Capítulo 8 - Heterocedasticidade

A heterocedasticidade apresenta-se como uma forte dispersão dos dados em torno de uma reta; uma
dispersão dos dados perante um modelo econométrico regredido. Uma definição mais precisa seria na
qual uma distribuição de frequência em que todas as distribuições condicionadas têm desvios padrão
diferentes.

O contrário desse fenômeno, a homocedasticidade, se dá pela observância do postulado, isto é, os

dados regredidos encontram-se mais homogeneamente e menos dispersos (concentrados) em torno da
reta de regressão do modelo.

- A heterocedasticidade não provoca viés ou inconsistência nos estimadores MQO de β0, enquanto algo
como a omissão de uma variável importante teria esse efeito.

- A interpretação de nossas medidas dos graus de ajuste, R² e R²(com barra em cima), também não é
afetada pela presença da heterocedasticidade. p266 (pdf)

- As estatísticas F não têm distribuição F, e a estatística LM não tem distribuição qui-quadrada

assimptótica. Em resumo, as estatísticas que usamos para testar hipóteses sob as hipóteses de Gauss-
Markov não são válidas na presença de heterocedasticidade. p267 (pdf)

- Os estimadores MQO são os melhores estimadores lineares não-viedados, vale-se da hipótese de

homoscedasticidade. Se Var(u|x) não for constante, os estimadores MQO não mais serão BLUE e não
serão eficientes na classe de estimadores. p267 (pdf)

- É possível encontrar estimadores mais eficientes que MQO na presença de heterocedasticidade. Com
amostrar relativamente grandes, pode não ser tão importante obter um estimador eficiente. p267 (pdf)

Inferência Robusta em Relação à Heterocedasticidade

- Mesmo na presença da heterocedasticidade, o MQO ainda é útil. Os econometristas aprenderam como

ajustar erros-padrão, estatísticas t, F e LM de forma a torná-las válidas na presença de
heterocedasticidade de forma desconhecida. p267 (pdf)

- Nesse capítulo, os métodos são conhecidos como procedimentos robustos em relação à

heterocedasticidade, porque são válidos pelo menos em amostras grandes, que tenham ou não os erros
variância constante. p267 (pdf)

- Um estimador válido de Var(β1 chapeu), para a heterocedasticidade de qualquer forma (inclusive

homoscedasticidade) é:
que é facilmente calculado após a regressão MQO. p268 (pdf)

- A raiz quadrada dessa equação é chamada de erro-padrão robusto em relação à heterocedasticidade

de (βj chapéu). Esses erros-padrão robustos são em geral atribuídos a White. p269 (pdf)

- Algumas vezes, como uma correção de graus de liberdade, a equação acima é multiplicada por n/(n-
k-1) antes de extrairmos a raiz quadrada. p269 (pdf)

- Uma vez que os erros-padrão robustos em relação à heterocedasticidade tenham sido obtidos, é fácil
construir uma estatística t robusta em relação à heterocedasticidade. A forma geral da estatística t é:
p269 (pdf)

OBS: os erros-padrão robustos são frequentemente maiores do que os erros-padrão usuais.

-Se os erros-padrão robustos em relação à heterocedasticidade são válidos com maior frequência que
os erros-padrão usuais de MQO, porque nos preocuparmos com os erros-padrão usuais?

Uma das razões para eles ainda serem usados em trabalho de corte transversal é que, se a hipótese de
homoscedasticidade se mantiver e os erros forem normalmente distribuídos, as estatísticas t usuais têm
distribuições t exatas, independentemente do tamanho da amostra. Os erros-padrão robustos e as
estatísticas t robustas são justificadas somente quando o tamanho da amostra se torna grande. Com
amostras de tamanhos pequeno, as estatísticas t robustas podem ter distribuições que não sejam muito
próximas da distribuição t, e isso pode ofuscar nossa inferência. p270;271 (pdf)

