ECONOMETRIA 2015 2 Violacao Pressupostos

[0312.
000284-6] ECONOMETRIA
C.H.: 68 horas
quarta-feira - 08h00m a 10h00m
quinta-feira 10h00m a 12h00m
Prof. Dr. Adriano Marcos Rodrigues Figueiredo

(UFMS Economia)
E-mail: adriano.figueiredo@ufms.br
ou
amrofi@gmail.com
Violaes dos Pressupostos
Econometria - Prof. Adriano Figueiredo
Teste de Especificao do modelo
Teste RESET de Ramsey

Estima, obtm valores previstos ao quadrado e
ao cubo, estima o modelo novo e calcula F e vai
na tabela
F ~ Fm,n-p
2
2
Rnovo Rvelho
nmero de novos regressores (m)
F
2
1 Rnovo
n nmero parametros no novo mod elo (p)
RESET
Ho: no h erro de especificao => quero aceitar a

hiptese, ou seja, quero o menor F
hiptese nula: um pouco diferente do teste calculado

anterior, pois o RESET testa se todos os parmetros
so zeros, o que indicar que no h erro. Portanto, se
a probabilidade de F do Eviews for abaixo do nvel
de significncia (por exemplo, 10%) (F alto), pode-se
dizer que rejeita-se a hiptese nula, ou seja, existe
algum diferente de zero e existe um erro de
especificao. Se o F for baixo, aceita-se que =0 e,
portanto, no h erro de especificao.
Ramsey RESET Test:

F-statistic
5.281559
Probability
0.001932
Log likelihood ratio
15.74446
Probability
0.001279
Test Equation:
Dependent Variable: QSOJA
Method: Least Squares
Date: 06/06/03 Time: 14:57
Sample: 1988:09 1998:05

Included observations: 117
Variable
Coefficient
Std. Error
t-Statistic
Prob.
FERTILIZANTE
304.1298
135.0469
2.252031
0.0263
TRATOR
18591.29
8231.767
2.258481
0.0259
MO
115237.7
51069.36
2.256493
0.0260
-230604.7
101861.3
-2.263908
0.0255
FITTED^2
2.664804
1.165269
2.286857
0.0241
FITTED^3
-0.005642
0.002453
-2.300025
0.0233
FITTED^4
4.43E-06
1.92E-06
2.302617
0.0232
R-squared
0.532456
Mean dependent var
322.2544
Adjusted R-squared
0.506954
S.D. dependent var
56.01272
S.E. of regression
39.33059
Akaike info criterion
10.23985
Sum squared resid
170158.4
Schwarz criterion
10.40510
F-statistic
20.87869
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
-592.0310
0.770973
Passos no Stata, usando o arquivo

soja.dta:
1. Estimar o modelo original
2. Gerar varivel dependente estimada

(prevista), aqui chamada de qsojah:
. predict qsojah
3. Gerar variveis estimadas nas potncias:
. gen qsojah2 = qsojah^2
7
4. Estimar modelo contendo as variveis do

modelo original mais as trs a serem
adicionadas:
Rvelho = 0,46511.
Rnovo = 0,532456.
Foram adicionadas 3 variveis, portanto,
E o modelo tem 117 observaes
m=3.
n=117
contendo 7 parmetros.
n-p = 110 no modelo novo.
5. Calcular a estatstica F do teste:
F=5,281
. disp Ftail(3,110,5.281)
=>P-value =.00193364
H0: os coeficientes das variveis esperadas
so nulos
Rejeito H0 a 1% de significncia
10
Outra opo no Stata
pacote Reset
Traz o RESET de Ramsey para 1, 2 e 3
variveis em potncia...
2 3 4
Y ,Y ,Y
11
Traz tambm outros indicadores para

especificao do modelo
DeBenedictis-Giles Specification
FReset
Usa uma distribuio de Fourier (ao invs da srie
de Taylor do teste de Ramsey)
O teste RESET de Ramsey tem problemas quando o
modelo tiver autocorrelao dos resduos
FRESETL - transformao linear das variveis
previstas
FRESETS - transformao senoidal das variveis
previstas
O teste FRESETL geralmente o melhor quando o
modelo mal especificado esttico, enquanto o teste
FRESETS melhor quando o modelo mal
especificado pela omisso de um efeito dinmico
(DeBenedicitis e Giles, 1998, p.38).
12
13
Opo mais direta: ovtest
14
Embora chame de teste de varivel omitida,

o ovtest faz o teste RESET de Ramsey:
Link Test
15
Outra alternativa no Stata o Linktest, que procede

uma estimao para uma potencia, de modo
semelhante ao Ramsey RESET. A diferena que
neste no se incluem as variveis X originais e
adiciona-se apenas a potencia ao quadrado para a
varivel dependente estimada.
se rejeitar H0, o modelo estar mal especificado.
Neste caso, o coeficiente de _hatsq foi significativo
diferente de zero, e indica pela rejeio de H0.
A _hatsq a varivel dependente estimada ao
quadrado. possvel ver que _hatsq foi significativa
diferente de zero, levando a rejeio da especificao
apresentada originalmente, ou seja, o modelo foi mal
especificado.
. linktest
Source
16
SS
df
MS
Model
Residual
183049.122
180892.159
2
114
91524.561
1586.77332
Total
363941.281
116
3137.42483
qsoja
Coef.
_hat
_hatsq
_cons
6.438339
-.0084946
-858.0958
Std. Err.
1.848219
.0028829
292.9131
t
3.48
-2.95
-2.93
Number of obs
F( 2,
114)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.001
0.004
0.004
=
=
=
=
=
=
117
57.68
0.0000
0.5030
0.4942
39.834
[95% Conf. Interval]

