Hetero Ce Dasti Cidade Total

Heterocedasticidade
Aula 23
Prof. Moiss A. Resende Filho
Introduo Econometria (ECO 132497)
09 de junho de 2014
Moiss Resende Filho (ECO/UnB)
(Wooldridge, cap. 8)
09/06/2014
1 / 33
Propriedades dos estimadores MQO

RLM.1 (linear nos parmetros): y = 0 + 1 x1 +
+ k xk + u.
RLM.2 (amostragem aleatria): a amostra representa a populao.
RLM.3 (colinearidade imperfeita): variao amostral e colinearidade
imperfeita.
RLM.4 (mdia condicional zero): E (u jx1 , x2 , . . . , xk ) = 0.
As hipteses RLM.1 a RLM.4 so sucientes para garantir
E (b
j ) = j , j = 0, ..., k (no enviesamento dos estimadores MQO
em amostras de qualquer tamanho n < ) e
p lim(b
j ) = j , j = 0, ..., k (consistncia de MQO).
RLM.1 a RLM.5 (hipteses de Gauss-Markov) so sucientes

para garantir que os estimadores MQO so os melhores estimadores
lineares no viesados (BLUE).
09/06/2014
2 / 33
Heterocedasticidade
RLM.5. Var (u jx1 , x2 , . . . , xk ) = 2 pode ser violada de vrias formas.
Em geral, a violao se d porque Var (u jx1 , x2 , . . . , xk ) depende dos
valores de x1 , x2 , . . . , xk .
Por exemplo: no modelo de consumo em funo da renda do
domiclio.
Se a varincia do consumo renda do domiclio, ento,
Var (consumo jrenda) = Var (u jrenda) = f (renda) 6= 2 .
comum se assumir a forma constante multiplicativa de
heterocedasticidade:
Var (u jx1 , x2 , . . . , xk ) = 2 h (x1 , x2 , . . . , xk ), com a funo h (.) > 0
Por exemplo, poderia ser que
Var (consumo jrenda) = Var (u jrenda) = 2 renda2 , com
h (renda) = renda2 .
09/06/2014
3 / 33
Heterocedasticidade
Quais as consequncias da violao de RLM.5?
1
MQO permanece linear e no viesado (LUE) e consistente => MQO

ainda um bom estimador.
MQO deixa ser BLUE, pois deixam de ser os estimadores de menor

varincia dentre os estimadores lineares no viesados => pode haver
um estimador melhor que MQO.
r
q
2
b
b
d
ep ( j ) = Var ( j ) = SQT b(1 R 2 ) deixa de ser um estimador
b2 (estimador da varincia
no viesado do dp (b
j ), pois se baseia em
constante de u).
Como no se tem certeza de que ep (b
j ) so no viesados, as
estatsticas t, F e LM usuais no necessariamente seguem as
distribuies t, F , 2 e deixam de ser vlidas para inferncia.
09/06/2014
4 / 33
Heterocedasticidade
Sob RLM.1 a RLM.4,
brij ui
b
j = j + i =n 1 2
i =1 brij
n
Assumindo que Var (u jx1 , x2 , . . . , xk ) = 2i ,
i =1 brij2 2i
2
n
i =1 brij2
n
Var (b
j ) =
(1)
No caso particular em que Var (u jx1 , x2 , . . . , xk ) = 2 , como antes:

Var (b
j ) =
n
b
r2
i =1 ij
2
2
=
SQRj
SQTj (1 Rj2 )
QUESTO: Como estimar 2i para qualquer forma de

heterocedasticidade?
09/06/2014
5 / 33
Heterocedasticidade
White (1980) mostra que sob RLM.1 a RLM.4 e para qualquer forma
de heterocedasticidade, o estimador vlido para Var (b
j )
brij2 ubi2
d (b
Var
) = i =1
n
(2)
SQRj2
onde b
rij o i-simo resduo da regresso auxiliar de xj sobre as demais
n
variveis independentes do modelo, SQRj
i =1 brij2 e ubi so os resduos
da regresso de interesse.
Os erros-padro robustos em relao heterocedasticidade ou
White -Huber ou Eicher ou erros-padro robustos so
v
u n
u b
r 2u
b2
i =1 ij i
t
b
ep ( j )robusto =
SQRj2
09/06/2014
6 / 33
Heterocedasticidade
s vezes, corrigi-se (2) para graus de liberdade, fazendo
i =1 brij2 ubi2
n
d (b
Var
j ) =
SQRj2
n
k
Para n ! (ou assintoticamente) corrigir ou no para graus de

liberdade so dois procedimentos equivalentes.
Estatsticas t robustas em relao heterocedasticidade utilizam
erros-padro robustos, tal que
t=
b
j j
ep (b
j )robusto
O uso de erros-padro robustos se justica somente assintoticamente.

Em amostra pequenas, as estatsticas t e F robustas em relao
heterocedasticidade no seguem aproximadamente as distribuies t e F .
09/06/2014
7 / 33
Heterocedasticidade
No Stata, basta adicionar a opo robust, por exemplo:
ssc install bcuse
bcuse wage1, clear
drop wage nonwhite numdep smsa northcen south west construc ndurman trcommpu trade services profserv profocc clerocc
servocc
rename female feminino
rename tenure perm
rename married casado
rename lwage lsalarioh
rename tenursq permsq
*Gera as variveis binrias
gen hcasados=(1-feminino)*casado
gen hsolteiros=(1-feminino)*(1-casado)
gen msolteiras=feminino*(1-casado)
gen mcasadas=feminino*casado
09/06/2014
8 / 33
Heterocedasticidade
*Estima o modelo
reg lsalarioh hcasados mcasadas msolteiras educ exper expersq perm permsq
eststo modelo1
reg lsalarioh hcasados mcasadas msolteiras educ exper expersq perm permsq, robust
eststo modelo2
esttab modelo1 modelo2, star(* 0.10 ** 0.05 *** 0.01) se label
09/06/2014
9 / 33
Heterocedasticidade
(1)
lsalarioh
(2)
lsalarioh
hcasados
0.213***
(0.0554)
0.213***
(0.0571)
mcasadas
-0.198***
(0.0578)
-0.198***
(0.0588)
msolteiras
-0.110**
(0.0557)
-0.110*
(0.0571)
educ
0.0789***
(0.00669)
0.0789***
(0.00741)
exper
0.0268***
(0.00524)
0.0268***
(0.00514)
-0.000535***
(0.000110)
-0.000535***
(0.000106)
0.0291***
(0.00676)
0.0291***
(0.00694)
expersq
perm
permsq
Constant
Observations
-0.000533**
(0.000231)
0.321***
(0.100)
526
-0.000533**
(0.000244)
0.321***
(0.109)
526
Standard errors in parentheses

* p<0.10, ** p<0.05, *** p<0.01
b
Note que no necessariamente(Wooldridge,
os ep (cap.
)8)
09/06/2014
so maiores que
os ep (b
10 /) 33
Testes para homocedasticidade

Por que testar para homocedasticidade?
1
Utilizar erros-padro usuais prefervel se RLM.1 a RLM.5 e RLM.6

(normalidade) forem vlidas, pois as estatsticas seguiro exatamente
as distribuies preconizadas (t, F , 2 ), independentemente do
tamanho da amostra. Os ep (b
j )robusto so vlidos apenas
assintoticamente.
Pode-se utilizar os resultados dos testes na construo de um
estimador com menor varincia (melhor) que MQO.
Focaremos os testes da hiptese

H0 : Var (u jx1 , x2 , . . . , xk ) = 2
que, sob RLM.4, equivalente a
H0 : E (u 2 jx1 , x2 , . . . , xk ) = 2
contra H1 : Var (u jx1 , x2 , . . . , xk ) depende dos nveis das variveis
independentes do modelo.
09/06/2014
11 / 33
Teste Breusch-Pagan e Godfrey

