,30 0,325 0,059 5,5
hispan 0,195 0,0397 4,92 0,193 0,0403 4,8
avgsen 0,018 0,0101 1,7
avgsensq 0,001 0,0002 -2
N=2725 F=34,95 F=29,84
R 2 =0,072
Fonte:Wooldridge.
24 / 70
Estatística LM Robusta em Relação à Heteroscedasticidade
25 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
1. gen iota = 1
2. regression iota ur1 ur2 , noconstant
Variáveis β σ t
ur1 0,028 0,014 1.98
ur2 -0.001 0,0005 -1.91
N=2725 F=2,00
R 2 =0,015
Fonte:Wooldridge.
26 / 70
Estatística LM Robusta em Relação à Heteroscedasticidade
27 / 70
Estatística LM Robusta em Relação à Heteroscedasticidade
28 / 70
8.2. Inferência Robusta em Relação Heterocedasticidade
após Estimativa de MQO
narr86 β σ t
constante 0,57 0,036 15,84
pcnv -0,132 0,0403 -3,28
ptime86 -0,038 0,0084 -4,45
qemp86 -0,051 0,0144 -3,53
inc86 -0,001 0,0003 -4,38
black 0,33 0,0452 7,30
hispan 0,195 0,0397 4,92
N=2725 F=34,95
R 2 =0,072
Fonte:Wooldridge.
29 / 70
Estatística LM Robusta em Relação à Heteroscedasticidade
30 / 70
8.3. O Teste da Existência de Heteroscedasticidade
1. predict ubar2 , resid
2. reg ubar2 pcnv avgsen avgsensq ptime86 qemp86 inc86 black
hispan
ubar2 β σ t
constante -0,003 0,0361 -0,09
pcnv -0,003 0,0404 -0,08
avgsen 0,018 0,0097 1,84
avgsensq -0,0005 0,0003 -1,74
ptime86 -0,0016 0,0086 -0,18
qemp86 0,0005 0,0144 0,03
inc86 0,00001 0,0003 0,03
black -0,0051 0,0454 -0,11
hispan -0,002 0,0397 -0,05
N=2725 F=0,43
R 2 =0,0013
Fonte:Wooldridge.
31 / 70
8.3. O Teste da Existência de Heteroscedasticidade
1. Análises de Regressão Múltipla:
y = β0 + β1 x1 + β2 x2 + ...βk xk + µ (8.10)
1. µ2 = δ0 + δ1 x1 + δ2 x2 + ... + δk xk + νi (8.12)
33 / 70
8.3. O Teste da Existência de Heteroscedasticidade
1. H0 := δ1 = δ2 = ... = δk = 0 (8.13)
34 / 70
8.3. O Teste da Existência de Heteroscedasticidade
3. LM = n.Rµ̂22 (8.16)
35 / 70
8.3. O Teste da Existência de Heteroscedasticidade
36 / 70
8.3. O Teste de Breusch-Pagan da Heteroscedasticidade
37 / 70
8.3. O Teste de Breusch-Pagan da Heteroscedasticidade
use http://fmwww.bc.edu/ec-p/data/wooldridge/hprice1
38 / 70
Exemplo 8.4: Heterocedasticidade nas equações do preço
de imóveis
40 / 70
8.3. O Teste de White para a Heteroscedasticidade
41 / 70
8.3. O Teste de White para a Heteroscedasticidade
42 / 70
8.3. O Teste de White para a Heteroscedasticidade
43 / 70
8.3.Um Caso Especial do Teste de White para a
Heteroscedasticidade
44 / 70
8.3.Um Caso Especial do Teste de White para a
Heteroscedasticidade
1. use http://fmwww.bc.edu/ec-p/data/wooldridge/hprice1
2. reg lprice llotsize lsqrft bdrms
3. predict u, resid
4. gen u 2 = u ∗ u
5. predict yhat, xb
6. gen yhat 2 = yhat 2
7. reg u2 yhat yhat 2
8. gen LM = 88 ∗ 0.0392 = 3.4496
9. whitetst: 6.293672 χ24 P-value = 0.1783
10. Evidência ⇒ Heteroscedasticidade
45 / 70
8.3. O Teste da Park para a Heteroscedasticidade
46 / 70
8.3. O Teste de Park para a Heteroscedasticidade
47 / 70
8.3. O Teste de Glejser para a Heteroscedasticidade
48 / 70
8.3. Teste de Goldfeld-Quandt para a Heteroscedasticidade
49 / 70
8.3. Teste de Goldfeld-Quandt para a Heteroscedasticidade
50 / 70
8.3. Teste de Goldfeld-Quandt para a Heteroscedasticidade
51 / 70
8.3. Teste de Goldfeld-Quandt para a Heteroscedasticidade
52 / 70
8.3. Teste de Goldfeld-Quandt para a Heteroscedasticidade
53 / 70
8.4. MQG
54 / 70
MQG
∂poupança ↑
Se β > 0, ⇒ ∂renda ↑ >0
hx = h(renda) = renda, a σµ2 é proporcional ao nível da
renda.
