Escolar Documentos
Profissional Documentos
Cultura Documentos
(1)
Em outras palavras, o modelo clássico pressupõe que o termo de erro
relacionado a qualquer uma das observações não é influenciado pelo termo de erro de
qualquer outra observação. Contudo, se for verificada essa dependência, teremos
autocorrelação. Simbolicamente:
(2)
A Figura 1 apresenta alguns padrões plausíveis de presença e de ausência de
autocorrelação. As Figuras 1a a d mostram que há alguns padrões discerníveis entre os
u. A Figura 1a mostra um padrão cíclico; as Figuras b e c sugerem tendências lineares,
ascendentes e descendentes, nos termos de erro; enquanto a Figura 1d indica que termos
de tendência linear e quadrática estão presentes. Somente a Figura 1e indica ausência de
padrão sistemático, confirmando a hipótese de ausência de autocorrelação do modelo de
regressão linear clássico.
Figura 1- Padrões de presença e ausência de autocorrelação
Principais causas da autocorrelação
- Inércia: séries econômicas costumam apresentar ciclos, ou seja, períodos de
crescimento ou decaimento. Quando esse comportamento se reflete nos fatores não
observados (et), é comum que mudanças na tendência ocorreram lentamente.
Consequências
Ineficiência dos Estimadores de MQO: Na presença de autocorrelação nos
erros, os estimadores de MQO continuam sendo não viesados e consistentes, mas
deixam de ser eficientes (ou seja, não possuem mais variância mínima). Em outras
palavras, seja β^ o estimador de MQO, então existe outro estimador β^* tal que:
(3)
onde eᵢ são os resíduos eᵢ₋₁ é o resíduo anterior. O valor d é comparado aos
valores críticos da tabela do teste de Durbin-Watson.
Expandimos a Equação (3) para obter:
(4)
Uma vez que diferem apenas em uma observação, são
(5)
em que ⁓ significa aproximadamente.
Agora vamos definir:
ou (6)
como o coeficiente de autocorrelação de primeira ordem amostral, um estimador
de ρ. Usando a Equação (6), podemos expressar a Equação (5) como:
(7)
Mas, como -1 ≤ ρ ≤ 1, a Equação (7) implica que:
(8)
Esses são os limites de d; qualquer valor estimado de d deve ficar entre esses
limites.
Teste de Breusch–Godfrey (BG)
Para evitar algumas das armadilhas do teste d de Durbin-Watson, os estatísticos
Breusch e Godfrey desenvolveram um teste de autocorrelação que é genérico no sentido
de que não permite (1) regressores não estocásticos, como os valores defasados do
regressando; (2) esquemas autorregressivos de ordem superior, como AR(1), AR(2)
etc.; e (3) médias móveis simples ou de ordem mais elevada de termos de erro de ruído
branco, como "t na Equação .
O teste BG, que também é conhecido como teste LM, é feito como se segue:
usamos o modelo de regressão de duas variáveis para ilustrar o teste, embora muitos
regressores possam ser acrescentados a ele. Seja:
(9)
Supomos que o termo de erro ut siga um esquema autorregressivo de ordem p,
AR(p), como se segue:
(10)
em que εt é um termo de erro de ruído branco, como examinado anteriormente.
(11)
e obtenha R2 dessa regressão (auxiliar).
3. Se o tamanho da amostra for grande (tecnicamente infinito), Breusch e
Godfrey mostraram que:
(12)
Assintoticamente, n - p vezes o valor R2 obtido da regressão auxiliar (11) segue
a distribuição do qui-quadrado com p graus de liberdade. Se em uma aplicação (n - p)
R2 excede o valor crítico do qui-quadrado no nível de significância escolhido,
rejeitamos a hipótese nula, em que pelo menos ρ na Equação (10) é estátisco e
significamente diferente de zero.
Medidas corretivas
Se, depois de aplicarmos um ou mais testes diagnósticos de autocorrelação,
verificarmos a presença dela, devemos prosseguir da seguinte forma:
1. Tentar verificar se é um caso de autocorrelação pura e não o resultado da
especificação equivocada do modelo.
2. Se for autocorrelação pura, podemos usar a transformação adequada do
modelo original de modo que, no modelo transformado não tenhamos o problema de
autocorrelação (pura). Para isso teremos de usar algum tipo de método de mínimos
quadrados generalizados (MQG).
3. Em amostras grandes, podemos usar o método de Newey-West para obter os
erros padrão dos estimadores de MQO que estão corrigidos para a autocorrelação.
Dessa forma, a autocorrelação é uma questão fundamental em análise de dados,
pois pode distorcer a precisão das estimativas e conclusões derivadas de modelos
estatísticos. Portanto, o reconhecimento da natureza do problema da autocorrelação,
juntamente com a aplicação de testes apropriados e a implementação de medidas
corretivas adequadas, fortalece a integridade e a precisão das análises estatísticas.