ECONOMETRIA I

Prof. Mario Antonio Margarido

SEÇÃO 3 ECONOMIA 1
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.1. Modelo de regressão: hipótese 1

• A primeira hipótese afirma que, na média, os erros do modelo de regressão
tendem a zero. No caso de dados de séries temporais, a diferença entre cada
valor observado para cada ponto no tempo ou para cada indivíduo (no caso
de dados seccionais) e seus respectivos valores estimados representa o erro
da estimativa. Assim:
• Se o valor observado se encontra acima do valor estimado, o erro é positivo.
• Se o valor observado se encontra abaixo do valor estimado, o erro é negativo.

SEÇÃO 3 2
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.1. Modelo de regressão: hipótese 1

• Quando o valor observado é exatamente igual ao valor estimado, ambos os
pontos estão localizados sobre a reta de regressão, e o erro é igual a zero.
• No caso de grandes amostras, os erros positivos tendem a ser compensados
pelos erros negativos, e por isso, na média, os erros tendem a zero.
Formalmente, tem-se:

SEÇÃO 3 3
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.2. Modelo de regressão: hipótese 2

• A variância dos erros é constante e finita para todos os valores de xt, ou seja,
a variância do termo de erro é a mesma, independentemente do valor da
variável xt, e igual a σ2. Quando a variância é constante, é denominada
homocedástica. Matematicamente, essa propriedade é representada como:

• No entanto, considerando-se a hipótese 1, de que E(ut) = 0, então o segundo

termo da expressão Var (ut) = E[ut – E(ut)]2 é igual a zero. Logo, tem-se que:

SEÇÃO 3 4
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.2. Modelo de regressão: hipótese 2

• O resultado da expressão mostra que a variância é constante ao longo do
tempo, isto é, independe do tempo no caso de dados de séries temporais e
independe do indivíduo quando se trata de dados seccionais. Se essa
hipótese é violada, a variância dos erros é denominada heterocedástica. Isso
implica que a variância não é constante e gera resultados viesados para o
modelo de regressão.
• Um exemplo de heterocedasticidade é o caso de uma economia que se
encontre num processo de forte inflação. As pessoas perdem a noção dos
valores dos produtos, pois a variabilidade dos preços se torna muito grande,
as diferenças de preços para um mesmo produto são muito acentuadas.

SEÇÃO 3 5
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.2. Modelo de regressão: hipótese 2

• A variância heterocedástica também está associada à presença de uma ou
mais quebras estruturais nas séries.
• No caso da economia brasileira, por exemplo, a mudança da política cambial
ocorrida em janeiro de 1999, ao passar de um câmbio administrado para o
sistema de câmbio flutuante, foi uma quebra estrutural, pois ocorreu uma
grande depreciação do câmbio, por volta de 25%.
• Outro exemplo de quebra estrutural é a Crise Financeira Internacional de
2008, que depreciou os preços das commodities do mercado internacional de
forma acentuada no curto prazo.

SEÇÃO 3 6
Capítulo 3 – Hipóteses do modelo de regressão linear

• Outra forma de verificar se o modelo

é homocedástico ou heterocedástico
é fazer o gráfico da variável contra os
resíduos. A Figura 1 apresenta o
modelo homocedástico, enquanto a
Figura 2 apresenta o comportamento
heterocedástico dos resíduos.

SEÇÃO 3 7
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.3. Modelo de regressão: hipótese 3

• Os erros do modelo de regressão são estatisticamente independentes uns
dos outros. Mais especificamente, dados dois valores da variável X (por
exemplo, xi e xj, onde i ≠ j), a correlação entre os dois respectivos erros (ui e
uj, onde, novamente, i ≠ j) é igual a zero. Isso implica ausência de correlação
serial. Matematicamente, essa hipótese é representada como:

• onde cov representa covariância. A covariância mede o grau de

interdependência ou correlação entre duas variáveis aleatórias (estocásticas).
Intuitivamente, a questão da presença de autocorrelação nos resíduos pode
ser explicada a partir de um modelo de regressão.
SEÇÃO 3 8
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.3. Modelo de regressão: hipótese 3

• Supondo que o modelo de regressão seja representado como:

onde t representa o tempo, e dado que séries econômicas apresentam

“memória” – nas quais acontecimentos passados impactam o presente –,
então, o resíduo do período t, representado por ut, é correlacionado com seu
próprio resíduo, porém, do período anterior, ou seja, em t – 1. Se este último é
representado por ut–1, o valor de yt não depende somente de xt, mas, também,
do resíduo do período anterior, ou seja, ut–1.

