ESPECIFICAÇÃO DE

MODELO E TESTE DE
DIAGNÓSTICO
DISCIPLINA: ECONOMETRIA
PROFESSORA: CINTHIA BARBOSA SOUSA
DUPLA: PEDRO VINICIUS E SAMARA CÂNDIDO
PLANO DE AULA
OBJETIVO:

ESTRUTURA DE APRESENTAÇÃO:
❑ Consequências dos modelos com erros de especificação
• Omissão de uma variável relevante (subespecificação)
• Inclusão de uma variável irrelevante (sobre especificação)

❑ Testes dos erros de especificação

• Detectando a presença de variáveis desnecessárias
• Testes para omissão de variáveis e forma funcional incorreta
CONSEQUÊNCIAS DOS MODELOS COM
ERRO DE ESPECIFICAÇÃO
 CONSEQUÊNCIAS DOS MODELOS COM ERRO DE ESPECIFICAÇÃO

• OMISSÃO DE UMA VARIAVEL RELEVANTE

O que acontece quando temos esse tipo de circunstância?

✔ Uma vez que um modelo é formulado com base na teoria relevante, não é aconselhável excluir uma
variável desse modelo
 CONSEQUÊNCIAS DOS MODELOS COM ERRO DE ESPECIFICAÇÃO

CONSEQUÊNCIAS:

1. Se a variável não omitida (X3) estiver correlacionada com o regressor do modelo, então os
parâmetros serão tendenciosos e inconsistentes.
2. Mesmo que X2 e X3 não sejam correlacionados, a constante será tendenciosa. Porém,
sua interpretação pode não fazer sentido, de qualquer modo.
3. A variância do termo de erro e dos parâmetros serão estimadas incorretamente.
4. Os intervalos de confiança podem conduzir a conclusões equivocadas quanto a significância.
5. O modelo não será confiável.
 CONSEQUÊNCIAS DOS MODELOS COM
ERRO DE ESPECIFICAÇÃO
• INCLUSÃO DE UMA VARIÁVEL IRRELEVANTE
 CONSEQUÊNCIAS DOS MODELOS COM
ERRO DE ESPECIFICAÇÃO
CONSEQUÊNCIAS :

1. Os estimadores de MQO são não tendenciosos e consistentes.

2. A variância do erro é estimada corretamente.
3. Os intervalos de confiança são válidos.
4. A variância dos estimadores pode ser mais alta.
TESTES PARA ERROS DE ESPECIFICAÇÃO
 TESTES PARA ERROS DE ESPECIFICAÇÃO
Sabemos que os erros nos modelos podem ocorrer pela nossa incapacidade de formular um modelo com
a máxima precisão possível e também seja possível que não tenhamos os dados adequados para testar o
nosso modelo.

Seguindo esse raciocínio, como podemos detectar a presença de variáveis que são desnecessárias ?

Considere o seguinte modelo abaixo:

Como posso saber se a variável Xk realmente pertence a esse modelo ?

 TESTES PARA ERROS DE ESPECIFICAÇÃO

• Uma das formas de descobrir isso é usando o teste T usual para teste a significância do Bk.

Desse modo, se já tivermos o nosso modelo em mente, devemos realizar o teste de hipóteses e a partir
daí escolheremos qual hipótese deverá ser mantida (verdadeira)
TESTES PARA ERROS DE ESPECIFICAÇÃO
• DATA MINING (GARIMPAGEM DE DADOS )

Esse teste tem como objetivo desenvolver o melhor modelo possível após os diversos testes
diagnósticos, de modo que o modelo a ser escolhido seja o "melhor modelo" no sentido de
que todas as variáveis sejam estimadas corretamente e com isso encontrar um valor de
coeficiente de determinação razoavelmente alto.
 TESTES PARA ERROS DE ESPECIFICAÇÃO
• QUAL O PROBLEMA DESSE TESTE ?

Esse teste não usa os níveis de insignificâncias convencionais tais como: 1, 5 ou 10%

Por exemplo: Se em um teste qualquer temos C = 15 K= 5 A = 5%

Seguindo a formula baixo vamos obter o nível de insignificância real aproximado.

Desse modo temos o seguinte:

 TESTES PARA ERROS DE ESPECIFICAÇÃO

• Portanto, se um pesquisador usa a prática do data mining e seleciona 5 de 15 regressores e relata

apenas os resultados do modelo condensado ao nível de significância nominal de 5% e declara que
os resultados são estatisticamente significativos, deve-se considerar essa conclusão com certa
cautela, pois sabemos que o verdadeiro nível de significância é, de fato, 15%.
 TESTES PARA ERROS DE ESPECIFICAÇÃO
• A estatística d de Durbin-Watson

1. Usada para detectar se a autocorrelação;

2. Existe autocorrelação se os resíduos de um período de tempo tiver ligação com resíduos de
outros períodos ;
3. O intervalo possível é 0 ≤ D ≥ 4;
4. D deve ser próximo a 2 se H0 for verdadeiro;
5. Se D for menor que 2 isso pode significar autocorrelação positiva, D acima de 2 pode significar
autocorrelação negativa
 TESTES PARA ERROS DE ESPECIFICAÇÃO
• SUPONHA QUE TEMOS OS SEGUINTES DADOS :

Y = 30,65 + 4,7038X
R² = O,8976
N = 25
K = 1 (VARIAVEL INDEPENDENTE)
 TESTES PARA ERROS DE ESPECIFICAÇÃO
Mediante isso formularemos nossas hipóteses

H0: autocorrelação positiva não existe

H1: existe autocorrelação

Regra de decisão : Rejeitar H0 se D < DL

Utilizando a tabela Durbin-Watson DL = 1,29 e DU = 1,45

Como foi obtido anteriormente D = 1,00494

Portanto devemos rejeitar H0 pois D < DL

 REFERÊNCIAS

GUJARATI, Damodar N.; PORTER, Dawn C. Econometria básica-5. Amgh Editora, 2011.

Estatística para gestores usando o Microsoft Excel 6 edição. Slideplayer.com.br. Disponível em<>
Capítulo 13 Regressão Linear Simples - ppt carregar (slideplayer.com.br).
Acesso em : 16/03/2022
OBRIGADO !