Sei sulla pagina 1di 86

Correlao Serial e

Heterocedasticidade em
Regresses de Sries Temporais
Wooldridge, Cap. 12
Porto Alegre, 11 de novembro de 2010
1
2
CORRELAO SERIAL
Ocorrncia
Conseqncia
Anlise grfica
Autocorrelao
Exemplo
Testes
Correlao serial devido a dinmicas
mal especificadas
3
Ocorre principalmente quando os dados so observados ao
longo do tempo. No caso de uma cross-section, pode ocorrer,
por exemplo, no caso de omisso de varivel relevante.
Exemplo:
* * *
0 1 1 t t t
y x u | | = + +
2
0 1 1 2 1 t t t t
y x x u | | | = + + +
(Modelo verdadeiro)
(Modelo especificado)
0.00
5.00
10.00
15.00
20.00
25.00
30.00
35.00
40.00
0 2 4 6 8 10 12 14 16 18
Seqncia de resduos + e -
Ocorrncia
4
Os estimadores de MQO continuam lineares,
no viesados, consistentes e assintoticamente
normais, mas no so mais eficientes (BLUE).
As varincias estimadas sero viesadas (em
geral, subestimadas).
Conseqncias
5
Conseqncias
Suposies:
: constante, no varia com i
(homocedasticidade).

Os erros so independentes, ou seja,


para i j.
( )
2
i e
Var e o =
0 1 1
...
i i k ki i
y x x e | | | = + + + +
( )
2
~ 0;
i e
e N o
( )
, 0
i j
Corr e e =
6
Conseqncias
No caso da presena de correlao serial
teremos que,
0 1 1
...
i i k ki i
y x x e | | | = + + + +
( )
, 0
i j i j ij
Cov e e E e e o
(
= = =

7
Grfico de vs ordem que as observaes
foram coletadas: verifica a presena de
dependncia;
Para que no haja dependncia entre os
resduos, o grfico obtido no deve conter
seqncias muito longas de resduos de mesmo
sinal.
Anlise Grfica
i
e
8
Dados extrados numa ordem conhecida.
Objetivo: identificar se o erro relativo
observao i sofre a influncia dos erros
relativos s observaes anteriores.
Srie de erros:
Contexto
,... ,..., ,
2 1 i
e e e
9
Autocorrelao (correlao serial) de primeira
ordem: correlao existente entre uma observao i
qualquer e a observao imediatamente anterior (i-1).
Autocorrelao (correlao serial) de ordem q:
correlao existente entre uma observao i qualquer
e a observao anterior (i-q).
Autocorrelao
10
Suposies:
u
i
~ N(0; o
u
2
)
u
i
independentes entre si
u
i
independente de e
i-1
: nmero entre -1 e 1.
= 0 e
i
independentes e com varincia o
e
2
1 i i i
e e u

= +
Modelagem da autocorrelao
11

= 0
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51
ordem
e
Exemplos
Simulaes de sries de
erros com autocorrelao
de 1 ordem
= 0,9
-1.5
-1
-0.5
0
0.5
1
1.5
2
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
ordem
e
= 0,9
-1.5
-1
-0.5
0
0.5
1
1.5
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49
ordem
e
12
= 0
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
-0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8
e
i-1
e
i
= 0,9
-1.5
-1
-0.5
0
0.5
1
1.5
2
-1.5 -1 -0.5 0 0.5 1 1.5 2
e
i-1
e
i
= -0,9
-1.5
-1
-0.5
0
0.5
1
1.5
-1.5 -1 -0.5 0 0.5 1 1.5
e
i-1
e
i
Diagramas de
disperso
1 i i
e vs e