- Também é possível obter estatísticas F e LM que sejam robustas em relação à heterocedasticidade de

forma desconhecida, e mesmo arbitrária. A estatística F robusta em relação à heterocedasticidade
também é chamada de estatística de Wald robusta ou em relação à heterocedasticidade. p271 (pdf)

O Teste da Existência de Heterocedasticidade

- Constata-se que o uso dos resíduos MQO em lugar dos erros não afeta a distribuição de amostra grande
das estatísticas F ou LM, embora mostrar isso seja bastante complicado. p275 (pdf)

- Ambas as estatísticas F e LM dependem do R-quadrado. Então, a estatística F será:

onde k é o número de regressores

- A estatística LM para a heteroscedasticidade é simplesmente o tamanho da amostra multiplicado pelo

R-quadrado da equação acima:

- A versão LM do teste é geralmente chamada teste de Breusch-Pagan da heterocedasticidade (teste

BP). p275 (pdf)

O Teste de White para a Heterocedasticidade

White propôs um teste para a hererocedasticidade que adiciona quadrados e produtos cruzados de
todas as variáveis independentes. O teste de White para a heterocedasticidade é a estatística LM.
Também podemos usar um teste F desta hipótese. p277 (pdf)

- A abundância de regressores é uma fraqueza na forma pura do teste de White: ele usa muitos graus
de liberdade para modelos com um número moderado de variáveis independentes. p277 (pdf)

- É possível obter um teste que seja mais facilmente implementado que o teste de White e menos
prejudicial quanto aos graus de liberdade. p278 (pdf)
Capítulo 9 - Problemas Adicionais de Especificação e de Dados

- Se u for, por qualquer razão, correlacionado com a variável explicativa xj, então dizermos que xj é uma
variável explicativa endógena.

Má-especificação da Forma Funcional

- Um modelo de regressão múltipla sofre de má-especificação da forma funcional quando não explica
de maneira apropriada a relação entre as variáveis explicativas e a dependente observada. p2le (pdf)

- A omissão de funções de variáveis independentes não é a única maneira de um modelo sofrer o

problema de má-especificação da forma funcional. Por exemplo, se for o modelo verdadeiro para
satisfazer as primeiras hipóteses de Gauss-Markov, mas utilizarmos salárioh, em lugar de log(salarioh),
como variável dependente, não obteremos estimadores não viesados ou consistentes dos efeitos
parciais. p2ld (pdf)

- Uma ferramente poderosa para detectar uma forma funcional mal-especificada é o teste F para
restrições de exclusões conjuntas. Muitas vezes faz sentido adicionar termos quadráticos de quais
variáveis significantes a um modelo e executar um teste conjunto de significância. Se os termos
quadráticos adicionados forem significantes, eles podem ser adicionados ao modelo.
p2ld (pdf)

O Teste RESET como um Teste Geral da Má-Especificação da Forma Funcional

- Ao adicionarmos termos quadráticos às variáveis explicativas significantes, embora muitas vezes

detecte problemas de forma funcional, tem a desvantagem de gastar muitos graus de liberdade se
houver muitas variáveis explicativas no modelo original. Além disso, certos tipos de não linearidades
negligenciadas não serão detectadas pela adição de termos quadráticos. p3ld;p4le (pdf)

- O teste RESET adiciona polinômios aos valores estimados MQO na equação para detectar tipos gerais
de má-especificação de formas funcionais. Para implementar o RESET, temos que decidir quantas
funções dos valores estimados devem ser incluídas na regressão expandida. p4le (pdf)

- A estatística do teste RESET é a estatística F para testar H0: δ1 = 0, δ2 = 0 no modelo expandido. p4le
(pdf)

- Uma desvantagem do teste RESET é que ele não fornece uma orientação prática de como proceder se
o modelo for rejeitado. A rejeição pelo uso do RESET não sugere diretamente que outra equação seja o
passo seguinte. p4ld (pdf)

Testes contra Alternativas não Aninhadas

- Tentar decidir se uma variável independente deveria aparecer em nível ou em forma logarítmica nos
leva para fora do âmbito dos testes de hipótese clássicos. Esses são os modelos não aninhados, portanto
não podemos simplesmente usar um teste F padrão. p4ld (pdf)

