06 - Tópico 5 - Heterocedasticidade

Eu:
Detecção hetero – slide 30
Econometria
Tópico 5 – Regressão Múltipla
Quebra dos pressupostos: Heterocedasticidade
Ricardo Bruno N. dos Santos

Professor Adjunto da Faculdade de Economia
e do PPGE (Economia) UFPA
Análise da Regressão Múltipla (Tópico 2):
O problema da Estimação
Evidente que estamos considerando como hipóteses:
1) O modelo de regressão é linear nos parâmetros;
2) Os valores fixos de X ou os valores de X independentes do termo de
erro. Aqui, isso significa que é necessário covariância igual a zero
entre 𝑢𝑖 e cada variável X.
𝑐𝑜𝑣 𝑢𝑖 , 𝑋2𝑖 = 𝑐𝑜𝑣 𝑢𝑖 , 𝑋3𝑖 = 0
3) O termo de erro 𝑢𝑖 tem valor médio zero.
𝐸 𝑢𝑖 𝑋2𝑖 , 𝑋3𝑖 ) = 0
4) Homocedasticidade ou variância constante de 𝑢𝑖 .
𝑣𝑎𝑟 𝑢𝑖 = 𝜎 2
5) Ausência de autocorrelação, ou de correlação serial, entre os termos
de erro
𝑐𝑜𝑣 𝑢𝑖 , 𝑢𝑗 = 0 𝑖≠𝑗
6) O número de observações n deve ser maior que o número de
parâmetros a serem estimados, neste caso, 3.
Análise da Regressão Múltipla (Tópico 2):
O problema da Estimação
7) Deve haver variação nos valores das variáveis X.
8) Não há colinearidade exata entre as variáveis X

Ou seja, não há relação linear exata entre 𝑋2 𝑒 𝑋3 .
9) Ausência de viés de especificação
Ou seja, o modelo está corretamente especificado.
Lembre-se que os vídeos necessários para o
acompanhamento dessa apresentação são todos os
vídeos que iniciam por 05, e encontram-se dentro da
pasta Vídeos no mediafire.
Link do mediafire:
http://www.mediafire.com/?q1dbpxh1b4uxo
No Slideshare:
Natureza da Heterocedasticidade
A heterocedasticidade quebra uma das mais relevantes e
importantes hipóteses do MRLC, trata-se da
homocedasticidade dos resíduos onde:
𝐸 𝑢𝑖2 = 𝜎 2 𝑖 = 1,2, … , 𝑛
A variância condicional de 𝑌𝑖 aumenta a medida que uma
determinada variável independente aumenta. Ou seja, a
variância de 𝑌𝑖 não são as mesmas. Como a variância do
resíduo está condicionada a 𝑌𝑖 então existe a presença da
heterocedasticidade, onde
𝐸 𝑢𝑖2 = 𝜎𝑖2
Suponha que o seguinte modelo esteja sendo analisado, onde
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 , e Y seja a poupança e X a renda, assim
podemos verificar os dois seguintes gráficos:
HOMOCEDASTICIDADE
HETEROCEDASTICIDADE
As seguintes razões podem constituir-se como elementos de
variabilidade de 𝑢𝑖 , como:
1) Seguindo os modelos de erro-aprendizagem,
comportamentos incorretos das pessoas diminuem com o
tempo ou o número de erros torna-se mais consistente. Neste
caso, espera-se que 𝜎𝑖2 diminua. Como exemplo o autor cita a
Figura 11.3, que relaciona o número de erros de digitação
cometidos em um dado período de tempo em um teste com
as horas de prática de digitação. Percebe-se que o erro de
digitação diminui a medida que temos mais prática.
2) A medida que a renda aumenta, as pessoas têm mais renda
discricionária e, portanto, mais opções para escolher como
aplicarão sua renda. Por isso, é provável que 𝜎𝑖2 aumente com
a renda. Assim, na regressão de poupanças contra a renda é
provável que se verifique que 𝜎𝑖2 aumenta com a renda, pois
as pessoas têm maior opção sobre como irão dispor de suas
poupanças. Do mesmo modo, em geral se espera que
empresas com lucros maiores mostrem maior variabilidade
em suas políticas de dividendos que aquelas com lucros mais
baixos.
3) A medida que as técnicas de coleta de dados aprimoram-
se, é provável que 𝜎𝑖2 diminua. Assim, os bancos que têm
equipamentos sofisticados de processamento de dados
provavelmente cometem menos erros nos demonstrativos
periódicos de seus clientes do que bancos sem esses
recursos.
4) A hetero também ocorre com a presença de dados
discrepantes (outliers)
5) Violação da hipótese 9, onde o modelo de regressão deve ser
especificado corretamente.
6) A assimetria é outra fonte de heterocedasticidade. Renda e