2.777031
-.0142056
-1438.355
10.09965
-.0027835
-277.8372
Outros indicadores
O Critrio de Informao de Akaike (ou AIC

de Akaikes Information Criterion)

2
= log
+
17
o Critrio de Informao de Schwarz ou

Bayesiano (ou SIC de Schwarzs Information
Criterion ou em alguns livros BIC de
Bayesian Information Criterion)

. log
= = log
+
18
Stata .estat ic
19
Soluo para o Erro de

Especificao
incluir
outras variveis relevantes

excluir variveis irrelevantes
alterar forma funcional
em resumo, reespecificar o modelo
20
Erros tm mdia zero
H0: mdia igual a zero
Gera resduos e testa a mdia = zero

. predict residuos, residuals
. ttest residuos == 0
21
No Stata
22
Ou para o exemplo da soja.dta
23
. ttest residuos == 0
One-sample t test
Variable
Obs
Mean
residuos
117
-6.88e-08
mean = mean(residuos)
Ho: mean = 0
Ha: mean < 0
Pr(T < t) = 0.5000
24
Std. Err.
Std. Dev.
3.787267
40.96555

-7.501159
t =
degrees of freedom =
Ha: mean != 0
Pr(|T| > |t|) = 1.0000
7.501159
-0.0000
116
Ha: mean > 0

Pr(T > t) = 0.5000
No Eviews
25
26
27
28
Erros No Normais
Teste de Bera-Jarque: testa assimetria e curtose usando os

resduos
Curtose: achatamento da distribuio em relao normal
1
2
2
1
BJ n p S 4 K 3 ~ 2gl 2
6
em que S a medida de assimetria (skewness) e K a medida de
curtose
n o nmero de observaes e p o nmero de parmetros
Ho: erros so normais => por exemplo, probabilidade acima de 10%
H1: erros no so normais
Uma probabilidade (p-value) pequena leva rejeio de que
os erros so normais
29
Normalidade dos erros
A curtose (em ingls kurtosis) definida pela

expresso:
1
K
N
A simetria (do ingls skewness) dada pela

expresso:
1
N Yi Y
S t 1
N
Var
30
Yi Y
t 1 Var
2 Var s
N 1
N
. sktest residuos
Skewness/Kurtosis tests for Normality
31
Variable
Obs
Pr(Skewness)
Pr(Kurtosis)
residuos
117
0.0016
0.0344
joint
adj chi2(2)
Prob>chi2
12.12
0.0023
32
Erros so Homocedsticos
tm Varincia Constante
Heterocedasticidade problema tpico de

dados em seo cruzada
33
Heterogeneidade da amostra
Os estimadores de M.Q.O. no so mais

eficientes
Utilizar o M.Q.Ponderado - caso particular
de M.Q.Generalizado
Estimao do M.Q.O. nas variveis
transformadas ponderadas
Investigao da heterocedasticidade
Testes com regresso auxiliar cuja varivel

dependente so variaes do resduo
estimado a partir do MQO na equao
original
Testes:
34
Glejser: || = f(X) : absu=abs(uhat1) (GRETL)

Park: (ln ) = f(lnX)
Breusch-Pagan-Godfrey: faz p=/var
White: = f(Xi, Xj, XiXj, Xi, Xj)
Investigao da heterocedasticidade
35
Passos: estima-se a equao original, obtm

os resduos estimados, transforma-os (mdulo,
quadrado, logs) e estima equao auxiliar do
teste
Glejser ou Park: H0: 1=0 => varivel de 1
no causa heterocedasticidade
Breusch-Pagan-Godfrey LM Test: H0: no h
heterocedasticidade
Como identificar a varivel correta com a qual
estimar????
Park
36
37
Eq auxiliar de Park
Dependent Variable: LOGRESID02_2
Date: 10/29/14 Time: 10:33
Sample: 1 117
38
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
FERTILIZANTE
8.365790
-0.103490
0.763343
0.040618
10.95941
-2.547862
0.0000
0.0122
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.053433
0.045201
1.670479
320.9076
-225.0411
6.491600
0.012158
Mean dependent var

S.D. dependent var
Schwarz criterion
Hannan-Quinn criter.
Durbin-Watson stat
6.461117
1.709563
3.881044
3.928261
3.900214
1.337139
Breusch-Pagan-Godfrey
Heterocedasticidade
39
Estima por MQO e obtem residuos