- Dois métodos diferentes podem ser sugeridos. O primeiro é construir um modelo abrangente que
contenha cada modelo como um caso especial e, em seguida, testar as restrições que conduziriam a
cada um dos modelos. Podemos primeiro testar H0: γ3=0, γ4=0, como um teste. Podemos também
testar H0: γ1=0, γ2=0. Essa abordagem foi sugerida por Mizon e Richard (1986). p4ld (pdf)

- Outro método sugerido por Davison e MacKinnon (1981). Salientam que se a equação for verdadeira
abaixo for verdadeira, então os valores estimados do modelo da outra equação mais abaixo deveriam
ser não significantes para a outra. Esse é o teste de Davidson-MacKinnon, que baseia-se na estatística t
sobre y(dois chapeus) na equação. p4ld (pdf)

- Existem alguns problemas com testes não aninhados. Primeiro, não necessariamente, um dos modelos
será claramente o escolhido. Ambos os modelos, ou nenhum deles, podem ser rejeitados. Se nenhum
deles for rejeitado, podemos usar o R-quadrado ajustado para selecionar um deles. Se ambos os
modelos forem rejeitados, teremos mais trabalho. Porém, há consequências: se os efeitos de
importantes variáveis independentes sobre y não forem muito diferentes, então não importa qual dos
modelos será usado. p5le (pdf)

- Um problema ainda mais difícil é obter testes não aninhados quando os modelos concorrentes têm
variáveis dependentes diferentes. p5le (pdf)
Utilizando Variáveis PROXY para Variáveis Explicativas Não Observadas

- Para resolver o aliviar o problema do viés de variáveis omitidas em uma equação, podemos obter uma
variável proxy da variável omitida. Uma variável proxy é algo que está relacionado com a variável não
observada. p5le (pdf)

O Uso de Variáveis Dependentes Defasadas como Variáveis Proxy

Suspeitamos que uma ou mais variáveis independentes seja correlacionada com variável omitida, mas
não temos nenhuma ideia de como obter uma proxy para a variável omitida. Nesses casos, podemos
incluir, como um controle, o valor da variável dependente um período anterior. p7ld (pdf)

O uso de uma variável dependente defasada em equação de corte transversal aumenta os requisitos de
dados, mas também fornece uma maneira simples de explicar fatores históricos que causam diferenças
correntes na variável dependente que são difíceis de explicar de outras maneiras. p7ld (pdf)
Propriedades do Método MQO Quando Há Erros de Medida

Quando utilizamos uma medida imprecisa de uma variável econômica em um modelo de regressão,
nosso modelo conterá um erro de medida. Nesta seção derivamos as consequências do erro de medida
para a estimação dos mínimos quadrados ordinários. O método MQO será coerente sob certas
hipóteses, mas existem outras sob as quais ele será inconsistente. Em alguns desses casos, podemos
inferir o tamanho do viés assimptótico. p10le (pdf)

É natural supor que o erro de medida tem média zero; se não for assim, simplesmente obteremos um
estimados viesado do intercepto, β0, o que raramente é motivo de preocupação. Muito mais
importante é nossa suposição sobre a relação entre o erro de medida, e0, e as variáveis explicativas xi.
A suposição habitual é que o erro de medida em y é estatisticamente independente de cada variável
explicativa. Se isso for verdade, então os estimadores MQO são não viesados e consistentes. Além disso,
os procedimentos de inferência do método MQO (estatística t, F e LM) são válidos. p10ld (pdf)

O fator preponderante desta subseção é que o erro de medida na variável dependente pode causar
vieses no método MQO se ele for sistematicamente relacionado com uma ou mais variáveis explicativas.
Se o erro de medida for apenas um erro de informação aleatório que seja independente das variáveis
explicativas, como muitas vezes é presumido, o método MQO é perfeitamente apropriado. p11ld (pdf)