riqueza são variáveis que geralmente são desiguais, onde a maior
parte da renda encontra-se na menor parte da população. Isso
gera uma assimetria no dado.
7) Transformação incorreta de dados. É mais comum em dados de

corte transversal do que nas séries temporais. A diferença é que
no primeiro temos um nível de desagregação maior da
informação, ou seja, estamos avaliando-a em vários níveis (como
os diferentes níveis de renda municipal). Já a série temporal é um
dado mais agregado, que não sofre grandes variações.
Resíduos da regressão de (a) percepções sobre despesas com

publicidade e (b) percepções sobre despesas de publicidade e
o quadrado de despesas com publicidade.
Estimativa dos MQO na presença da Heterocedasticidade
A pergunta que se faz é: o que acontece com o MQO e suas
variâncias se introduzirmos a heterocedasticidade fazendo
𝐸 𝑢𝑖2 = 𝜎𝑖2 , mas mantivermos todas as demais hipóteses do
modelo clássico? Vamos analisar o modelo com duas
variáveis:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖
Verificamos que:
σ 𝑥𝑖 𝑦𝑖
𝛽መ2 =
σ 𝑥𝑖2
𝑛 σ 𝑋𝑖 𝑌𝑖 − σ 𝑋𝑖 σ 𝑌𝑖
=
𝑛 σ 𝑋𝑖2 − σ 𝑋𝑖 2
Bem como a variância do beta 2 estimado é dada por:
σ 𝑥𝑖2 𝜎𝑖2
𝑣𝑎𝑟 𝛽መ2 = 2
σ 𝑥𝑖2
𝜎2
𝑣𝑎𝑟(𝛽መ2 ) =
σ 𝑥𝑖2
O que mantém o modelo aderente ao MELNT é a variância
constante 𝜎 2 , mas, o que acontece que ela não for constante?
Para verificar isso temos que analisar os resultados para dois
aspectos um considerando a tendenciosidade e outro
considerando a eficiência do modelo.
MANHÃ
O fato de ser homocedástica ou heterocedástica não
influencia na tendenciosidade do estimador 𝛽መ2 (ver apêndice
3A do capítulo 3), onde 𝐸 𝛽መ2 = 𝛽2 , onde mesmo na
presença de heterocedasticidade, em amostras grandes o
estimador continua consistente, e portanto, não tendencioso.
Porém a eficiência é algo que não pode ser mantido. Pois
dada a presença de heterocedasticidade ele deixa de
apresentar a variância mínima, ou seja, ele deixa de ser
MELNT. Isso porque:
σ 𝑥𝑖2 𝜎𝑖2
𝑣𝑎𝑟 𝛽መ2 = 2
σ 𝑥𝑖2
Aumenta conforme 𝜎𝑖2

O Método do Mínimos Quadrados Generalizados (MQG)
Pelo fato de o estimador deixar de ser MELNT temos que
encontrar uma forma de tornar o estimador MELNT, para
tanto, é utilizado o MQG. Basicamente tal método incorpora
pesos ou importâncias que ajudam a explicar o
comportamento da variância, ou seja, considerar o seu efeito
na hora do cálculo do estimador.
Considerando a fórmula para o modelo simples:

Para facilitar o entendimento da operação algébrica vamos
inserir a variável X0 que representa uma matriz vetor de 1,
assim
𝑌𝑖 = 𝛽1 𝑋0𝑖 + 𝛽2 𝑋𝑖 + 𝑢𝑖 𝑋0𝑖 = 1 𝑝𝑎𝑟𝑎 𝑐𝑎𝑑𝑎 𝑖
Se conhecermos as variâncias 𝜎𝑖2 poderemos inseri-las
na equação como um peso, ou seja:
𝑌𝑖 𝑋0𝑖 𝑋𝑖 𝑢𝑖
= 𝛽1 + 𝛽2 +
𝜎𝑖2 𝜎𝑖2 𝜎𝑖2 𝜎𝑖2
𝑌𝑖 𝑋0𝑖 𝑋𝑖 𝑢𝑖
= 𝛽1 + 𝛽2 +
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖
𝑌𝑖∗ = 𝛽1∗ 𝑋0𝑖