Obtem variancia dos residuos
Constroi variaveis p = /var
Regresso auxiliar de p contra variaveis Z
Alguns ou todos os X podem ser Z
Obtem soma dos quadrados da regressao, faz a
diviso pela metade e compara com distribuio quiquadrado
Se a prob de SQReg/2 <0.10, rejeito H0 e existir
heterocedasticidade
Teste LM Breusch-Pagan-Godfrey
40
41
. estat hettest fertilizante trator mo, rhs

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity
Ho: Constant variance
Variables: fertilizante trator mo
chi2(3)
Prob > chi2
42
=
=
15.65
0.0013
Teste de White
estima-se a regresso inicial e obtm-se os resduos i;
2. faz-se uma regresso auxiliar do tipo
i2= 1 + 2 X2i + 3X3i + 4 X2i2+ 5X3i2 + 6 X2i.X3i + i
1.
ou seja, o quadrado dos resduos estimados como funo das variveis

explicativas, dos quadrados das variveis explicativas e do produto
cruzado das variveis explicativas. Deve-se incluir o termo do
intercepto (1) mesmo que na regresso original no o tenha.
3. Analisa-se o R2 da regresso auxiliar multiplicado pelo tamanho da
amostra (n) comparando com o valor da tabela qui-quadrado para
graus de liberdade iguais ao nmero total de regressores da
equao auxiliar. No nosso exemplo,
n. R2 ~
43
com gl = 5
(X2i, X3i , X2i2, X3i2 , X2i.X3i)

Se n.R2 > 2 tabelado, ento existe

heterocedasticidade.
Se n.R2 < 2 tabelado, ento 2 = 3 = 4 = 5 = 6 = 0 , e
no existe heterocedasticidade.
44
A Hiptese Nula do teste que NO H

HETEROCEDASTICIDADE, ou seja, de que os erros
so homocedsticos e independentes dos
regressores, e que a especificao do modelo
correta. Assim, DESEJVEL TER A ACEITAO
DA HIPTESE NULA, com probabilidade acima de
10%, e baixo valor de n.R2 = (Obs*R-squared).
Teste de White
45
Vantagens: no depende da normalidade

dos resduos (o BPG dependem)
White Heteroskedasticity Test:

F-statistic
Obs*R-squared
4.638220
32.83525
Probability
Probability
0.000034
0.000143
Test Equation:
Dependent Variable: RESID^2
Date: 06/06/03 Time: 18:01
Sample: 1988:09 1998:05
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
FERTILIZANTE
FERTILIZANTE^2
FERTILIZANTE*TRA
TOR
FERTILIZANTE*MO
TRATOR
TRATOR^2
TRATOR*MO
MO
MO^2
-20557.49
445.3517
25.26911
-120.1672
9888.589
600.7180
15.80557
87.69892
-2.078910
0.741366
1.598748
-1.370224
0.0400
0.4601
0.1128
0.1735
-13077.63
864.9398
309.3549
-22449.97
426444.0
-365960.5
3137.312
3116.365
253.6114
12081.31
90390.39
130236.2
-4.168419
0.277548
1.219799
-1.858240
4.717802
-2.809975
0.0001
0.7819
0.2252
0.0659
0.0000
0.0059
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.280643
0.220136
2599.568
7.23E+08
-1080.772
1.549746
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
1663.833
2943.689
18.64567
18.88176
4.638220
0.000034
SOLUO: ATIVAR OPO DA CORREO DE WHITE NOS MNIMOS
46
QUADRADOS = equivale a fazer o MQP ou MQG especificando pesos
. fit qsoja fertilizante trator mo

Source
SS
df
MS
Model
Residual
169272.79
194668.491
3
113
56424.2634
1722.73001
Total
363941.281
116
3137.42483
qsoja
Coef.
fertilizante
trator
mo
_cons
-.5535435
-33.68994
-209.1407
494.9657
Std. Err.
1.058904
3.741035
107.8926
25.57225
t
-0.52
-9.01
-1.94
19.36
Number of obs
F( 3,
113)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.602
0.000
0.055
0.000
=
=
=
=
=
=
117
32.75
0.0000
0.4651
0.4509
41.506

-2.651424
-41.1016
-422.8955
444.3025
1.544337
-26.27827
4.614037
545.629
. white
White's test for Ho: homoscedasticity
against Ha: unrestricted heteroscedasticity
test statistic W =
Pr(chi2(8) > W) =
47
32.83525
0.0001
. regress qsoja fertilizante trator mo, vce(r)

Linear regression
Number of obs
F( 3,
113)
Prob > F
R-squared
Root MSE
qsoja
Coef.
fertilizante
trator
mo
_cons
-.5535435
-33.68994
-209.1407
494.9657
48
Robust
Std. Err.
1.272433
3.794883
115.177
26.4601
t
-0.44
-8.88
-1.82
18.71
P>|t|
0.664
0.000
0.072
0.000
=
=
=
=
=
117
33.94
0.0000
0.4651
41.506

-3.074463
-41.20829
-437.3271
442.5435
1.967376
-26.17159
19.0456
547.388
Erros So No-Autocorrelacionados
Os erros aleatrios so independentes, ou ainda, no existe
=Independentes
correlao serial dos resduos
Erros autocorrelacionados so mais comuns em dados de srie

temporal
Causas:
Variveis no especificadas
Forma funcional
Inrcia temporal
49
Consequncia: INEFICINCIA DOS ESTIMADORES DE