13
( )
2 1
2
2 2
2 3
~ ~
1 2 3
1
1
1
1
n
n
n
e e
n n n
Var e


o o


| |
|
|
|
= O =
|
|
|
\ .
A varincia do erro constante.
Estrutura AR(1) para a Matriz de Varincias
e Covarincias
0
: 0 H =
( )
n
2
i i 1
i 2
n
2
i
i 1

e e

e
d

=
=

Estatstica do teste:
0 4 d s s
Teste para Verificao de Ausncia de
Correlao Serial (Teste de Durbin-Watson)
15
E, ainda, a correlao entre e
2 2
1 1
2

2

i i i i
i
e e e e
d
e

+
=

2 2
1

i i
e e

~

1
2

i i
i
e e
e

Note que
Como
i
e

i
e
Estatstica d
16
( )
1
2

2 1 2 1

i i
i
e e
d
e

| |
~ =
|
|
\ .

Ento,

1 1 0 4 d s s < <
Estatstica d
17
Se a autocorrelao for positiva, o valor de d
ser baixo.
Se a autocorrelao for negativa, o valor de d
ser alto.
Valores prximos a 2 indicam autocorrelao
prxima de zero.
Estatstica de Durbin-Watson
18
( )
( )
n
2
i i 1
i 2
n
2
i
i 1

e e

2 1

e
d

=
=

= ~

H
0
deve ser rejeitada para valores distantes de 2.
A distribuio de d depende do tamanho amostral
(n) e do nmero de variveis independentes (k).
0
: 0 H =
Teste de Durbin-Watson
19
n = 20, k = 3 e nvel de significncia de 5%:
Tabela (Gujarati): d
L
= 0,998 e d
U
= 1,676
se d < d
L
ento rejeita-se H
0
(correlao positiva)
se d > d
U
ento no h evidncias para rejeitar H
0
e se d
L
< d < d
U
ento teste inconclusivo.
( )
( )
n
2
i i 1
i 2
n
2
i
i 1

e e

2 1

e
d

=
=

= ~

0
: 0
: 0
A
H
H

=
>
Teste de Durbin-Watson
20
n = 20, k = 3 e nvel de significncia de 5%:
Tabela (Gujarati): d
L
= 0,998 e d
U
= 1,676
se d > 4 - d
L
ento rejeita-se H
0
se d < 4 - d
U
ento no h evidncias para rejeitar H
0
se 4 - d
U
< d < 4 - d
L
ento teste inconclusivo.
0
: 0
: 0
A
H
H

=
<
( )
( )
n
2
i i 1
i 2
n
2
i
i 1

e e

2 1

e
d

=
=

= ~

Teste de Durbin-Watson
21
Base de dados de Wooldridge (2006) com preos de
imveis americanos (hprice1) para estimar o modelo a seguir:
preco: preo da casa (em milhares de dlares)
terreno: tamanho do terreno
area: tamanho da casa
quartos: nmero de quartos
Supondo que os dados estejam ordenados de acordo
com a seqncia em que foram coletados. Verificar a
existncia de correlao serial entre os erros do modelo.
0 1 2 3
preco terreno area quartos e | | | | = + + + +
Exemplo
22 n = 88, k = 3, o = 5% , d = 2,1098 d
L
= 1,589 e d
U
= 1,726
Exemplo
23
n = 88, k = 3, o = 5% , d = 2,1098
d
L
= 1,589 e d
U
= 1,726
4 - d
L
= 2,41 4 - d
U
= 2,27
0 4
2
1,59 1,73 2,27 2,41
Rejeitar Rejeitar No
Rejeitar
? ?
0
: 0 : 0
A
H H = =
Exemplo
24
Se H
0
for rejeitada, ento:
Os estimadores de MQO so ineficientes;
A correo depende do conhecimento que
temos sobre a natureza da interdependncia
dos termos de erro, isto , do conhecimento da
estrutura de correlao.
Observaes
25
Se H
0
for rejeitada, ento:
Se, por exemplo, houver uma estrutura AR(1)
com conhecido, pode-se estimar os
parmetros do modelo original, de maneira
eficiente, a partir de uma transformao neste
modelo (conhecida como quase-diferena), que
equivalente a empregar o mtodo dos
mnimos quadrados generalizados (GLS).
Observaes