∗
+ 𝛽2∗ 𝑋𝑖∗ + 𝑢𝑖∗
Onde o sobrescrito com asteriscos nos parâmetros indicam os
estimadores do modelo transformado, para podermos
distingui-los dos parâmetros do modelo do MQO.
O que vai chamar a atenção é o erro transformado, vamos
verificar como ficam sua variância após a transformação:
𝑢 2
𝑖
𝑣𝑎𝑟 𝑢𝑖∗ = 𝐸 𝑢𝑖∗ = 𝐸 𝑝𝑜𝑟 𝐸 𝑢𝑖∗ = 0
𝜎𝑖
1
= 2 𝐸 𝑢𝑖2 𝑗á 𝑞𝑢𝑒 𝜎𝑖2 é 𝑐𝑜𝑛ℎ𝑒𝑐𝑖𝑑𝑜
𝜎𝑖
1
= 2 𝜎𝑖2 𝑗á 𝑞𝑢𝑒 𝐸 𝑢𝑖2 = 𝜎𝑖2
𝜎𝑖
=1
Ou seja, passamos a provar que a variância do modelo do
MQG é uma constante, ou seja, torna-se homocedástico.
Conservando as hipóteses do modelo clássico de regressão
linear, assim, se aplicarmos o MQO no modelo transformado,
ele irá gerar os MELNT.
Assim 𝛽1∗ e 𝛽2∗ são MELNT e não se tratam dos estimadores de
MQO 𝛽መ1 e 𝛽መ2 .
Podemos verificar, portanto, que o MQG são os MQO nas
variáveis transformadas que satisfazem as hipóteses padrão
de Mínimos Quadrados.
Podemos, assim como realizado o procedimento para MQO,
encontrar o resíduo mínimo para a função transformada,
considerando, portanto:
𝑌𝑖∗ = 𝛽1∗ 𝑋0𝑖
∗
+ 𝛽2∗ 𝑋𝑖∗ + 𝑢𝑖∗
Para obter o MQG temos que minimizar os resíduos, logo
2
෍ 𝑢ො 𝑖2∗ =෍ 𝑌𝑖∗ − 𝛽መ1∗ 𝑋0𝑖
∗
− 𝛽መ2∗ 𝑋𝑖∗
2 2
𝑢ො 𝑖 𝑌𝑖 𝑋0𝑖 𝑋𝑖
෍ =෍ − 𝛽መ1∗ − 𝛽መ2
∗
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖
Para o 𝛽መ2∗ o estimador de MQG será:
σ 𝑤𝑖 σ 𝑤𝑖 𝑋𝑖 𝑌𝑖 − σ 𝑤𝑖 𝑋𝑖 σ 𝑤𝑖 𝑌𝑖
𝛽መ2 =
∗
σ 𝑤𝑖 σ 𝑤𝑖 𝑋𝑖2 − σ 𝑤𝑖 𝑋𝑖 2
E a variância será:
σ 𝑤𝑖
𝑣𝑎𝑟 𝛽መ2∗ =
σ 𝑤𝑖 σ 𝑤𝑖 𝑋𝑖2 − σ 𝑤𝑖 𝑋𝑖 2
1
Onde 𝑤𝑖 =
𝜎𝑖2
Podemos então verificar que a diferença entre o MQO e o
MQG é dada pela presença de um termo ponderado
visualizado pela soma ponderada dos quadrados dos resíduos
𝑤𝑖 = 1/𝜎𝑖2 , que tem um papel de peso, no entanto, os
resultados de ambos (MQO e MQG) chegam a mesma
conclusão de que os resíduos são homocedásticos.
A diferença entre o uso das duas situações pode ser