M.Q.O. e no tendenciosos
Melhor utilizar M.Q.G.
Figura 1. Representaes da disperso dos pontos em torno de uma reta estimada ilustrao
da correlao serial.
Fonte: Figura 3.3 de Pindyck e Rubinfeld (2004).
50
Figura 1. Padres de correlao entre os distrbios. (a) correlao serial positiva; (b)
correlao serial negativa; e (c) correlao nula.
Fonte: Adaptado da Figura 3.6 de Gujarati (2006).
51
Matriz de varincia-covarincia
12 1 2
2 1
2
E E
n1 n 2
2 0
2
0
E 2 I E
0
0
52
1 n
2 n
2
n
0
Se i=j =>
E( )=2
Se ij =>
E( )=0
Durbin-Watson
Autocorrelao de 1. Ordem:
Teste de Durbin-Watson:
t = .t-1 + t
Ho: = 0 => no h autocorrelao
H1: 0 => > 0 autocorrelao positiva => < 0 autocorrelao

negativa
53
Estatstica de Teste:
=0
DW = 2 => ausncia de autocorrelao
= +1
DW = 0 => autocorrelao positiva e perfeita
= -1
DW = 4 => autocorrelao negativa e perfeita
deseja-se DW prximo de 2
dL = limite inferior => vem da tabela

dU = limite superior => vem da tabela
54
Durbin-Watson - deficincias
Deficincias do DW:
55
reas inconclusivas
s testa primeira ordem
deve incluir intercepto
no vlido quando o modelo tem varivel
dependente defasada como varivel explicativa
Teste de h de Durbin
1.()
= .
h ~ N(0,1)
comparar com o limite de 1,96 p/ 5%
T nmero de observaes
56
Uma alternativa para contornar essas

deficincias via teste h de Durbin, para
casos de varivel dependente defasada como
varivel explicativa.
Teste de Breusch-Godfrey = LM
57
Tambm chamado de LM - Multiplicador de

Lagrange para Correlao Serial (Serial
Correlation LM Test)
til para detectar autocorrelao de ordens
superiores, ou seja, para AR(p>1)
um teste mais geral para identificar a
autocorrelao dos resduos
Teste LM de Correlao Serial
58
H0: no autocorrelao dos resduos

H1: t = AR(p)
A hiptese nula ser de que todos os
coeficientes de autocorrelao so
simultaneamente nulos, ou seja, todos os
i = 0 e no h autocorrelao de qualquer
ordem.
O procedimento para o LM ser:

a)
b)
c)
d)
59
Estimar o modelo de regresso pelo mtodo usual

de MQO e obter resduos t;
Estimar o modelo de t como funo das demais
variveis X do modelo a e tambm de variveis t
defasadas (t-1 t-2 ... etc), utilizando para estas
defasagens os resduos obtidos em a;
Obter o valor de R02 desta regresso b;
A estatstica de teste ser LMBG = (n-p).R02 ~ 2p
graus de liberdade. P o nmero de defasagens
includas na regresso b.
Teste LM de Correlao Serial
A estatstica de teste ser um multiplicador

de Lagrange do tipo
LM BG
60
'
1
'
e'
X
(
X
X
)
X
2
2
0
0 0
0e
( n p )R0 ( n p )
~
p
e' e
Equao de teste para LMBG
61
t X t 1t 1 2 t 2 3t 3
p t p t
1
1
X0
et p ,1
et p ,2
et p ,3
X 11
X 21
et 1,1
X 12
X 22
et 1,2
X 13
X 23
et 1,3
Anlise do LMBG
62
Se a estatstica de teste LMBG > valor crtico

de 2p ento se rejeita a hiptese nula e
existe autocorrelao serial de ordem P, ou
seja, pelo menos um i 0.
Neste teste, pode-se ter variveis X ou
mesmo Y defasadas, o que representa uma
vantagem sobre o teste DW.
Stata
declarar dataset como time series
tab5_6_moeda gujarati_p157.dta
. tsset ano, yearly
time variable:
delta:
. regress pnb m1
Source
63
ano, 1970 to 1983

1 year
m2 m3 l
SS
Model
Residual
7912655.56
38065.6381
4
9
1978163.89
4229.51534
Total
7950721.2
13
611593.939
pnb
Coef.
m1
m2
m3
l
_cons
-6.014162
-.3647407
2.336468
.0308376
913.4892
Number of obs
9)
F( 4,
Prob > F
R-squared
Adj R-squared
Root MSE
MS
df
Std. Err.
6.400151
.8782297
1.989016
1.687075
720.1114
t
-0.94
-0.42
1.17
0.02
1.27
P>|t|
0.372
0.688
0.270
0.986
0.236
=
=
=
=
=
=
14
467.70
0.0000
0.9952
0.9931
65.035