Uma estatstica DW significante no necessariamente


implica que tenhamos um problema de correlao serial. Este
ponto foi argumentado por Sargan (1964) e tambm por Hendry
e Mizon (1978). Consideramos que,
26
Correlao Serial devido a dinmicas mal especificadas
t t t
u x y + = | com
t t t
e u u + =
E so independentes com uma varincia comum .
Podemos escrever esse modelo como
(1)
2
o
t t t t t
e x x y y + + =
1 1
| |
t
e
(2)
27
0
3 2 1
= + | | |
t t t t t
e x x y y + + =
1 3 2 1 1
| | |
1
1
< |
com
(3)
Correlao Serial devido a dinmicas mal especificadas
E considerando um modelo dinmico estvel alternativo,
A primeira equao (2) a mesma que a segunda (3) com
a restrio:
(4)
28
Um teste para = 0 um teste para
1
= 0 (e
3
= 0). Mas
antes de testarmos isso, deveramos primeiramente testar a
restrio (4) e testar para = 0 apenas se a hiptese nula

2
+
3
= 0 no for rejeitada.
Se esta hiptese for rejeitada, no teremos um modelo de
correlao serial e a correlao serial nos erros em (1) deve -
se a um problema de especificao dinmica, ou seja, neste
caso, omisso das variveis
1
e
1
da equao.
Correlao Serial devido a dinmicas mal especificadas
29
Alternativamente, Hendry & Mizon desenvolvem o argumento da
seguinte maneira: a partir de uma equao na forma de (3), aplicando o
operador de diferenas

encontramos a equao


=
1


+
2


+


(1
1
)

= (
2

3
)

+


E, se a restrio (4) vale, ento,
(1
1
)

=
2
(1
1
)

+

(5)
Que a equao (1), ao dividirmos ambos os lados pelo fator comum,
tornando o termo de erro,

=

/(1
1
)
Correlao Serial devido a dinmicas mal especificadas
Correlao Serial devido a dinmicas mal especificadas
Logo, se o modelo da forma em (3) com variveis defasadas em um
perodo satisfazem a restrio acima, ento, os polinmios no
operador de diferena tm uma raiz comum e, esta raiz o coeficiente
de correlao serial de primeira ordem do termo de erro quando o
modelo definido na sua forma esttica, como em (1).
Neste caso haver uma correspondncia um para um entre o fator
dinmico comum e os erros auto regressivos.
Contudo, nem sempre possvel proceder desta forma, uma vez que
existe uma infinidade de situaes nas quais o aspecto dinmico no
pode ser adequadamente captado pelo erro auto regressivo, ou seja, o
fator comum no necessariamente ser encontrado.
Correlao Serial devido a dinmicas mal especificadas
A restrio (4) no linear nos parmetros e, portanto, necessrio
utilizar os testes Wald ou ML. Se o teste DW for significante, uma
abordagem apropriada testar a restrio (4) para estarmos seguros
de que possumos um modelo de correlao serial antes de aplicar
qualquer transformao autoregressiva nas variveis.
A sugesto de Sargan iniciar com o modelo geral (3) e testar a
restrio (4) antes de se aplicar qualquer teste de correlao serial.
No caso explicitado, no haver um teste t exato como no caso das
restries lineares. Um procedimento seria linearizar a restrio por
meio de uma srie de expanso de Taylor e utilizar o teste Wald, que
assinttico, ou mesmo o ML.
HETEROCEDASTICIDADE
Definio
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
Testes
Exemplo
Estimao via Mnimos Quadrados
Generalizados
Inferncia
32
33
HETEROCEDASTICIDADE
A varincia do termo erro, dadas as
variveis explicativas, no constante
34
Suposies do modelo de Mnimos
Quadrados Ordinrios (OLS)
Regressores fixos e matriz X de posto completo;
Erro aleatrio (de mdia zero);
Homocedasticidade;
Ausncia de correlao;
Parmetros constantes;
Modelo Linear;
Normalidade.
Homocedasticidade
A hiptese de homocedasticidade para a regresso
mltipla significa que a varincia do erro no observvel
u, condicional nas variveis explicativas, constante, ou
seja, no se mantm quando a varincia dos fatores no-
observveis muda ao longo de diferentes segmentos da
populao.
Por exemplo, a heterocedasticidade est presente se a
varincia de u que afeta y aumenta com x.
36
Homocedasticidade: Suposio de que
( ) ( )
|
|
|
|
|
|
.
|