observado no próximo diagrama de dispersão. Nos MQO,
cada 𝑢ො 𝑖2 associado aos pontos A, B e C receberá o mesmo
peso quando da SQR for minimizada. É claro que, nesse caso,
a 𝑢ො 𝑖2 associada ao ponto C dominará a SQR. Já nos MQG, a
observação extrema C receberá um peso relativamente
menor que as outras duas observações.
Consequências de usar MQO na presença de
heterocedasticidade
A regra aqui é verificar e responder o que acontece quando os
nossos estimadores não são eficientes.
Vamos para essa dinâmica, continuar utilizando o 𝛽መ2 e a sua
respectiva fórmula da variância (sabendo da existência da
hetero), que considera a presença da heterocedasticidade. O
grande problema é que mesmo conhecendo a variância 𝜎𝑖2
não podemos estabelecer um intervalo de confiança e muito
menos realizar os testes t e F, pois os intervalos de confiança
baseados na estimativa do 𝛽መ2 são menores, isso porque é
possível mostrar que var(𝛽መ2∗ ) ≤ 𝑣𝑎𝑟(𝛽መ2 ).
O grande problema é considerar a estimação por MQO e
desconsiderar a heterocedasticidade. Em primeiro lugar,
𝑣𝑎𝑟(𝛽መ2 ) = σ2 / σ 𝑥𝑖2 é um estimador TENDENCIOSO da
2
መ 2 2 2
𝑣𝑎𝑟 𝛽2 = σ 𝑥𝑖 𝜎𝑖 / σ 𝑥𝑖 , isso porque na média ele
sobrestima ou subestima a variância, e, em geral, não
podemos dizer se o viés é positivo (superestimação) ou
negativo (subestimação), pelo fato de isso depender da
natureza da relação entre 𝜎𝑖2 e os valores assumidos pela
variável explanatória X, como observado pelo termo σ 𝑥𝑖2 do
denominador da fórmula da variância.
O viés surge do fato de o valor de 𝜎ො 2 dado por σ 𝑢ො 𝑖2 /(𝑛 − 2),
não ser mais um estimador NÃO TENDENCIOSO deste último
quando a heterocedasticidade está presente.
Caso persistamos no uso dos procedimentos comuns de teste
apesar da hetero, quaisquer que sejam as conclusões a que
chegamos ou as inferências que fizermos poderão ser
equivocadas.
Para termos um entendimento melhor do que ocorre, vamos
verificar um estudo de Monte Carlo conduzido por Davidson e
MacKinnon, eles consideram o seguinte modelo simples, que em
nossa notação é:
Os autores pressupõem que 𝛽1 = 1 e 𝛽2 = 1 e 𝑢𝑖 ~𝑁(0, 𝑋𝑖𝛼 ).
Como mostra a última expressão, os autores supõem que a
variância de erro seja heterocedástica e relacionada ao valor do
regressor X com poder . Se por exemplo, =1, a variância do erro
é proporcional ao valor de X, caso seja =2, a variância do resíduo
será proporcional ao quadrado do valor de X e assim por diante.
Baseado em 20 mil réplicas e permitindo vários valores para
, eles obtêm erros padrão dos dois coeficientes de regressão
usando os MQO (com 𝑣𝑎𝑟(𝛽መ2 ) = σ2 / σ 𝑥𝑖2 ), MQO
permitindo a heterocedásticidade (onde 𝑣𝑎𝑟 𝛽መ2 =
2
σ 𝑥𝑖 𝜎𝑖 / σ 𝑥𝑖 ), e o MQG ( com 𝑣𝑎𝑟 𝛽መ2∗ = σ 𝑤𝑖 /
2 2 2
[ σ 𝑤𝑖 σ 𝑤𝑖 𝑋𝑖2 − σ 𝑤𝑖 𝑋𝑖 2 ])
Os resultados foram obtidos por cada peso de .
Os autores observaram que sempre o MQO sobrestima
(superestima) o MQG (ou seja, sempre suas variâncias serão
maiores que o MQO), tanto para o intercepto quanto para o
coeficiente angular.
Com isso a conclusão é que, na presença da
heterocedasticidade, são os MQG e não os MQO os MELNT.
Detecção da Heterocedasticidade
Vamos observar alguns procedimentos práticos que ajudam
na detecção da heterocedasticidade. Para dados
socioeconômicos é mais difícil a detecção pois não temos
controle da amostra, dessa forma temos muitas vezes que
fazer uso da intuição, informações preexistentes, experiência
empírica e muitas vezes mera especulação.
Tendo em vista esses pontos, vamos observar alguns métodos
informais e formais para a detecção da hetero.
Os métodos informais: consistem basicamente verificar o
comportamento dos resíduos ao quadrado 𝒖 ෝ 𝟐𝒊 contra o valor
estimado de Y 𝒀 ෡ 𝒊 . Algum comportamento sistemático entre
essas duas relações pode nos ajudar a concluir pela existência
da heterocedasticidade na regressão.
A seguir podemos observar algumas situações gráficas que