Assume que se h heterocedasticidade, esta da forma
u 2 = 0 + 1 x1 + 2 x2 +
+ k xk + v
(3)
Assim, teste o conjunto de restries

H0 : 1 = 2 =
= k = 0
(4)
Passos na implementao do teste BP:

1
Estime a regresso y = 0 + 1 x1 +
srie dos resduos u
b.
+ k xk + u e armazene a
Estime o modelo (3) utilizando a srie u

b2 e armazene o seu R 2 , Rub22 ;
Calcule a estatstica F =
LM =
nRub22
2k .
(1
R 22 /k
ub
2
R 2 ) / (n
ub
k 1)
Fk ,n
k 1
ou
09/06/2014
12 / 33
Teste Breusch-Pagan e Godfrey
No Stata, utilizando o exemplo anterior:

quietly reg lsalarioh hcasados mcasadas msolteiras educ exper expersq perm permsq
estat hettest, rhs

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: hcasados mcasadas msolteiras educ exper expersq perm permsq
chi2(8)
Prob > chi2
=
=
21.14
0.0068
Como Prob > ch2 = 0.0068 < 0.05, ao nvel de 5%, rejeita-se
H0 : Var (u jx1 , x2 , . . . , xk ) = 2 .
09/06/2014
13 / 33
Teste de White
O teste Breusch-Pagan detecta apenas formas lineares de

heterocedasticidade.
O teste de White permite no-linearidades e apenas altera o passo 2
do teste de Breusch-Pagan.
No passo 2 do teste de White estime o modelo incluindo os quadrados
das variveis e todos as interaes entre variveis.
Por exemplo, no caso de y = 0 + 1 x1 + 2 x2 + u, no passo 2, estime
u
b2 = 0 + 1 x1 + 2 x2 + 3 x12 + 4 x22 + 5 x1 x2 + v
09/06/2014
14 / 33
Teste de White

whitetst
White's general test statistic :
45.68725
Chi-sq(36)
P-value =
.1293
Como P-value= .1293 > 0.05, ao nvel de 5%, aceita-se

H0 : Var (u jx1 , x2 , . . . , xk ) = 2 pelo teste de White.
Problema: perde muitos graus de liberdade, diminuindo o poder do
teste (rejeita quando deve rejeitar).
09/06/2014
15 / 33
Teste de White
Wooldridge prope uma verso alternativa do teste de White.

1
Estime a regresso y = 0 + 1 x1 +
+ k xk + u e armazene a
srie dos resduos u
b e dos valores estimados yb.
Estime o modelo u
b2 = 0 + 1 yb + 2 yb2 + v e armazene o seu R 2 ,
rotudala como Rub22 .
Calcule a estatstica F =
LM = nRub22
22 .
(1
R 22 /2
ub
2
R 2 ) / (n
ub
2 1)
F2,n
2 1
ou
Vantagem: mais fcil de implementar que o teste de White usual e

impe a perda de menos graus de liberdade.
09/06/2014
16 / 33
Teste de White modicado por Wooldridge

predict yhat, xb
predict uhat, residuals
gen uhat2=uhat^2
gen yhat2=yhat^2
reg uhat2 yhat yhat2
scalar r2u2 = e(r2)
scalar n = e(N)
scalar Festatistica = (r2u2/2)/((1-r2u2)/(n-3))
scalar Fcrit5 = invFtail(2,n-3,.05)
scalar Fpvalor = Ftail(2,n-3,Festatistica)
scalar Qestatistica=n*r2u2
scalar Qcrit5 = invchi2(n,.05)
scalar Qpvalor = chi2tail(n,Qestatistica)
scalar list Festatistica Fcrit5 Fpvalor Qestatistica Qcrit5 Qpvalor
09/06/2014
17 / 33

