ECONOMETRIA II

2. ERROS DE
ESPECIFICAÇÃO

Docente: Mónica Azevedo

CONTEÚDO
2. Erros de especificação
2.1 Mudança estrutural
2.2 Inclusão de variáveis irrelevantes
2.3 Omissão de variáveis relevantes
2.4 Valor esperado não nulo dos termos de perturbação
2.5 Multicolinearidade
CONTEÚDO
2. Erros de especificação
2.1 Mudança estrutural
2.2 Inclusão de variáveis irrelevantes
2.3 Omissão de variáveis relevantes
2.4 Valor esperado não nulo dos termos de perturbação
2.5 Multicolinearidade
2.1 Mudança estrutural
Objetivo:

Verificar se os coeficientes de regressão permanecem ou não constantes

para todas as observações do período amostral.
2.1 Mudança estrutural
Sob [H0]:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + … + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖 (ou 𝒀 = 𝑿𝜷 + 𝒖)

isto é, não há erros de especificação.

2.1 Mudança estrutural
Considere-se, como exemplo, o consumo das famílias portuguesas em
função do rendimento.
E(𝐶𝑡 )
𝐶𝑡 = 𝛽1 + 𝛽2 𝑅𝑡 + 𝑢𝑡

𝛽2

𝛽1

2000 2017
…
2.1 Mudança estrutural
Com a crise económica de 2008, o consumo autónomo e/ou a
propensão marginal ao consumo podem ter sofrido alterações. Isto é,
𝛽1 e 𝛽2 não representarão, na realidade, o consumo autónomo e a
propensão marginal ao consumo entre 2000 e 2017… na verdade, não
dirão respeito, nem ao período 2000 – 2008, nem ao período 2008 –
2017, mas serão uma mistura dos dois.  Estar-se-ia a violar a hipótese
clássica H0.
2.1 Mudança estrutural
Por exemplo, pode ter acontecido o seguinte:
E(𝐶𝑡 )

𝛽2,𝐼

𝛽2
𝛽1,𝐼

𝛽1
𝛽2,𝐼𝐼

𝛽1,𝐼𝐼

2000 2008 2017

2.1 Mudança estrutural

Dispondo de uma base de dados, como podemos testar se houve, ou

não, alteração da estrutura?
2.1 Mudança estrutural
Duas vias:
(NOTA: assume-se que todas as outras hipóteses clássicas são válidas, nomeadamente a
homoscedasticidade)

i) Testes de permanência/alteração de estrutura – Teste de Chow

Sendo I: 2000 – 2008 𝑛1 , II: 2008 – 2017 𝑛2 e 2000 – 2017  𝑛1 + 𝑛2 ,

𝐻0 : 𝜷𝐼 = 𝜷𝐼𝐼 (permanece)
𝐻1 : ∃𝛽𝑗,𝐼 ≠ 𝛽𝑗,𝐼𝐼

Passos:
1) Estimar o modelo com 𝑛1 + 𝑛2 = 𝑛 observações e obter a SQR;
2) Estimar o modelo com 𝑛1 observações e obter a SQRI;
3) Estimar o modelo com 𝑛2 observações e obter a SQRII;
2.1 Mudança estrutural
4) Calcular a estatística de teste:

𝑆𝑄𝑅 − (𝑆𝑄𝑅𝐼 + 𝑆𝑄𝑅𝐼𝐼 )

𝐹= 𝑘 ~𝐹
𝑆𝑄𝑅𝐼 + 𝑆𝑄𝑅𝐼𝐼 𝑘;𝑛1+𝑛2 −2𝑘
𝑛1 + 𝑛2 − 2𝑘

Nota: 𝑆𝑄𝑅𝐼 + 𝑆𝑄𝑅𝐼𝐼 ≈ 𝑆𝑄𝑅; graus de liberdade: 𝑛1 − 𝑘, 𝑛2 − 𝑘 e 𝑛 − 𝑘,

respetivamente, pelo que para 𝑆𝑄𝑅 − (𝑆𝑄𝑅𝐼 + 𝑆𝑄𝑅𝐼𝐼 ) são 𝑘 graus de liberdade
2.1 Mudança estrutural
5) Concluir:

Se Fobs<Fc: Não se rejeita 𝐻0, pelo que, para o nível de significância usado e dada
a informação estatística disponível, conclui-se que não houve alteração da
estrutura  o modelo é válido

Se Fobs>Fc: Rejeita-se 𝐻0, pelo que, para o nível de significância usado e dada a
informação estatística disponível, conclui-se pela alteração da estrutura 
recorrer a variáveis dummy
2.1 Mudança estrutural
Teste de Chow reduzido – para casos em que uma das subamostras não tem
dimensão suficiente para com ela ser estimada separadamente a regressão;
pode ser para o caso de se tratar de uma observação apenas ou de um número
reduzido de observações, de um modo geral corresponderá às situações em que,
por exemplo, 𝑛2 ≤ 𝑘 (nº observações inferior ao nº de parâmetros a estimar).

𝐻0 : 𝜷𝐼 = 𝜷𝐼𝐼 (permanece)
𝐻1 : ∃𝛽𝑗,𝐼 ≠ 𝛽𝑗,𝐼𝐼

𝑆𝑄𝑅 − 𝑆𝑄𝑅𝐼
𝑛2
𝐹= ~𝐹 𝑛2 ;𝑛1−𝑘
𝑆𝑄𝑅𝐼
𝑛1 − 𝑘
2.1 Mudança estrutural
Teste de Chow reduzido

 Pode ser para o subperíodo 1, isto é, 𝑛1 < 𝑘;

 Também pode ser que o modelo tenha sido estimado com 𝑛1 e, “agora”, haja
uma nova observação ou um pequeno nº de observações  ver relação com
a previsão (p. 223/24)
2.1 Mudança estrutural
ii) Variáveis Dummy (permitem, simultaneamente, testar e solucionar)

1, 𝑠𝑒 𝑡 > 2008
𝐷𝑡 =
0, 𝑠𝑒 𝑡 ≤ 2008

𝐶𝑡 = 𝛽1 + 𝛽2 𝑅𝑡 + 𝛽3 𝐷𝑡 + 𝛽4 𝑅𝑡 𝐷𝑡 + 𝑢𝑡

𝐸(𝐶𝑡 |𝑅𝑡 , 𝐷𝑡 ) = 𝛽1 + 𝛽2 𝑅𝑡 + 𝛽3 𝐷𝑡 + 𝛽4 𝑅𝑡 𝐷𝑡

𝐸(𝐶𝑡 |𝑅𝑡 , 𝐷𝑡 = 0) = 𝛽1 + 𝛽2 𝑅𝑡

𝐸(𝐶𝑡 𝑅𝑡 , 𝐷𝑡 = 1 = 𝛽1 + 𝛽2 𝑅𝑡 + 𝛽3 + 𝛽4 𝑅𝑡 = 𝛽1 + 𝛽3 + (𝛽2 + 𝛽4 )𝑅𝑡

2.1 Mudança estrutural
Testar individualmente:

𝐻0 : 𝛽3 = 0 𝐻0 : 𝛽4 = 0
𝐻1 : 𝛽3 ≠ 0 𝐻1 : 𝛽4 ≠ 0

𝛽3 𝛽4
𝑡= ~𝑡 𝑛−𝑘 𝑡= ~𝑡 𝑛−𝑘
𝜎𝛽3 𝜎𝛽4
2.1 Mudança estrutural
ou, em conjunto:

𝐻0 : 𝛽3 = 𝛽4 = 0 (permanece)
𝐻1 : 𝛽3 ≠ 0 𝑜𝑢 𝛽4 ≠ 0 𝑜𝑢 (𝛽3 ∧ 𝛽4 ) ≠ 0
∃𝛽𝑗 ≠ 0, 𝑗 = 3,4
2
𝑅𝐼𝐼 − 𝑅𝐼2
𝐹= 𝑘
2 ~𝐹 𝑘,𝑛−2𝑘
1 − 𝑅𝐼𝐼
𝑛 − 2𝑘