indicam a existência ou não de um comportamento
sistemático entre essas duas variáveis.
Esse comportamento pode ser observado também entre os
resíduos e as variáveis independentes X. Caso o resíduo ao
quadrado tiver alguma relação sistemática com alguma
variável independente, é um indicativo forte da presença de
heterocedasticidade na regressão.
Métodos formais: Tratam-se dos testes para verificação da
existência ou não da heterocedasticidade. São testes que são
realizados com base nos resíduos da regressão. A grande
maioria parte do pressuposto que na regressão existe
homocedasticidade, portanto, a hipótese nula do teste
consiste em:
𝐻0 : 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒
𝐻1 : 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒
Aqui serão abordados apenas 3 testes, a ideia é entender a

dinâmica de cada um deles: Glejser, Breusch-Pagan-Godfrey
e Teste GERAL de Heterocedasticidade de White
Teste de Glejser: Trata-se de um método que procura verificar
a relação entre resíduos e o comportamento da variável
independente X. O teste consiste em duas etapas, onde:
1ª Estimar a regressão: Devemos primeiramente estimar a
nossa regressão de interesse em que supõe-se ter a presenta
da hetero:
2ª Etapa: Depois de estimada a regressão, pegamos o resíduo

estimado na sua forma absoluta |𝑢ො 𝑖 | e usamos ele como
variável dependente do modelo contra a variável
independente do modelo anterior, no entanto, essa variável
pode ser transformada conforme o comportamento dos
resíduos, os modelos podem ser os seguintes:
𝑢ො 𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
1
𝑢ො 𝑖 = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋𝑖
1
𝑢ො 𝑖 = 𝛽1 + 𝛽2 + 𝑣𝑖
𝑋𝑖
𝑢ො 𝑖 = 𝛽1 + 𝛽2 𝑋𝑖2 + 𝑣𝑖
O grande problema nesse teste são os resíduos 𝑣𝑖 que podem
ter comportamento heterocedástico também.
As regressões com o comportamento 𝑢ො 𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑣𝑖
são mais difíceis de serem estimadas por serem modelos de
regressão não linear. O que inviabiliza sua estimação por
MQO.
O exemplo a seguir irá fazer uso das informações sobre

remuneração e produtividade e será utilizados os dados da
tabela 11.1.
Teste de Breusch-Pagan-Godfrey (BPG): É um dos testes de
heterocedasticidade mais conhecidos e utilizados. Para
entende-lo é necessária a construção de cinco etapas que
culminará numa análise da estatística 2 .
Para iniciar o teste vamos recorrer ao modelo de regressão
com k variáveis.
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖
Suponha que variância do erro, 𝜎𝑖2 , seja descrita como:
𝜎𝑖2 = 𝑓(𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼𝑚 𝑍𝑚𝑖 )
Ou seja, 𝜎𝑖2 é uma função das variáveis não estocásticas Z;
alguns ou todos os X podem servir de Z. Suponha que
𝜎𝑖2 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼𝑚 𝑍𝑚𝑖
Onde 𝜎𝑖2 passa a ser uma função linear de Z. Caso 𝛼2 = 𝛼3 =
⋯ = 𝛼𝑚 = 0, e 𝜎𝑖2 = 𝛼1 , que é uma constante. Dessa forma,
para testar se 𝜎𝑖2 é homocedástico, podemos testar a
hipótese de que 𝛼2 = 𝛼3 = ⋯ = 𝛼𝑚 = 0, esta é a ideia
básica por trás do teste de BPG.
Os procedimentos para a realização do teste são os seguintes:
1ª Etapa: Estime 𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖 por MQO
e obtenha os resíduos 𝑢ො 𝑖 .
2ª Etapa: Devemos obter o 𝜎෤ 2 = σ 𝑢ො 𝑖2 /𝑛. Que é o estimador
de máxima verossimilhança de 𝜎 2 . Essa fórmula é diferente
do estimador de MQO que é 𝜎ො 2 = σ 𝑢ො 𝑖2 /(𝑛 − 𝑘).
3ª Etapa: Construir as variáveis 𝑝𝑖 que são definidas como:
𝑝𝑖 = 𝑢ො 𝑖2 /𝜎෤ 2
4ª Etapa: Faça a regressão 𝑝𝑖 construída sobre os Z como
𝑝𝑖 = 𝛼1 + 𝛼2 𝑍2𝑖 + ⋯ + 𝛼𝑚 𝑍𝑚𝑖 + 𝑣𝑖
5ª Etapa: Obtenha a SQE (Soma dos Quadrados Explicada) e