SEÇÃO 3 9
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.3. Modelo de regressão: hipótese 3

• Portanto, ut–1 também determina o comportamento do resíduo no período
t(ut). Em outras palavras, os dois resíduos são correlacionados. Se os resíduos
correlacionados são vizinhos, como no caso entre o resíduo do período t e o
resíduo do período t – 1, diz-se que a autocorrelação é de ordem 1. Quando a
autocorrelação ocorre entre resíduos não contíguos, como, por exemplo, o
resíduo no período t com o resíduo no período t – 12, diz-se que a
autocorrelação é de ordem elevada – neste caso, de ordem 12.
• A presença de autocorrelação nos resíduos pode ser identificada via gráfico
dos resíduos. Caso o gráfico mostre que os resíduos têm um comportamento
sistemático, é um indicativo da presença de autocorrelação nos resíduos.

SEÇÃO 3 10
Capítulo 3 – Hipóteses do modelo de regressão linear

• Na Figura 3(a), os resíduos apresentam

o comportamento senoidal, ao passo
que, na Figura 3(b), os resíduos têm
trajetória ascendente e positiva.

SEÇÃO 3 11
Capítulo 3 – Hipóteses do modelo de regressão linear

• As Figuras 4(a) e 4(b) mostram outros

dois casos que indicam a presença de
autocorrelação nos resíduos. Na
Figura 4(a), os resíduos apresentam
forma quadrática e, na Figura 4(b),
trajetória descendente.

SEÇÃO 3 12
Capítulo 3 – Hipóteses do modelo de regressão linear

• Se os dados atendem às premissas de

que não há autocorrelação nos
resíduos, então o gráfico dos resíduos
deve mostrar uma faixa horizontal
centrada em torno do zero. Sem
mostrar uma tendência positiva ou
negativa, os resíduos são distribuídos
aleatoriamente, ou seja, não
apresentam padrão sistemático, como
apresentado na Figura 5.

SEÇÃO 3 13
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.4. Modelo de regressão: hipótese 4

• A covariância (ou correlação) entre a(s) variável(is) independente(s) e os
resíduos deve ser igual a zero. Matematicamente, essa hipótese pode ser
escrita como:

• No entanto, a hipótese 1 afirma que E(ut) = 0, logo a expressão pode ser

reescrita como:

• Multiplicando os resíduos pelos termos entre parênteses, tem-se:

SEÇÃO 3 14
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.4. Modelo de regressão: hipótese 4

• Dado que a média ou esperança de E(xt) é não estocástica e, ainda, com base
na hipótese 1 de que E(ut) = 0, a expressão fica reduzida a:

• Aplicando o operador esperança, chega-se a:

• Novamente, com base na hipótese de que E(ut) = 0, tem-se que:

• A hipótese 4 também pode ser escrita simplesmente como:

SEÇÃO 3 15
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.4. Modelo de regressão: hipótese 4

• Ambas as formas mostram que o(s) regressor(es) é(são) ortogonal(is) ao erro,
ou seja, são não correlacionados.

• Intuitivamente, no modelo de regressão, é pressuposto que a(s) variável(is)

independente(s) e os resíduos – que captam as influências de variáveis
omitidas no modelo – têm efeitos separados e aditivos sobre a variável
dependente. No entanto, se a(s) variável(is) independente(s) é(são)
correlacionadas com os resíduos, isso significa que não é possível separar os
efeitos individuais de cada um desses componentes sobre o comportamento
da variável dependente.

SEÇÃO 3 16
Capítulo 3 – Hipóteses do modelo de regressão linear

• 3.5. Modelo de regressão: hipótese 5

• Uma quinta hipótese é necessária para validar inferências sobre os
parâmetros da população (α e ß) a partir dos parâmetros amostrais
estimados e .
• Os erros devem ter distribuição normal, com média igual a zero e variância
constante igual a σ2. Matematicamente, essa hipótese pode ser escrita como:

• No entanto, é necessário realçar que essa hipótese dificilmente se sustenta

na prática, pois é necessário que a amostra seja assintótica, ou seja, tenda a
infinito, e dificilmente será possível trabalhar com amostras tão grandes.

SEÇÃO 3 17
Capítulo 3 – Hipóteses do modelo de regressão linear

SEÇÃO 3 18
Bibliografia

 Básica
 GUJARATI, Damodar N.; PORTER, Dawn C. Econometria básica. 5 ed. Porto Alegre:
Bookman, 2011.
 STOCK, James H.; WATSON, Mark W. Econometria. São Paulo: Addison-Wesley, 2004.
 WOOLDRIDGE, J. M. Introdução à econometria: uma abordagem moderna, São Paulo:
Cengage Learning, 2017.

SEÇÃO 3 19