\
|
= = =
2
2
2
2
~
2
'
o
o
o
o
o

n
I E Var
~ ~ ~
e e e
(matriz de covarincia)
( ) ( ) i e E e Var
i i
= = ,
2 2
o
implica em:
37
Esta hiptese no correta quando Var(e)
varia de um grupo para outro da populao,
ou seja, varia com os valores das variveis
explicativas
38
Heterocedasticidade
Aqui, consideraremos mantidas todas as outras suposies de
OLS, exceto a de homocedasticidade. Assim, teremos algo
como, por exemplo
( ) ( )
|
|
|
|
|
|
.
|

\
|
= O = =
2
2
3
2
2
2
1
~
'
n
E Var
o
o
o
o

~ ~ ~
e e e
39
Propriedades dos estimadores
( ) ( ) ( )
1 1 1
( )
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
~ ~ ~ ~


OLS
X X X y X X X X e X X X e | | |

| |
= = + = +
|
\ .
( )
1

lim lim
(OLS)
~ ~ ~ ~
~ ~ ~
p p X X X e

| |
| |
= + =
|
|
\ .
\ .
( ) ( )
1 1
( )
~ ~ ~ ~ ~ ~ ~ ~
~ ~ ~ ~


OLS
E E X X X e X X X E e | | | |

(
| |
(
= + = + =
|
(

\ .

40
Note que a suposio de homocedasticidade
no desempenha papel algum na demonstrao
de que os estimadores de mnimos quadrados
dos parmetros do modelo de regresso so
no viesados e consistentes;
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
41
Propriedades
( ) ( )
( ) ( )
{ }
( ) { } ( )
( ) ( )
( ) ( ) ( )
~ ~ ~ ~ ~
1 1
~ ~ ~ ~ ~ ~ ~ ~
1 1
~ ~ ~ ~ ~ ~ ~ ~
1 1
~ ~ ~ ~ ~ ~ ~ ~
1 1
~ ~ ~ ~ ~ ~ ~

'
'
'
'

OLS OLS OLS
Var E
E X X X e X X X e
E X X X ee X X X
X X X E ee X X X
X X X X X X
| | | | |




(
| | | || |
= =
| | |
(
\ . \ .\ .


( (
= =
`
( (

)
= =
= =
= O
( ) ( ) ( )
1 1 1
( )
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
~ ~ ~ ~


OLS
X X X y X X X X e X X X e | | |

| |
= = + = +
|
\ .
42
Aqui, verifica-se que a expresso usual de clculo
da varincia dos estimadores, quando a
suposio de homocedasticidade vlida,
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
no se aplica mais.
( )
1
( ) ( ) ( )
2
~ ~
~ ~ ~ ~ ~

'
OLS OLS OLS
Var E X X | | | | | o

(
| | | || |
= =
| | |
(
\ . \ .\ .