defina:
1
 = 𝑆𝑄𝐸
2
Pressupondo que os resíduos se distribuem normalmente,
podemos demostrar que, se há homocedasticidade e se o
tamanho da amostra n aumenta indefinidamente, então:
𝑎𝑠𝑦 ~2𝑚−1
Para prática do teste BPG vamos utilizar os dados da Tabela
11.3.
Teste GERAL de Heterocedasticidade de White: É o mais

dinamizado dos testes, diante dos demais testes já vistos é o
que possui menos problemas, isso porque ele não necessita
que o pressuposto de normalidade seja atendido (conforme
ocorre com o teste BPG) e não possui nenhuma restrição
quanto aos resíduos de sua regressão auxiliar tiver algum
problema de heterocedasticidade.
Tanto, que é baseado no teste de White que são feitas a
maior parte das correções da hetero em modelos de
regressão linear.
O teste para ser visualizado necessita passar por quatro etapas,
sempre partindo do modelo de regressão onde:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑢𝑖
1ª Etapa: Estimar a regressão acima e encontrar os resíduos
estimados 𝑢ො 𝑖 .
2ª Etapa: De porte dos resíduos calculamos a seguinte regressão

auxiliar:
𝑢ො 𝑖2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖
2 2
+ 𝛼5 𝑋3𝑖 + 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖
Em seguida será obtido o R2 da regressão auxiliar.
3ª Etapa: Sob a hipótese nula de que não há heterocedasticidade,

pode-se mostrar que o tamanho da amostra (n) multiplicado pelo
R2 da regressão auxiliar segue uma distribuição qui-quadrado com
graus de liberdade iguais ao número de regressores (excluindo-se
o intercepto – constante) na regressão auxiliar. Ou seja,
2 ~2
𝑛𝑅𝑎𝑠𝑠 𝑔𝑙
Com caso do modelo com três variáveis irá gerar na regressão
auxiliar outras três variáveis, com isso teremos 5 graus de
liberdade uma vez que (n-1) = (6-1)
4ª Etapa: Comparamos o valor do Qui-quadrado calculado

com o valor tabelado, caso o calculado seja maior que o
tabelado, teremos então a rejeição da hipótese nula, ou seja,
rejeição da homocedasticidade, logo a conclui-se pela
presença da heterocedasticidade.
Caso ele não seja significativo, estaremos concluindo que
𝛼2 = 𝛼3 = 𝛼4 = 𝛼 5 = 𝛼6 = 0
Ou seja, de que os resíduos são homocedásticos.
Para ilustrar o exemplo do teste de White, será feito o
exemplo conforme o exercício 11.15 (pág. 349). Fazendo uso
da Tabela 11.7. Também iremos executar os testes de
heterocedasticidade de White e o BPG pelo Gretl.
Qual o melhor teste? Não se trata de uma decisão fácil, uma

vez que tais testes baseiam-se em vários pressupostos. Ao
compararmos os testes, precisamos prestar atenção ao seu
tamanho (ou nível de significância), potência (a probabilidade
de rejeitarmos a hipótese falsa) e a sensibilidade a
discrepância (Outliers). O teste de White por exemplo é um
teste que tem baixa potência contra outros testes. Já o BPG é
sensível a presença da normalidade dos resíduos.
Medidas corretivas
Verificamos que a presença da hetero irá afetar a eficiência de
nossos estimadores. Podemos aplicar medidas corretivas
levando em conta dois aspectos, quando conhecemos a
variância (𝜎𝑖2 ) e quando não a conhecemos.
𝝈𝟐𝒊 Conhecido: uso dos Mínimos Quadrados Ponderados.