-20.49231
-2.351434
-2.162998
-3.785592
-715.5161
8.463986
1.621953
6.835935
3.847267
2542.494
. estat dwatson
Durbin-Watson d-statistic(
64
5,
14) =
.70426
dL = 0.632 4-dL = 3.368

dU=2.030
4-dU = 1.970
DW = 0.70 => rea inconclusiva
65
K=4 (numero de variveis explanatrias

excluindo termo constante)
N=14 (tamanho da amostra)
Stata Breusch-Godfrey
66
. estat bgodfrey
. estat bgodfrey, lags(1 2 3 4 5 6)
Breusch-Godfrey LM test for autocorrelation
lags(p)
chi2
1
2
3
4
5
6
9.424
9.950
12.242
12.352
12.556
12.707
df
1
2
3
4
5
6
Prob > chi2

0.0021
0.0069
0.0066
0.0149
0.0279
0.0479
H0: no serial correlation
67
. predict res, residuals

. regress res m1- l l(1/6).res
note: m1 omitted because of collinearity
note: _delete omitted because of collinearity
note: _delete omitted because of collinearity
Source
68
SS
df
MS
Model
Residual
34460.1927
0
7
0
4922.88467
.
Total
34460.1927
4922.88467
res
Coef.
Std. Err.
m1
m2
m3
l
0
-1.104659
-3.957807
4.015903
(omitted)
.
.
.
res
L1.
L2.
L3.
L4.
L5.
L6.
-.0094944
.9671443
-1.506737
0
0
-.842507
_cons
374.7052
Number of obs
F( 7,
0)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
=
=
=
=
=
=
8
.
.
1.0000
.
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
(omitted)
(omitted)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Econometria
- Prof..Adriano Figueiredo
Exemplo Barium.dta
. regress l_chnimp l_chempi l_gas l_rtwex
Source
69
SS
df
MS
Model
Residual
17.8780226
45.7742259
3
127
5.95934086
.360426976
Total
63.6522485
130
.489632681
l_chnimp
Coef.
l_chempi
l_gas
l_rtwex
_cons
3.045596
.3441587
.7159855
-19.63091
Std. Err.
.4787299
.9108141
.349141
21.19183
t
6.36
0.38
2.05
-0.93
Number of obs
F( 3,
127)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.706
0.042
0.356
=
=
=
=
=
=
131
16.53
0.0000
0.2809
0.2639
.60036

2.098276
-1.458178
.0250985
-61.56571
3.992916
2.146495
1.406872
22.3039
. estat bgodfrey, lags(1 2 3 4 5 6 7 8 9 10 11 12)

Breusch-Godfrey LM test for autocorrelation
lags(p)
1
2
3
4
5
6
7
8
9
10
11
12
chi2
df
11.121
14.781
16.505
19.404
19.447
19.679
21.542
21.606
24.942
24.942
25.346
25.687
1
2
3
4
5
6
7
8
9
10
11
12
Prob > chi2

0.0009
0.0006
0.0009
0.0007
0.0016
0.0032
0.0030
0.0057
0.0030
0.0055
0.0081
0.0119
H0: no serial correlation
70
. regress res l_chempi l_gas l_rtwex l(1/12).res

Source
71
SS
df
MS
Model
Residual
7.37066877
30.6153298
15
103
.491377918
.297236212
Total
37.9859986
118
.321915242
Std. Err.
Number of obs
F( 15,
103)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
=
=
=
=
=
=
119
1.65
0.0726
0.1940
0.0767
.54519
res
Coef.
l_chempi
l_gas
l_rtwex
-.5981542
1.098273
-.0741444
.5482505
1.0188
.3315545
-1.09
1.08
-0.22
0.278
0.284
0.823
-1.68548
-.9222768
-.7317046
.4891713
3.118823
.5834159
res
L1.
L2.
L3.
L4.
L5.
L6.
L7.
L8.
L9.
L10.
L11.
L12.
.2030911
.1373696
.1555331
-.1545982
-.0514118
.0091389
.1483849
.0658224
-.1264921
.0077911
-.0334636
-.055116
.0981034
.0996312
.1010439
.1011423
.0980085
.0968191
.0966711
.0976796
.0964877
.0967757
.0951027
.0927521
2.07
1.38
1.54
-1.53
-0.52
0.09
1.53
0.67
-1.31
0.08
-0.35
-0.59
0.041
0.171
0.127
0.129
0.601
0.925
0.128
0.502
0.193
0.936
0.726
0.554
.0085262
-.0602253
-.0448636
-.35519
-.2457887
-.182879
-.0433395
-.1279021
-.3178528
-.1841406
-.2220774
-.2390679
.397656
.3349645
.3559298
.0459936
.142965
.2011568
.3401092
.2595469
.0648685
.1997229
.1551502
.128836
_cons
-21.84891
22.81911
-0.96
0.341
-67.10523
23.40741
Econometria
- Prof. Adriano
Figueiredo
Exemplo inflao table12_10.dta

. tsset var1, yearly
time variable:
delta:
var1, 1954 to 1981

1 year
. regress rr growth inflation

Source
SS
df
MS
Model
Residual
6749.4506
5042.58207
2
25
3374.7253
201.703283
Total
11792.0327
27
436.741951
rr
Coef.
growth
inflation
_cons
3.943315
-2.499426
3.531812
Std. Err.
1.293445
1.082101
8.111369
t
3.05
-2.31
0.44
Number of obs
F( 2,
25)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.005
0.029
0.667
=
=
=
=
=
=
28
16.73
0.0000
0.5724
0.5382
14.202