Festatistica = 2.0824865
Fcrit5 = 3.0129575
Fpvalor = .12565211
Qestatistica =
4.155769
Qcrit5 =
473.8109
Qpvalor =
1
Como os p-valores > 0.05, ao nvel de 5%, aceita-se

H0 : Var (u jx1 , x2 , . . . , xk ) = 2 .
09/06/2014
18 / 33
Heterocedasticidade
Consequncias da violao de RML.5 - Sumrio
MQO permanece linear e no viesado (LUE) e consistente.
MQO deixa ser "Best"e, portanto, BLUE, pois deixa de ser o
estimador de menor varincia dentre os estimadores lineares no
viesados.
r
q
2
b
b
d
ep ( j ) = Var ( j ) = SQT b(1 R 2 ) deixa de ser um estimador no
j
b2 (estimador da varincia
viesado do dp (b
j ), pois se baseia em
constante de u).
Como no se tem certeza de que ep (b
j ) so no viesados, ento, as
estatsticas t, F e LM no necessariamente seguem as distribuies
t, F , 2 e, assim, deixam de ser vlidas para inferncia.
09/06/2014
19 / 33
Heterocedasticidade
Potenciais correes para heterocedasticidade:
1
Utilizar MQO com procedimentos robustos

Utilizar um estimador no viesado, mas melhor (com menor varincia)

que MQO: MQG/MQP.
Utilizar um outro estimador no viesado, mas, para garantir validade

da inferncia no modelo, utilizar procedimentos robustos
heterocedasticidade: MQG/MQP juntamente com procedimentos
robustos heterocedasticidade.
Utilizar um outro estimador provavelmente viesado, mas consistente e

assintoticamente mais eciente que MQO juntamente com
procedimentos robustos heterocedasticidade: MQGF juntamente
com procedimentos robustos heterocedasticidade.
09/06/2014
20 / 33
Mnimos Quadrados Ponderados (MQP)

Idia: utilizar a informao sobre a forma especca da
heterocedasticidade para se obter um estimador eciente e BLUE, ainda
fazendo com que as estatticas t, F e 2 passem a seguir exatamentes
estas distribuies.
Presumimos a forma constante multiplicativa de heterocedasticidade
Var (u jx1 , x2 , . . . , xk ) = 2 h (x1 , x2 , . . . , xk )
(5)
onde h (.) > 0 uma funo em x1 , x2 , . . . , xk e que deve gerar apenas

valores estritamente positivos; 2 um parmetro populacional
desconhecido.
Lembre-se de que, sob RLM.4,
Var (u jx1 , x2 , . . . , xk ) = E (u 2 jx1 , x2 , . . . , xk ).
09/06/2014
21 / 33

Com base em (5), multiplica-se o modelo orginal
y = 0 + 1 x1 +
+ k xk + u.
p
por 1/ hi , transformando-o para
y
pi
hi
=
=
1
p ( 0 + 1 xi 1 +
+ k xik + ui )
hi
x
x
ui
p 0 + 1 pi 1 +
+ k pik + p
hi
hi
hi
hi
(6)
ou, sinteticamente,
yi = 0 xi 0 + 1 xi 1 +
+ k xik + ui
p
p
p
onde yi = yi / hi ; xi 0 = 1/ hi ; xij = xij / hi , j = 1, ..., k; e
hi
h (xi 1 , xi 2 , . . . , xik ).
09/06/2014
22 / 33

Como
Var (ui jxi 1 , xi 2 , . . . , xik ) = E (ui 2 jxi 1 , xi 2 , . . . , xik )
ento
p
E (ui 2 jxi 1 , xi 2 , . . . , xik ) = E ( ui / hi
jxi 1 , xi 2 , . . . , xik )
= (1/hi ) E (ui2 jxi 1 , xi 2 , . . . , xik )