(ver, no exemplo do livro – p. 233, a possibilidade de se utilizar a SQR no âmbito

de MR e MNR)
2.1 Mudança estrutural
Outro exemplo: salário em função do número de anos de escolaridade:

𝑆𝑖 = 𝛽1 + 𝛽2 𝐸𝑆𝐶𝑖 + 𝑢𝑖  estimou-se usando uma amostra de n indivíduos

(homens e mulheres), será válido? Ou o retorno da escolaridade será diferente
para homens e mulheres 𝛽1 e/ou 𝛽2 pode(m) não ser constante(s) para toda a
amostra…

i. Estimar em separado para homens e mulheres e aplicar o Teste de Chow;

ou
ii. Utilizar variáveis dummy:
2.1 Mudança estrutural
𝑆𝑖 = 𝛽1 + 𝛽2 𝐷𝑖 + 𝛽3 𝐸𝑆𝐶𝑖 + 𝛽4 𝐸𝑆𝐶𝑖 𝐷𝑖 + 𝑢𝑖

1, 𝑠𝑒 𝑜 𝑖𝑛𝑑𝑖𝑣í𝑑𝑢𝑜 𝑖 é 𝑑𝑜 𝑠𝑒𝑥𝑜 𝑚𝑎𝑠𝑐𝑢𝑙𝑖𝑛𝑜

𝐷𝑖 =
0, 𝑠𝑒 𝑜 𝑖𝑛𝑑𝑖𝑣í𝑑𝑢𝑜 𝑖 é 𝑑𝑜 𝑠𝑒𝑥𝑜 𝑓𝑒𝑚𝑖𝑛𝑖𝑛𝑜

𝐸(𝑆𝑖 |𝐸𝑆𝐶𝑖 , 𝐷𝑖 = 0) = 𝛽1 + +𝛽3 𝐸𝑆𝐶𝑖

𝐸(𝑆𝑖 𝐸𝑆𝐶𝑖 , 𝐷𝑖 = 1 = 𝛽1 + 𝛽2 + 𝛽3 𝐸𝑆𝐶𝑖 + 𝛽4 𝐸𝑆𝐶𝑖

= 𝛽1 + 𝛽2 + (𝛽3 + 𝛽4 )𝐸𝑆𝐶𝑖

𝐻0 : 𝛽2 = 𝛽4 = 0
𝐻1 : ∃𝛽𝑗 ≠ 0, 𝑗 = 2,4
2.1 Mudança estrutural

 Ver exemplo das páginas 229 – 233 do livro.

2.1 Mudança estrutural
NOTAS:

1. As estatísticas de teste obtidas por uma via ou por outra são iguais.

2. Esta análise é importante para a previsão…

Quando fazemos previsão, admitimos o pressuposto denominado de ‘princípio

da permanência da estrutura’. Contudo, se a estrutura entre Y e X não se
mantiver/se houver uma alteração da estrutura, a previsão não será válida.
Exemplo: com uma amostra de 2000 a 2017, e 𝐶𝑡 = 𝛽1 + 𝛽2 𝑅𝑡 + 𝑢𝑡 , pretende-
se prever o valor do consumo médio para um indivíduo que aufira um
rendimento de 20 000€ em 2025, será razoável fazer 𝐶2025 = 𝛽1 + 𝛽2 (20 000)?
Já vimos que não (pois em 2008…).
(cont. próximo slide)
2.1 Mudança estrutural
Adicionalmente, o caso em que há apenas uma observação adicional (de que se
falou a propósito do Teste de Chow reduzido ou modificado) permite
estabelecer uma ponte com a previsão… (p. 223 e 224)

Outras conclusões sobre o teste de Chow: p. 224/225

CONTEÚDO
2. Erros de especificação
2.1 Mudança estrutural
2.2 Inclusão de variáveis irrelevantes
2.3 Omissão de variáveis relevantes
2.4 Valor esperado não nulo dos termos de perturbação
2.5 Multicolinearidade
CONTEÚDO
2. Erros de especificação
2.1 Mudança estrutural
2.2 Inclusão de variáveis irrelevantes
2.3 Omissão de variáveis relevantes
2.4 Valor esperado não nulo dos termos de perturbação
2.5 Multicolinearidade
2.2 Inclusão de variáveis irrelevantes
Introdução…
2.2 Inclusão de variáveis irrelevantes
Suponha-se que o modelo correto é:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + … + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖

Verificando-se as hipóteses clássicas, em particular 𝐸 𝑢𝑖 = 0:

𝐸(𝑌𝑖 ) = 𝛽1 + 𝛽2 𝑋2𝑖 + … + 𝛽𝑘 𝑋𝑘𝑖

Contudo, especificou-se o modelo

𝑌𝑖 = 𝛿1 + 𝛿2 𝑋2𝑖 + … + 𝛿𝑘 𝑋𝑘𝑖 + 𝛿𝑘+1 𝑋𝑘+1,𝑖 + ⋯ + 𝛿𝑘+𝑝 𝑋𝑘+𝑝,𝑖 + 𝑢𝑖

Isto é, incluíram-se p variáveis irrelevantes: 𝑋𝑘+1,𝑖 , …, 𝑋𝑘+𝑝,𝑖

2.2 Inclusão de variáveis irrelevantes
Se este modelo for estimado por OLS, que propriedades terão os
estimadores?

É possível provar que 𝛿1 , …, 𝛿𝑘 são estimadores cêntricos dos

verdadeiros coeficientes, não obstante o erro de especificação. Ou seja:

𝐸 𝛿1 = 𝛽1 , …, E(𝛿𝑘 ) = 𝛽𝑘
2.2 Inclusão de variáveis irrelevantes
Pode dizer-se que o mesmo acontece com os estimadores 𝛿𝑘+1 , …,
𝛿𝑘+𝑝 , na medida em que:

𝐸 𝛿𝑘+1 = … = E 𝛿𝑘+𝑝 = 0

E, sendo correta a primeira especificação, zero é o verdadeiro

coeficiente de qualquer das variáveis 𝑋𝑘+1 , …, 𝑋𝑘+𝑝
2.2 Inclusão de variáveis irrelevantes
Também é possível provar-se que os estimadores OLS da segunda
especificação são estimadores consistentes dos verdadeiros coeficientes
(isto é, os da primeira especificação).
2.2 Inclusão de variáveis irrelevantes
Estimados os coeficientes (pela segunda especificação) pode construir-
se, da maneira usual, o estimador da variância das perturbações… Neste
caso:

[𝑌 − 𝛿 + 𝛿 𝑋 + … + 𝛿 𝑋 + ⋯ + 𝛿 𝑋 ]2
𝑖 1 2 2𝑖 𝑘 𝑘𝑖 𝑘+𝑝 𝑘+𝑝,𝑖
𝜎2 =
𝑛 − (𝑘 + 𝑝)

Apesar da inclusão de p termos supérfluos no numerador e a perda de p

graus de liberdade no denominador, este é um estimador cêntrico e
consistente da variância 𝜎 2 .
2.2 Inclusão de variáveis irrelevantes
Segundo o Teorema de Gauss-Markov, verificadas as hipóteses clássicas,
…

Mas, no caso em análise, uma das hipóteses clássicas é violada, pela

inclusão no modelo de variáveis que não são variáveis explicativas de Y.

Assim, é possível provar que, apesar de 𝛿1 , …, 𝛿𝑘 estimarem de forma

cêntrica e consistente os verdadeiros parâmetros 𝛽1 , … , 𝛽𝑘 , fazem-no
com variâncias superiores às que poderiam ser obtidas se fosse
estimado por OLS o modelo corretamente especificado  são menos
eficientes
2.2 Inclusão de variáveis irrelevantes
Exemplificando com o caso mais simples:

Considere-se que o modelo correto é:

𝑌𝑖 = 𝛽1 + 𝑢𝑖

Mas o modelo estimado é

𝑌𝑖 = 𝛿1 + 𝛿2 𝑋𝑖 + 𝑣𝑖

…  continuar no livro p. 214