Quando aplicamos o MQP corrigimos a heterocedasticidade,
tornando os estimadores MELNT. A melhor forma de verificar
o procedimento (que já foi utilizado em outra oportunidade)
e verificá-lo na prática. Para tanto, será usado o exemplo da
Tabela 11.1 conforme exemplo 11.7 da página 336.
𝝈𝟐𝒊 Desonhecido
Quando o valor da variância do erro é desconhecida é
possível fazer uma correção através de mudanças das
matrizes de variância e covariância (var-cov). O processo mais
conhecido é a correção de White.
Mas antes é interessante falar em como se da essa correção,
e mostrar no Gretl como essa correção procede.
A correção de White na verdade ocorre com a inserção da

matriz de pesos de White no cálculo da variância do
estimador, onde:
σ𝑤ෝ𝑗𝑖 𝑢ො 𝑖2
𝑣𝑎𝑟 𝛽መ𝑗 = 2
σ𝑤 2
ෝ𝑗𝑖
O termo 𝑤 ෝ𝑗 são os resíduos da regressão auxiliar de White,
como antes verificado para o modelo de três variáveis:
𝑢ො 𝑖2 = 𝛼1 + 𝛼2 𝑋2𝑖 + 𝛼3 𝑋3𝑖 + 𝛼4 𝑋2𝑖
2 2
+ 𝛼5 𝑋3𝑖 + 𝛼6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖
A forma matricial de se mostrar esse regressor é:

𝑣𝑎𝑟 𝛽መ𝑗 = 𝑋 ′ 𝑋 −1 𝑋 ′ 𝑋
෡ 𝑋 ′ 𝑋 −1 = 𝐻𝐶0
Essa primeira matriz é o termo do Gretl usado para a correção
de White.
Para o HC1 teremos uma correção na matriz de White pelo
grau de liberdade onde:
2 𝑛
𝑢ො 𝑖 ×
𝑛−𝑘
Para o termo HC2 teremos será feita uma correção ortogonal
cuja expectativa dos resíduos será dada por:
𝑢ො 𝑖2
onde ℎ𝑖 = 𝑋𝑖 𝑋 ′ 𝑋 −1 𝑋𝑖
1 − ℎ𝑖
O HC3 é uma versão com a correção Jackknife, onde na

verdade há uma sobrecorreção dada por:
𝑢ො 𝑖2
1 − ℎ𝑖 2
Vamos verificar o processo de correção de White no Gretl
utilizando o exemplo da Tabela 11.5 sobre dados de inovações
na América Latina, que encontra-se dentro do exemplo 11.10
da página 342.
Uma Advertência: Segundo John Fox
“Só vale a pena corrigir variâncias desiguais do erro somente
quando o problema for grave. O impacto da variância do erro
não constante sobre a eficiência do estimador de MQO e na
validade da eficiência dos MQO depende de vários fatores,
inclusive do tamanho da amostra, do grau de variação no 𝜎𝑖2 ,
da configuração dos valores de X [regressor – ou variáveis
independentes] e da relação entre a variância dos erros e os
X. Portanto, não é possível chegar a conclusões gerais a
respeito dos danos produzidos pela heterocedasticidade.”
FIM DO TÓPICO 5

06 - Tópico 5 - Heterocedasticidade

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

06 - Tópico 5 - Heterocedasticidade

Enviado por

Direitos autorais:

Formatos disponíveis

Eu:

Detecção hetero – slide 30

Ricardo Bruno N. dos Santos

8) Não há colinearidade exata entre as variáveis X

6) A assimetria é outra fonte de heterocedasticidade. Renda e

7) Transformação incorreta de dados. É mais comum em dados de

Resíduos da regressão de (a) percepções sobre despesas com

Aumenta conforme 𝜎𝑖2

Considerando a fórmula para o modelo simples:

𝑌𝑖∗ = 𝛽1∗ 𝑋0𝑖

A diferença entre o uso das duas situações pode ser

A seguir podemos observar algumas situações gráficas que

Aqui serão abordados apenas 3 testes, a ideia é entender a

2ª Etapa: Depois de estimada a regressão, pegamos o resíduo

O exemplo a seguir irá fazer uso das informações sobre

5ª Etapa: Obtenha a SQE (Soma dos Quadrados Explicada) e

Teste GERAL de Heterocedasticidade de White: É o mais

2ª Etapa: De porte dos resíduos calculamos a seguinte regressão

3ª Etapa: Sob a hipótese nula de que não há heterocedasticidade,

4ª Etapa: Comparamos o valor do Qui-quadrado calculado

Qual o melhor teste? Não se trata de uma decisão fácil, uma

𝝈𝟐𝒊 Conhecido: uso dos Mínimos Quadrados Ponderados.

A correção de White na verdade ocorre com a inserção da

A forma matricial de se mostrar esse regressor é:

O HC3 é uma versão com a correção Jackknife, onde na

Você também pode gostar