43
A partir das expresses anteriores, pode-se demonstrar
que os estimadores das varincias dos estimadores dos
parmetros do modelo de regresso so viesados, se no
for vlida a suposio de homocedasticidade, o que afeta
o erro-padro dos estimadores de mnimos quadrados;
Isso significa que os intervalos de confiana e os testes t
e F so prejudicados;
Alm disso, os estimadores de mnimos quadrados no
so mais BLUE e nem assintoticamente eficientes.
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
44
Quando existe heterocedasticidade, os
estimadores usuais por mnimos quadrados do
mais peso para os resduos com maior varincia, j
que a soma de quadrados dos resduos (SSR)
associados com os termos de maior varincia tende
a ser maior que aquela associada aos termos de
menor varincia.
A suposio de homocedasticidade
necessria para a determinao das distribuies
das somas de quadrados e testes de hipteses.
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
45
Conseqncias para os estimadores
de Mnimos Quadrados (OLS)
Observao:
A suposio de homocedasticidade entra
fundamentalmente na derivao das
distribuies das variveis presentes nos
testes, toda a anlise neles baseada no
vlida (a falha na suposio de
homocedasticidade mais grave que a falha na
suposio de normalidade).
46
Testes de Heterocedasticidade
A primeira forma de detectar a existncia de
heterocedasticidade atravs da anlise de
resduos (construir grficos dos resduos ao
quadrado versus cada uma das variveis
explicativas e versus os valores ajustados da
varivel resposta).
47
Base de dados de Wooldridge (2006) com preos de
imveis americanos (hprice1) para estimar o modelo a
seguir:
preco: preo da casa (em milhares de dlares)
terreno: tamanho do terreno
area: tamanho da casa
quartos: nmero de quartos
0 1 2 3
preco terreno area quartos e | | | | = + + + +
Exemplo
48
Estimativas de mnimos quadrados:
Exemplo
49
0
2
4
6
8
10
12
-120 -80 -40 0 40 80 120 160 200
Series: Residuals
Sample 1 88
Observations 88
Mean 8.07E-14
Median -6.554850
Maximum 209.3758
Minimum -120.0264
Std. Dev. 58.79282
Skewness 0.960683
Kurtosis 5.260844
Jarque-Bera 32.27791
Probability 0.000000
( )
2
2
2
2
3
24 6
_ ~ + = rt u C
n
s s A
n
JB
H
0
: as observaes so provenientes de uma populao
normalmente distribuda
Exemplo
Anlise de resduos:
50
-200
-100
0
100
200
300
0 20 40 60 80 100
ORDEM
R
E
S
I
D
Exemplo
51
-200
-100
0
100
200
300
1000 2000 3000 4000
SQRFT
R
E
S
I
D
-200
-100
0
100
200
300
0 2 4 6 8
BDRMS
R
E
S
I
D
-200
-100
0
100
200
300
100 200 300 400 500 600
PRICEAJUST
R
E
S
I
D
-200
-100
0
100
200
300
0 20000 40000 60000 80000 100000
LOTSIZE
R
E
S
I
D
Exemplo
52
0
10000
20000
30000
40000
50000
100 200 300 400 500 600
PRICEAJUST
R
E
S
I
D
S
Q
0
10000
20000
30000
40000
50000
0 20000 40000 60000 80000 100000
LOTSIZE
R
E
S
I
D
S
Q
0
10000
20000
30000
40000
50000
1000 2000 3000 4000
SQRFT
R
E
S
I
D
S
Q
0
10000
20000
30000
40000
50000
0 2 4 6 8
BDRMS
R
E
S
I
D
S
Q
Exemplo
53
Para H
0
ser rejeitada, precisamos encontrar relao entre o e
2
e
variveis explicativas; por exemplo:
e
2
= o
0
+ o
1
x
1
+ ... + o
k
x
k
+ v, onde v varivel erro.
Testes de Heterocedasticidade
Considerando
2
0 1 2
: ( | , , )
k
H Var e x x x o =
( )
( )
( )
( )
0 1 2
2
2
1 2 1 2
2 2
1 2
: | , ,...,
| , ,..., | , ,...,
| , ,...,
k
k k
k
H Var e x x x
E e x x x E e x x x
E e x x x o
=
= = (