55 / 70
MQG
1. y = β0 + β1 x1 + β2 x2 + ...βk xk + µ (8.24)
√
Como hi é apenas uma função de xi , E (µi / hi /xi ) = 0. E,
2 2
√ como Var (µi |xi ) = E (µi |xi )2 = σ hi , a variância de
mais,
µi / hi (condicionada em xi ) é σ .
56 / 70
MQG
√
E [(µi / hi )2 ] = E (µ2i )/hi = (σ 2 hi )/hi = σ 2 ,
57 / 70
MQG
58 / 70
MQG
I Matematicamente, os estimados MQP são os valores são de
bi que tornam expressão tão pequena qto possível:
Pn
i=1 (yi − β0 − β2 xi2 − ... − βk xik )2 /hi (8.27)
n
(yi∗ − β0 xi0
∗ ∗ ∗
− ... − βk xik∗ )2
X
− β1 xi1 − β2 xi2
i=1
Enquanto
√ as variáveis transformadas em (8.26) são ponderados por
1/ hi
59 / 70
MQG - Equação de Poupança Familiar
use http://fmwww.bc.edu/ec-p/data/wooldridge/saving
1. reg sav inc
2. reg sav inc [aw = 1/inc]
3. reg sav inc size educ age black
4. reg sav inc size educ age black [aw = 1/inc]
60 / 70
Exemplo 8.4: Heterocedasticidade nas equações do preço
de imóveis
use http://fmwww.bc.edu/ec-p/data/wooldridge/smoke
reg cigs lincome lcigpric educ age agesq restaurn
62 / 70
MQG
63 / 70
MQG
I gen lubar=log(ub*ub)
I qui reg lubar lincome lcigpric educ age agesq restaurn
I predict cigsh, xb
I gen cigse = exp(cigsh)
I reg cigs lincome lcigpric educ age agesq restaurn [aw=1/cigse]
64 / 70
8.5 O Modelo de Probabilidade Linear Revisado
65 / 70
8.5 O Modelo de Probabilidade Linear Revisado
66 / 70
8.5 O Modelo de Probabilidade Linear Revisado
67 / 70
Estimando o Modelo Linear de Probabilidade por
Quadrados Ponderados:
68 / 70
EXEMPLO 8.9 - Determinantes da Propriedade do
Computadores Pessoais.
use http://fmwww.bc.edu/ec-p/data/wooldridge/gpa1
gen parcoll = (mothcoll | fathcoll)
reg PC hsGPA ACT parcoll
69 / 70
EXEMPLO 8.9 - Determinantes da Propriedade do
Computadores Pessoais.
predict phat
gen h=phat*(1-phat)
reg PC hsGPA ACT parcoll [aw=1/h]
70 / 70
Example 5.10: Brackets
−1
β̂ = X 0 X X 0y (1)
b − β = (X 0 X)−1 X 0 y − β
= (X 0 X)−1 X 0 (Xβ + ε) − β
= (X 0 X)−1 X 0 Xβ + (X 0 X)−1 X 0 ε − −β
= β + (X 0 X)−1 X 0 ε − β
= (X 0 X)−1 X 0 ε
70 / 70