1 2
=
h (xi 1 , xi 2 , . . . , xik )
hi
= 2 (u 2 homocedstico)
utilizando-se hi
h (xi 1 , xi 2 , . . . , xik ) e a presumida forma constante
multiplicativa de heterocedasticidade,
E (ui2 jxi 1 , xi 2 , . . . , xik ) = 2 h (xi 1 , xi 2 , . . . , xik ).
09/06/2014
23 / 33

Os estimadores de MQO aplicados ao modelo transformado so um caso
particular de Mnimos Quadrados Generalizados (MQG).
No caso de MQG para heterocedasticidade, os estimadores so
chamados de Mnimos Quadrados Ponderados (MQP), uma vez que os
estimadores MQP consistema
da aplicao
de MQO aos
p
p dados
p
ponderados: yi = yi / hi ; xi 0 = 1/ hi ; e xij = xij / hi , j = 1, ..., k.
A magnitude dos dadospque constituem cada observao ser tanto
menor quanto maior for hi .
p
MQO constitui um caso especial de MQP quando hi = 1 para todo
i = 1, ..., n
E (ui jxi 1 , xi 2 , . . . , xik ) = E ( puhi jxi 1 , xi 2 , . . . , xik ) =
1
hi
(ui jxi 1 , xi 2 , . . . , xik ) = 0 : se o modelo satisfaz RLM.1 a RLM.4,

ento, tambm o modelo transformado satisfar.
Assim, se o erro do modelo transformado atender RLM.5
(homocedsticidade), os estimadores MQG/MQP sero BLUE.
09/06/2014
24 / 33
Exemplo de MQP
Modelo economtrico
poupi = 0 + 1 rendai + ui
(7)
Admita que sabe-se com certeza que

Var (ui jrendai ) = 2 rendai
ou seja, neste caso hi = h (xi 1 , xi 2 , . . . , xik ) = rendai ;
O modelo transformado
poupi
p
rendai
= 0 p
1
1
1
+ 1 rendai p
+ ui p
rendai
rendai
rendai
= 0 rendai
1/2
+ 1 rendai1/2 + ui
1
onde ui = ui prenda
; e Var (ui jrendai ) = 2 (erro homocedstico).
i
09/06/2014
25 / 33
MQP no STATA
ssc install bcuse

bcuse saving, clear
rename sav poup
rename inc renda
*Estima o modelo por MQO

reg poup renda
eststo modelo1
*Estima o modelo por MQP, utilizando weight=1/hi

reg poup renda [aw = 1/renda]
eststo modelo2
esttab modelo1 modelo2, star(* 0.10 ** 0.05 *** 0.01) se r2 ar2 label
09/06/2014
26 / 33
MQP no STATA
(1)
poup
renda
Constant
Observations
R-squared
Adjusted R-squared
0.147**
(0.0575)
(2)
poup
0.172***
(0.0568)
124.8
(655.4)
-125.0
(480.9)
100
0.062
0.053
100
0.085
0.076

* p<0.10, ** p<0.05, *** p<0.01
Note que tanto as estimativas como os erros-padro se alteram.

Aparentemente o modelo (2) prefervel.
09/06/2014
27 / 33
Heterocedasticidade
Problema com o uso de MQG/MQP: quase nunca teremos

certeza sobre a verdadeira forma da heterocedasticidade. Neste caso,
MQO pode ser mais eciente que MQP.
Potenciais solues:
1
Utilize MQP (que no viesado) junto com estatsticas robustas

Utilize Mnimos Quadrados Generalizados Factveis (MQG factvel)

com estatsticas robustas heterocedasticidade.
09/06/2014
28 / 33
MQG Factvel (MQGF)

Consiste em utilizar no lugar de hi suas estimativas b
hi , i = 1, ..., n, por
exemplo:
1
Assuma que
Var (u jx1 , x2 , . . . , xk ) = 2 exp(0 + 1 x1 +