= =
Homocedasticidade
54
Neste caso,
H
0
(hiptese de homocedasticidade): o
1
= ... = o
k
= 0,
a qual pode ser testada com uma estatstica F ou LM.
Como no se conhece os erros no modelo populacional, deve
estima-los, e,
i
uma estimativa do erro e
i
. Ento, pode-se
estimar a equao

2
= o
0
+ o
1
x
1
+ ... + o
k
x
k
+ v,
e calcular a estatstica F ou LM para verificar a significncia
conjunta de de x
1
, ..., x
k
, como segue:
Testes de Heterocedasticidade
55
Testes de Heterocedasticidade
2
2
2

[ ; 1]
2

~
(1 )
( 1)
e
obs k n k
e
R
k
F F
R
n k

=


ou
2
2 2

~
k
e
LM n R _ =
56
Testes de Heterocedasticidade
Observaes:
Podemos considerar apenas um sub-conjunto das
variveis explicativas;
Se H
0
for rejeitada, ento, precisaremos recorrer a
algum mtodo de estimao que leve em conta a
violao da suposio de homocedasticiadade.
Rejeitamos H
0
quando o valor observado for superior
ao crtico;
A verso LM deste teste conhecida como TESTE DE
BREUSCH-PAGAN (Teste BP).
57
Voltando ao modelo,
a fim de se fazer um teste BP para verificar se os
erros so homocedsticos. Aps a estimao do
modelo, o quadrado dos resduos so salvos e
regredidos em funo das varives explicativas:
Exemplo
0 1 2 3
preco terreno area quartos e | | | | = + + + +
58
Modelo estimado para os resduos ao quadrado:
59
Soluo:
_
2
obs
= 88 * 0,16 = 14,08
_
2
(0,05; 3) = 7,81
p-valor = 0,0028
F
obs
= 5,34
F(0,05; 3; 84) = 2,71
p-valor = 0,002048
Exemplo
60
Testes de Heterocedasticidade
TESTE DE WHITE
Este teste consiste em recorrer a uma suposio
menos rigorosa do que a de homocedasticidade:
H
0
: e
2
no correlacionado com as
variveis explicativas, seus quadrados e seus
produtos cruzados (interaes).
61
Testes de Heterocedasticidade
Por exemplo, quando o modelo contm k = 3 variveis
independentes, o teste de White fica baseado na
estimao do modelo
2
0 1 1 2 2 3 3
2 2 2
4 1 5 2 6 3
7 1 2 8 1 3 9 2 3



e x x x
x x x
x x x x x x erro
o o o o
o o o
o o o
= + + + +
+ + + +
+ + + +
TESTE DE WHITE
62
Testes de Heterocedasticidade
A utilidade deste teste consiste em identificar a forma de
heterocedasticidade, ou de erro de especificao, ou de
ambos.
Comparado ao teste BP, este modelo tem 6 parmetros a
mais para ser estimado, logo, h uma perda no nmero de
graus de liberdade.
Para minimizar a perda de graus de liberdade, este teste
pode ser feito com a regresso:
2 2
0 1 2

e y y erro o o o = + + +
TESTE DE WHITE
63
Voltando ao modelo para realizar o Teste de White a
fim de verificar se os erros so homocedsticos:
Exemplo
0 1 2 3
preco terreno area quartos e | | | | = + + + +
64
65
Para minimizar a perda de graus de liberdade, ser
refeito o exemplo anterior utilizando o modelo
para testar H
0
: o erro homocedstico (o
1
= o
2
= 0).
2 2
0 1 2

e y y erro o o o = + + +
Exemplo
66
Exemplo
67
_
2
obs
= 88 * 0,1848 = 16,26
_
2
(0,05; 2) = 5,99
p-valor = 0,000295
Soluo:
Exemplo
68
MNIMOS QUADRADOS
GENERALIZADOS
69
As tcnicas inferenciais so componentes importantes em
muitas anlises de dados. Na presena de
heterocedasticidade, como foi verificado anteriormente, toda a
anlise baseada em testes de hipteses se torna invlida.
Ser apresentado o ajuste dos erros-padro e as
estatsticas t e F, obtidos por mnimos quadrados, na
presena de heterocedasticidade cuja forma conhecida.
Estimao via Mnimos Quadrados
Generalizados
| |
| |
| |
P P I P P
I P P
I P P
I P P
I P'P
I P ' P
I
P PX, X PY, Y X Y
* *
* * * * * *
' '
'
'
'
X | E
' E
X | ' E
: onde