1.279416
-4.728055
-13.17387
6.607214
-.2707959
20.23749
. estat dwatson
Durbin-Watson d-statistic(
72
3,
28) =
1.896592
No h evidencias de autocorrelao no modelo, pois

Obs*R-squared=0.75 com Probabilidade de 0.68,
indicando aceitao de Ho: no-autocorrelao
73
Correo de autocorrelao
Mudar Especificao?
Transformar variveis por um rho
conhecido?
No Eviews => inserir termos AR(p) na
especificao das variveis da equao
74
O programa automaticamente faz a

transformao e fornece os coeficientes
estimados
No Stata: opo Time Series

Estimao iterativa de CochraneOrcutt para rho () desconhecido

1.
2.
3.
Estima-se modelo inicial por MQO e obtm DW

Calcula-se = 1 0,5.DW
Estima equao transformada:
Yt Yt 1 1 1 2 X t X t 1 t
ou
Y* = 1* + 2.X1* + t*
4. Recalcula-se (2) e verifica-se a convergncia para
.
5. Repetem-se os passos (2) a (4) at que a
convergncia seja menor que 0,01.
75
Correo
Feasible viveis, estimados

EGLS ou FGLS estimao com rho
estimado no lugar do verdadeiro
Cochrane-Orcutt
Alternativa de estimao com erros padro
de Newey-West
Eviews usa um mtodo no linear de
Marquadt para estimar com os AR(p)
76
Mais eficiente quando existe variavel dependente

defasada como regressor
Estimao do Eviews
77
O programa utilizar uma estimao em dois

estgios considerando como instrumentos
todas as variveis defasadas no primeiro
estgio (similar ao Cochrane-Orcutt)
Exerccio cobre, Gujarati, pg 401-402,
tab12-7
Ex12_22.dta
78
79
80
Qualidade do modelo
Observe que no apresenta R!

Posso comparar olhando o IC Akaike e
Schwarz
Posso olhar a significncia dos coeficientes
. estat ic
Akaike's information criterion and Bayesian information criterion
81
Model
Obs
ll(null)
ll(model)
df
AIC
BIC
30
31.93108
-47.86216
-36.65258
Note:
N=Obs used in calculating BIC; see [R] BIC note

Ausncia de Relao Linear Exata

entre as Variveis Explicativas
Consequncias Prticas:
1.
Aumenta as varincias dos parmetros estimados
82
2.
Aumenta erro-padro
3.
Reduz t => induz no-significncia => estarei

aceitando o fato de que ela no importante no modelo
em virtude da multicolinearidade
4.
Estimativas muito sensveis: tirando uma ou duas

observaes, as estimativas alteram muito => melhor ter
um modelo onde as alteraes no alteram muito as
estimativas, uma certa estabilidade do modelo em termos
de magnitudes e sinais
Deteco da Multicolinearidade
1.
2.
3.
4.
83
ocorrncia de R2 alto e ts no-significativos;

altas correlaes simples entre as variveis
explicativas, por exemplo, acima de 0,8;
altas correlaes parciais entre os Xs:
verificar o coeficiente de correlao parcial
quando algumas variveis so consideradas
constantes;
regresses auxiliares: fazer a regresso
considerando o Xi como varivel dependente
das demais variveis Xj. Se o R2 da regresso
auxiliar for alto, ento tem-se a indicao de
multicolinearidade
continuao
5. Regra de Klein: a multicolinearidade no
prejudicial se
R2Y
X1, X2, ... , Xk
> R2 Xi X2, ... , Xk
6. Verificar a estabilidade das estimativas,

adicionando variveis uma a uma
7. Fator de Inflao da Varincia
84
Regra de Klein
Regresses auxiliares
. regress
index g interest p
. regress
Source
SS
df
MS
Model
Residual
268.400306
11.5996943
3
11
89.4667686
1.05451766
Total
280
14
20
index
Coef.
g
interest
p
_cons
26.16777
.0735369
.0125335
-26.31751
. regress
Std. Err.
2.904047
.1852301
.2060625
2.840748
t
9.01
0.40
0.06
-9.26
P>|t|
0.000
0.699
0.953
0.000
=
=
=
=
=
=
15
84.84
0.0000
0.9586
0.9473
1.0269
SS
df
MS
.344829607
.014918823
3
11
.114943202
.001356257
Total
.35974843
14
.025696316
Coef.
interest
p
index
_cons
.002434
.0006913
.0336554
.9953316
Source
Std. Err.
.0066499
.0073883
.003735
.036028
19.77601
-.3341518
-.4410071
-32.56995
0.37
0.09
9.01
27.63
Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.721
0.927
0.000
0.000
SS
df
MS
Model
Residual
80.4214447
30.300656
3
11
26.8071482
2.75460509
Total
110.722101
14
7.90872148
32.55954
.4812257
.466074
-20.06507
interest
Coef.
p
index
g
_cons
.5063365
.1920928
4.943506
-3.815768
. regress
Model
Residual
interest p index g
Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE
=
=
=
=
=
=
15
9.73
0.0020
0.7263
0.6517
1.6597
g interest p index
Source
85
Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE
Source
.2960552
.4838571
13.50622
13.57322
t
1.71
0.40
0.37
-0.28
SS
df
0.115
0.699
0.721
0.784
MS
Model
Residual
28.3339611
24.8261769
3
11
9.44465369
2.25692518
Total
53.160138
14
3.79715271
Coef.
index
g
interest
_cons
.0268246
1.150325
.4148557
1.864211
.0170704
.0169528
.0418761
1.074629
P>|t|