2
+ k xk )
(8)
Estime o modelo y = 0 + 1 x1 +
+ k xk + u e armazene a srie
dos resduos u
b.
Estime o modelo log(u
b2 ) = 0 + 1 x1 +
+ k xk + v , obtendo
b
hi = exp b
0 + b
1 xi 1 +
+ bk xk
Finalmente, estime o modelo

xik
xi 1
pyi = p0 + 1 p
+
+ k p
+ pui .
bi
h
bi
h
bi
h
bi
h
bi
h
Alternativamente, pode-se substituir no passo 3, no lugar de

(x1 , x2 , . . . , xk ), yb e yb2 .
09/06/2014
29 / 33
MQG Factvel (MQGF)

Estimar hi utilizando os mesmos dados do modelo original implica que
MQGF viesado e, portanto, no pode ser BLUE.
No entanto, MQGF consistente e assintoticamente mais eciente
que MQO, o que torna MQGF uma alternativa atrativa para MQO,
quando se est trabalhando com amostras grandes.
Se no se tem certeza sobre a forma verdadeira da Var (u jx1 , x2 , . . . , xk ):
deve-se combinar MQGF ou MQP com procedimentos robustos
natural que as estimativas de MQO e MQGF sejam diferentes.
Contudo, deve-se desconar se forem estatisticamente signicantes e
muito diferentes, por exemplo, com sinais diferentes.
Neste caso, provavelmente, alm de RLM.5, outras hipteses de
Gauss-Markov (RLM.1 a RLM.5) tambm foram violadas.
Vide exemplo a seguir.
09/06/2014
30 / 33
Exemplo no STATA
ssc install estout, replace
ssc install bcuse
bcuse saving, clear
rename sav poup
rename inc renda
*Estima o modelo por MQO

reg poup renda size educ age black
eststo modelo1
reg poup renda size educ age black, robust
predict uhat, residuals
predict yhat, xb
eststo modelo2
*Estima o modelo por MQP, utilizando weight=1/hi

reg poup renda size educ age black [aw = 1/renda]
eststo modelo3
reg poup renda size educ age black [aw = 1/renda], robust
eststo modelo4
09/06/2014
31 / 33
bi
*Estima o modelo por MQP Factvel, utilizando weight=1/h
gen uhat2=uhat^2
gen yhat2=yhat^2
gen lnuhat2=ln(uhat2)
quietly reg lnuhat2 yhat yhat2
predict yhat0, xb
gen hhat=exp(yhat0)
reg poup renda size educ age black [aw = 1/hhat], robust
eststo modelo5
esttab modelo1 modelo2 modelo3 modelo4 modelo5, star(* 0.10 ** 0.05 ***
0.01) se r2 ar2 label
09/06/2014
32 / 33
Exemplo no STATA
(1)
poup
(2)
poup
(3)
poup
0.109
(0.0714)
0.109
(0.0869)
0.101
(0.0773)
size
67.66
(223.0)
67.66
(214.4)
educ
151.8
(117.2)
age
renda
(4)
poup
(5)
poup
0.101*
(0.0551)
0.106**
(0.0490)
-6.869
(168.4)
-6.869
(121.3)
-5.776
(109.9)
151.8
(170.5)
139.5
(100.5)
139.5
(111.1)
109.9
(85.97)
0.286
(50.03)
0.286
(43.27)
21.75
(41.31)
21.75
(34.20)
24.55
(32.33)
black
518.4
(1308.1)
518.4
(861.1)
137.3
(844.6)
137.3
(560.4)
219.4
(498.6)
Constant
-1605.4
(2830.7)
-1605.4
(2931.6)
-1854.8
(2351.8)
-1854.8
(2126.8)
-1728.4
(1751.0)
100
0.083
0.034
100
0.083
0.034
100
0.104
0.057
100
0.104
0.057
100
0.098
0.050
Observations
R-squared
Adjusted R-squared