1
2 2
2 2
2
2
2
2
= u = u
= u =
= u =
= O =
= =
= =
=
= = = + =

o o
o o
o
o
o
o
Estimao via Mnimos Quadrados
Generalizados
71
Estimao via Mnimos Quadrados
Generalizados
Pode-se demonstrar que no caso em que a
matriz conhecida, os parmetros do modelo de
regresso podem ser estimados a partir de um
mtodo chamado de Mnimos Quadrados
Generalizados (GLS).
u
72
Utilizando tal mtodo obtemos:
( )
1
( )
1 1
~ ~ ~ ~ ~
~ ~


GLS
X X X y |


= O O
( )
1
( )
1
~ ~ ~
~

GLS
Var X X |

| |
= O
|
\ .
Estimao via Mnimos Quadrados
Generalizados
Estimao de Mnimos Quadrados
Ponderados
Detectando-se heterocedasticidade, possvel estimar erros
padro robustos em relao heterocedasticidade aps a
estimao MQO.
Antes das estatsticas robustas possvel modelar e estimar
a forma especfica da heterocedasticidade, calculando um
estimador mais eficiente que o MQO, alm de estatsticas t e F
no viesadas. Porem, isso requer mais trabalho pois preciso
ser especfico sobre a natureza da heterocedasticidade.
Estimao de Mnimos Quadrados
Ponderados
Para obter estimadores de que tenham propriedades de
eficincia melhores que MQO, estimamos a seguinte
equao:
Esta equao transformada satisfar as hipteses do
modelo linear clssico, se o modelo original tambm o fizer,
com exceo da hiptese de homoscedasticidade.
i
i
i
ik
i
i1
1
i
0
i
i
h h h h h
y u x x
k
+
|
|
.
|

\
|
+ +
|
|
.
|

\
|
+ = | |
|

j
|
Estimao de Mnimos Quadrados
Ponderados
Considere a seguinte equao:
Assuma que h(x) alguma funo das variveis explicativas que
determina a heteroscedasticidade:
Com h(x)>0 para todos valores possveis das variveis
independentes.
Supomos que a funo h(x) conhecida. Assim, mesmo que o
parmetro populacional seja desconhecido, teremos condies
de estim-lo a partir de uma amostra de dados.
( ) ( ) x h x u Var
2
| o =
u x x y
k k
+ + + + = | | |
1 1 0
Estimao de Mnimos Quadrados
Ponderados
necessrio estimar os parmetros da nova equao por
mnimos quadrados ordinrios. Os novos betas sero os
estimadores de mnimos quadrados generalizados (GLS).
Os erros-padro, estatsticas t e estatsticas F podem ser
obtidas de regresses que usem as variveis transformadas.
Por serem BLUE, os estimadores GLS so preferveis aos
estimadores OLS.
Estimao de Mnimos Quadrados
Ponderados
Os estimadores de mnimos quadrados generalizados (GLS)
para correo da heteroscedasticidade so chamados de
estimadores de mnimos quadrados ponderados (MQP) pois os
novos betas minimizam a soma ponderada dos quadrados dos
resduos.
A idia colocar menos peso nas observaes com uma
varincia de erro mais alta enquanto o mtodo OLS atribui pesos
iguais a todas as observaes, o que melhor quando o erro
homocedastico.
78
Inferncia aps a estimao via Mnimos
Quadrados (Estimadores Robustos)
Na prtica muito difcil conhecer a verdadeira
forma como a heterocedasticidade se apresenta.
Assim, precisamos buscar alguma metodologia
que nos fornea resultados vlidos na presena
de heterocedasticidade cuja forma
desconhecida
79
Recentemente, muito se tem desenvolvido com
relao ao ajuste de erros padres, estatsticas t, F e
LM para que os mesmos se tornem vlidos na
presena de heterocedasticidade.
Estes procedimentos so conhecidos como
ROBUSTOS pois so vlidos, pelo menos com
amostras grandes, sendo ou no a varincia do erro
constante.
Inferncia aps a estimao via Mnimos
Quadrados (Estimadores Robustos)
80
Considere que os erros so no correlacionados mas
heterocedsticos, ento a matriz O ter os elementos o
1
2
,
o
2
2
, ..., o
n
2
na diagonal principal. Assim, podemos
escrever a expresso
( ) ( )
( ) ( )
{ }
( ) { } ( )
1 1
( ) ( ) ( )
~ ~ ~ ~ ~ ~ ~ ~
~ ~ ~ ~ ~
1 1 1 1
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