-.1452766
-.8728695
-24.78348
-33.69023
1.15795
1.257055
34.67049
26.05869
interest
15
84.75
0.0000
0.9585
0.9472
.03683
-.0122024
-.0155702
.0254347
.9160345
=
=
=
=
=
=
p index g
Std. Err.
Std. Err.
.4410241
12.29472
.2425664
12.31728
t
0.06
0.09
1.71
0.15
Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.953
0.927
0.115
0.882
=
=
=
=
=
=
15
4.18
0.0333
0.5330
0.4056
1.5023

-.9438628
-25.91017
-.1190292
-25.24593
.9975121
28.21082
.9487406
28.97435
FIV ou VIF
86
Centered Variance Inflation Factors:

FIV=(1/(1-R)) em que R o R-squared de
um regressor contra todos os demais
regressores na equao.
Variance Inflation Factors (VIFs) mtodo
de avaliao do nvel de multicolinearidade
mostram quanto da varincia do coeficiente
estimado para um regressor foi inflada devido
a colinearidade com os demais regressores.
Greene (3.1, p.22):
87
Y = investimento real; T = tendncia; G =

PNB real; R = taxa de juros; P = taxa de
inflao; 1968-1982
Greene (3.1, p.22): 1968-1982
88
Fator de inflao da varincia no Stata
89
FIV no GRETL
=> Teste de
Colinearidade
90
VIF/FIV no
EViews =>
Coefficient
Diagnostics
91
Olhe o FIV (VIF) centrado!!!
STATA
92
GRETL
EVIEWS
93
Correlaes parciais Stata

. Pcorr
Valores >|0.8| so preocupantes
. pcorr
(obs=15)
g p index
interest
Partial and semipartial correlations of g with
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
p
index
interest
0.0282
0.9384
0.1097
0.0057
0.5533
0.0225
0.0008
0.8807
0.0120
0.0000
0.3061
0.0005
0.9271
0.0000
0.7213
. pcorr
(obs=15)
index g p interest
Partial and semipartial correlations of index with
94
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
g
p
interest
0.9384
0.0183
0.1189
0.5530
0.0037
0.0244
0.8807
0.0003
0.0141
0.3058
0.0000
0.0006
0.0000
0.9526
0.6990
. pcorr p interest
(obs=15)
index g

Partial and semipartial correlations of p with
index
interest
0.9384
0.1097
0.5533
0.0225
0.8807
0.0120
0.3061
0.0005
0.0000
0.7213
Correlaes parciais Stata

. Pcorr
Valores >|0.8| so preocupantes
. pcorr
(obs=15)
index g p interest
Partial and semipartial correlations of index with
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
g
p
interest
0.9384
0.0183
0.1189
0.5530
0.0037
0.0244
0.8807
0.0003
0.0141
0.3058
0.0000
0.0006
0.0000
0.9526
0.6990
. pcorr p interest
(obs=15)
index g
Partial and semipartial correlations of p with
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
interest
index
g
0.4583
0.0183
0.0282
0.3524
0.0125
0.0193
0.2101
0.0003
0.0008
0.1242
0.0002
0.0004
0.1152
0.9526
0.9271
. pcorr interest
(obs=15)
index g p
Partial and semipartial correlations of interest with
95
Variable
Partial
Corr.
Semipartial
Corr.
Partial
Corr.^2
Semipartial
Corr.^2
Significance
Value
index
g
p
0.1189
0.1097
0.4583
0.0626
0.0577
0.2698
0.0141
0.0120
0.2101
0.0039
0.0033
0.0728
0.6990
0.7213
0.1152
Solues para a
multicolinearidade
96
Omisso de variveis
Aumentar o tamanho da amostra
Transformar as variveis problemticas
Equao com a varivel index:

. regress y index g interest p
Source
SS
df
MS
Model
Residual
.015861368
.000431814
4
10
.003965342
.000043181
Total
.016293182
14
.001163799
Coef.
index
g
interest
p
_cons
-.0165896
.6703036
-.0024281
.0000639
-.5090685
Std. Err.
.0019294
.0537998
.0011938
.0013188
.0539332
t
-8.60
12.46
-2.03
0.05
-9.44
Number of obs
F( 4,
10)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.000
0.000
0.069
0.962
0.000
=
=
=
=
=
=
15
91.83
0.0000
0.9735
0.9629
.00657