* p<0.10, ** p<0.05, *** p<0.01
Provavelmente, alm de RLM.5, outras hipteses de Gauss-Markov

foram violadas, em especial a hiptese de mdia condicional zero do erro.
09/06/2014
33 / 33

Hetero Ce Dasti Cidade Total

Caricato da

Informazioni sul documento

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Hetero Ce Dasti Cidade Total

Caricato da

Copyright:

Formati disponibili

Heterocedasticidade

Moiss Resende Filho (ECO/UnB)

Propriedades dos estimadores MQO

RLM.1 a RLM.5 (hipteses de Gauss-Markov) so sucientes

Moiss Resende Filho (ECO/UnB)

MQO permanece linear e no viesado (LUE) e consistente => MQO

MQO deixa ser BLUE, pois deixam de ser os estimadores de menor

Moiss Resende Filho (ECO/UnB)

Assumindo que Var (u jx1 , x2 , . . . , xk ) = 2i ,

No caso particular em que Var (u jx1 , x2 , . . . , xk ) = 2 , como antes:

QUESTO: Como estimar 2i para qualquer forma de

Para n ! (ou assintoticamente) corrigir ou no para graus de

O uso de erros-padro robustos se justica somente assintoticamente.

Moiss Resende Filho (ECO/UnB)

Standard errors in parentheses

Moiss Resende Filho (ECO/UnB)

Testes para homocedasticidade

Utilizar erros-padro usuais prefervel se RLM.1 a RLM.5 e RLM.6

Focaremos os testes da hiptese

Teste Breusch-Pagan e Godfrey

Assim, teste o conjunto de restries

Passos na implementao do teste BP:

Estime o modelo (3) utilizando a srie u

Moiss Resende Filho (ECO/UnB)

Teste Breusch-Pagan e Godfrey

No Stata, utilizando o exemplo anterior:

estat hettest, rhs

Moiss Resende Filho (ECO/UnB)

O teste Breusch-Pagan detecta apenas formas lineares de

Moiss Resende Filho (ECO/UnB)

No Stata, utilizando o exemplo anterior:

White's general test statistic :

Como P-value= .1293 > 0.05, ao nvel de 5%, aceita-se

Moiss Resende Filho (ECO/UnB)

Wooldridge prope uma verso alternativa do teste de White.

Vantagem: mais fcil de implementar que o teste de White usual e

Moiss Resende Filho (ECO/UnB)

Teste de White modicado por Wooldridge

Teste de White modicado por Wooldridge

No Stata, utilizando o exemplo anterior:

Como os p-valores > 0.05, ao nvel de 5%, aceita-se

Moiss Resende Filho (ECO/UnB)

Moiss Resende Filho (ECO/UnB)

Utilizar MQO com procedimentos robustos

Utilizar um estimador no viesado, mas melhor (com menor varincia)

Utilizar um outro estimador no viesado, mas, para garantir validade

Utilizar um outro estimador provavelmente viesado, mas consistente e

Moiss Resende Filho (ECO/UnB)

Mnimos Quadrados Ponderados (MQP)

onde h (.) > 0 uma funo em x1 , x2 , . . . , xk e que deve gerar apenas

Moiss Resende Filho (ECO/UnB)

Mnimos Quadrados Ponderados (MQP)

Mnimos Quadrados Ponderados (MQP)

= (1/hi ) E (ui2 jxi 1 , xi 2 , . . . , xik )

Mnimos Quadrados Ponderados (MQP)

(ui jxi 1 , xi 2 , . . . , xik ) = 0 : se o modelo satisfaz RLM.1 a RLM.4,

Admita que sabe-se com certeza que

Moiss Resende Filho (ECO/UnB)

ssc install bcuse

*Estima o modelo por MQO

*Estima o modelo por MQP, utilizando weight=1/hi

Moiss Resende Filho (ECO/UnB)

Standard errors in parentheses

Note que tanto as estimativas como os erros-padro se alteram.