' '
' '

OLS OLS OLS
Var E E X X X e X X X e
E X X X ee X X X X X X E ee X X X
| | | | |



( ( (
| | | || |
= = =
| | | `
( ( (
\ . \ .\ .

)
= = =
( ) ( )
1 1
~ ~ ~ ~ ~ ~ ~
X X X X X X

= O
Inferncia aps a estimao via Mnimos
Quadrados (Estimadores Robustos)
81
Como
( ) ( )
1 1
( )
2
~ ~ ~ ~
~
~ ~
1

'
n
OLS
i i i
i
Var X X x x X X | o

=
| |
| |
=
|
|
\ .
\ .

No se conhece o
i
2
, i = 1, 2, ..., n. Porm, White (1980)
demonstrou que uma estimativa bem simples dessas
quantidades podem ser obtidas a partir do clculo de
i
2
(quadrado do resduo de OLS).
Inferncia aps a estimao via Mnimos
Quadrados (Estimadores Robustos)
82
Assim,
Ao se tomar a raiz quadrada dos elementos da diagonal
principal desta matriz teremos o que usualmente
costuma se chamar de erro-padro devido a White (ou
erro padro robusto).
( ) ( )
1 1
( )
2
~ ~ ~ ~
~
~ ~
1


'
n
OLS
i i i
i
Var X X e x x X X |

=
| |
| |
=
|
|
\ .
\ .

Inferncia aps a estimao via Mnimos


Quadrados (Estimadores Robustos)
83
Observaes:
O erro-padro robusto pode ser maior ou menor do
que o erro-padro no robusto (no sabemos se o vis
para cima ou para baixo);
Usando um mtodo de estimao robusto, a
estatstica de teste t tambm ser robusta.
Inferncia aps a estimao via Mnimos
Quadrados (Estimadores Robustos)
84
Entre colchetes encontram-se os erros padres robustos.
Usando um mtodo de estimao robusto, as estatsticas
de testes (t, F e LM) tambm sero robustas.
21, 77031 0, 00207 0,12277 13,85252
(29,47504) (0,00064) (0,01324) (9,01014)
[37,13821] [0,00125] [0,01772]
preco terreno area quartos = + + +
2
[8,47862]
n 88 R 0, 6724 = =
Exemplo
85
Estatsticas F e LM Robustas:
Exemplo
0 1 2 3
preco terreno area quartos e | | | | = + + + +
0 1 3
0 1 3
: 0
: 0 / 0
H
H e ou
| |
| |
= =
= =
Ajustar o modelo usando algum procedimento robusto:
Testar a hiptese:
86
F
crtico
= F(0,05; 2; 84) = 3,11
_
2
crtico
= _
2
(0,05; 2) = 5,99
Exemplo
LM > _
q
2
ou F
obs
> F
[q; n-k-1]
rejeita a hiptese nula