-.0208886
.5504301
-.005088
-.0028747
-.6292391
-.0122906
.7901771
.0002318
.0030024
-.3888979
. use "C:\Users\amrofi\Documents\disciplinas\econometria\material de aula\greene_f3_1_p22.dta", clear
Equao sem a varivel index:

. regress y g interest p
Source
97
SS
df
MS
Model
Residual
.01266895
.003624232
3
11
.004222983
.000329476
Total
.016293182
14
.001163799
Coef.
g
interest
p
_cons
.23619
-.003648
-.000144
-.0724708
Std. Err.
.051332
.0032741
.0036424
.0502131
t
4.60
-1.11
-0.04
-1.44
Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE
P>|t|
0.001
0.289
0.969
0.177
=
=
=
=
=
=
15
12.82
0.0007
0.7776
0.7169
.01815

.123209
-.0108544
-.0081608
-.1829892
.349171
.0035583
.0078727
.0380476
Exemplo: Longley em Gujarati

5ed. (p.354, Tabela 10.8)
98
Dados de Longley (1967): Y (numero de

pessoas empregadas); X1 (deflator do PNB),
x2 (PNB), x3 (desempregados), x4 (pessoas
nas forcas armadas), x5 (populao maior
de 14anos) e x6 (tendncia)
Ver erro no Gujarati 5ed p 355
99
Correlao simples
duas a duas ver Gujarati 5ed
(p355, Tabela 10.9)
10
0
Regresses
auxiliares Klein
10
1
Regresses
auxiliares Klein
10
2
Regresses
auxiliares Klein
10
3
Regresses auxiliares Klein

Ver Gujarati 5ed p356
Resumo: R das regresses auxiliares - R da regresso principal = 0.995479
Var. Dep. X1
X2
X3
X4
X5
X6
R2
0.992622 0.999441 0.970255 0.721365 0.997495 0.998682
Problemas de multicolinearidade entre x2 (PNB), x5 (populao maior de 14anos) e
x6 (tendncia)...
Fazendo o vif:
. estat vif
10
4
Variable
VIF
1/VIF
x2
x6
x5
x1
x3
x4
1788.51
758.98
399.15
135.53
33.62
3.59
0.000559
0.001318
0.002505
0.007378
0.029745
0.278635
Mean VIF
519.90
Tambm possvel relacionar com x1 e x3.

Alterao terica: PNB nominal / deflator =
PNB real
10
5
Outra sugesto: retirar X6=tendncia pois a

populao aumenta taxa natural de
crescimento populacional (correlao de X5
e X6 = 0,99). Retirar x3 pois no parece
sensato relacionar Y (pessoas empregadas)
com x3 (pessoas desempregadas).
Modelo corrigido: fazendo z= x2/x1
10
6
Ex gujarati 5ed tabela 10.16 p. 367
10
7
Ex gujarati 5ed tabela 10.16 p. 367
10
8

ECONOMETRIA 2015 2 Violacao Pressupostos

Caricato da

Informazioni sul documento

Descrizione originale:

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

ECONOMETRIA 2015 2 Violacao Pressupostos

Caricato da

Copyright:

Formati disponibili

[0312.

Prof. Dr. Adriano Marcos Rodrigues Figueiredo

Violaes dos Pressupostos

Econometria - Prof. Adriano Figueiredo

Teste de Especificao do modelo

Teste RESET de Ramsey

Econometria - Prof. Adriano Figueiredo

Ho: no h erro de especificao => quero aceitar a

hiptese nula: um pouco diferente do teste calculado

Ramsey RESET Test:

Log likelihood ratio

Sample: 1988:09 1998:05

Mean dependent var

S.D. dependent var

Akaike info criterion

Sum squared resid

Econometria - Prof. Adriano Figueiredo

Passos no Stata, usando o arquivo

Econometria - Prof. Adriano Figueiredo

2. Gerar varivel dependente estimada

Econometria - Prof. Adriano Figueiredo

4. Estimar modelo contendo as variveis do

Econometria - Prof. Adriano Figueiredo

E o modelo tem 117 observaes

n-p = 110 no modelo novo.

5. Calcular a estatstica F do teste:

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Outra opo no Stata

Traz tambm outros indicadores para

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Opo mais direta: ovtest

Embora chame de teste de varivel omitida,

Econometria - Prof. Adriano Figueiredo

Outra alternativa no Stata o Linktest, que procede

[95% Conf. Interval]

Econometria - Prof. Adriano Figueiredo

O Critrio de Informao de Akaike (ou AIC

Econometria - Prof. Adriano Figueiredo

o Critrio de Informao de Schwarz ou

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Soluo para o Erro de

outras variveis relevantes

Econometria - Prof. Adriano Figueiredo

Erros tm mdia zero

H0: mdia igual a zero

Gera resduos e testa a mdia = zero

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Ou para o exemplo da soja.dta

Econometria - Prof. Adriano Figueiredo

[95% Conf. Interval]

Ha: mean > 0

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Econometria - Prof. Adriano Figueiredo

Teste de Bera-Jarque: testa assimetria e curtose usando os

Econometria - Prof. Adriano Figueiredo

Normalidade dos erros