Departamento de Ciências Econômicas

Econometria II
TOP 3- Violações dos pressupostos
básicos

CAPs 10, 11 e 12 – GUJARATI

Aula 7
02 de maio de 2019
Profª Drª Graciela Profeta
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

A multicolinearidade é um problema grave!

O que podemos fazer?

Não fazer nada!

Se for em grau tolerável Amostra

Seguir algumas regras práticas:

 3.1- Multicolinearidade TOP. 3
i) Informações a priori: teoria, artigos, Know- how. 3.1.4- Medidas corretivas
Considere o seguinte modelo

Yi = 1 +  2 X 2 i +  3 X 3i + ui (3.3), se  3 = 0,10  2

Yi = 1 +  2 X 2 i + 0,10  2 X 3i + ui (3.4)

Yi = 1 +  2 X i + ui (3.5)
em que X i = X 2i + 0,10 X 3i

^
Ao estimarmos o modelo (3.5), encontraremos  2
^
Como, 3 = 0,10 2 , podemos obter  3
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

ii) Combinação de dados de corte transversal e de séries temporais

✓ Considere o seguinte modelo para estudar a demanda de

automóveis no Brasil

ln Yt = 1 +  2 ln P t +  3 ln Rt + ui (3.6)

^ ^
✓ Nosso objetivo é determinar :  2 e  3
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
✓ O problema é que em modelos de séries temporais, o preço e a renda
tendem a ser correlacionados, o que implica em multicolinearidade;

✓ Então a solução é descartar uma delas?

✓ Alternativa proposta por Tobin:

✓ Usar dados de corte transversal (por exemplo: IBGE);

^
✓ Neste caso, é possível obter estimativas bastante confiáveis para 3

✓ Como isso é possível?

 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
✓ Quando usamos dados coletados em pontos específicos do tempo os preços
não variam muito, logo a renda também nao, (Tobin).
^
✓ Então, deve-se estimar a elasticidade - renda (  3) a partir de dados de corte transversal
e reescrever o modelo (3.6), como o apresentado em (3.7):

ln 𝑌𝑡 = 𝛽1 + 𝛽2 ln 𝑃𝑡 + 𝛽3 ln 𝑅𝑡 + 𝑢𝑖 (3.6)
𝑌 ∗ 𝑡 = 𝛽1 + 𝛽2 ln 𝑃𝑡 + 𝑢𝑖 (3.7)
^
em que: 𝑌 ∗ = ln 𝑌 − 𝛽3 ln 𝑅 (3.8)
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas ln 𝑌𝑡 = 𝛽1 + 𝛽2 ln 𝑃𝑡 + 𝛽3 ln 𝑅𝑡 + 𝑢𝑖 (3.6)
𝑌 ∗ 𝑡 = 𝛽1 + 𝛽2 ln 𝑃𝑡 + 𝑢𝑖 (3.7)
^
∗
em que: 𝑌 = ln 𝑌 − 𝛽3 ln 𝑅 (3.8)

✓ Y* representa o valor de Y após ter removido o efeito da renda. E

^
assim, pode-se obter a elasticidade-preço (  2) regredindo (3.7).

✓ Observe que em (3.7) temos um modelo lin-log -> o valor obtido para o
Beta 2 deve ser dividido por 100 para uma correta interpretação.

✓ Mas qual é o valor da elasticidade renda?

^
✓ Pressuposição Forte: De que a estimativa da elasticidade renda (  3 ) obtida via
dados de corte transversal seria a mesma obtida via dados de séries temporais.
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
iii) Exclusão de variáveis e viés de especificação

✓ Suponha que ao regredirmos o consumo de um bem Y contra a renda (X2) e a riqueza

(X3), encontramos o seguinte resultado:

Multicolinearidade

Excluir variável X3
Resolve?
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

Problema resolvido?

Erro de
Exclusão é especificação
Não!
outro erro ou viés de
especificação

✓Porque o erro de especificação é um problema?

Onde 𝑏32 é o coeficiente angular da
regressão de x3 contra X2. Logo, 𝑏12 é
✓Porque causa um viés: E(𝑏12 ) = 𝛽2 + 𝛽3 𝑏32 uma estimativa tendenciosa de 𝛽2
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
Yi = 1 +  2 X 2i + 3 X 3i + ui (3.9) --  modelo verdadeiro,

Yi = 1 +  2 X 2i + vi (3.10) --  equívoco

Reescrevendo (3.9) em termos de desvio da média, temos:

yi =  2 x2i + 3 x3i + (ui − u ) (3.11)

✓ Usando um artifício matemático para reescrever (3.11) temos:

 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
✓ Multiplique (3.11) por  x2i e divida (3.11) por  2i e encontre
x 2

(3.12)

yi =  2 x2i + 3 x3i + (ui − u ) (3.11)

yx i 2i
=  2 + 3
x x 2 i 3i
+
 x (u − u )
2i i
(3.12)
x 2
2i x 2
2i x 2
2i

Fazendo
y x i 2i
= b12 e
x x 2i 3i
= b32 ,
x 2
2i x 2
2i
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
yx
i 2i
=  2 + 3
x x
2i 3i
+
 x (u − u )
2i i
(3.12)
x 2
2i x 2
2i x 2
2i

b12 =  2 +  3b32 +
 x (u − u )
2i i
(3.13)
x 2
2i

✓ Considerando que:

✓  2 e  3 são constantes E (  2 ) =  2 e E(  3 ) =  3

✓ b32 é um valor fixo conhecido E (b32 ) = b32

✓ ui não está correlacionado nem com X2i e nem com X3i, E(ui)=0
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
b12 =  2 +  3b32 +
 x (u − u )
2i i
(3.13)
x 2
2i

E(b12 ) =  2 +  3b32 (3.14)

✓ Portanto, lembrando das equações (3.9) e (3.10),

Yi = 1 +  2 X 2i + 3 X 3i + ui (3.9) --  modelo verdadeiro,

Yi = 1 +  2 X 2i + vi (3.10) --  equívoco

^
✓ Podemos afirmar que : E( 2 ) =  2 +  3b32
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

iv) Transformação de variáveis: equação em diferença

✓ Considerando um estudo sobre Consumo-renda-riqueza que utilize
dados de séries temporais.

Yt = 1 +  2 X 2t + 3 X 3t + ut (3.15)

✓ Suponha que a relação apresentada em (3.15) seja válida para todo

o período t, logo ela também será válida para t-1. Então:
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
Yt = 1 +  2 X 2t +  3 X 3t + ut (3.15)

Yt −1 = 1 +  2 X 2,t −1 + 3 X 3,t −1 + ut −1 (3.16)

Equação em primeira
Subtraindo (3.16) de (3.15), temos diferença

Yt − Yt −1 =  2 ( X 2t − X 2,t −1 ) + 3 ( X 3t − X 3,t −1 ) + vt (3.17)

em que: vt = ut − ut −1

✓ Neste caso, o valor de hoje (t) é dado pelo valor de hoje (t) menos o valor
de ontem (t-1).
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
Yt − Yt −1 =  2 ( X 2t − X 2,t −1 ) + 3 ( X 3t − X 3,t −1 ) + vt (3.17)

✓ Esta transformação pode suavizar o problema da multi, Visto que, mesmo

os valores de hoje de X2 e X3 sejam correlacionados, não há nada que nos
leve a acreditar que ontem estes também eram correlacionados.

Passível de crítica!

✓ O termo de erro de (3.17), vt pode não obedecer à premissa do

MRLC, de que os termos de erros não podem ser correlacionados.
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
Yt − Yt −1 =  2 ( X 2t − X 2,t −1 ) + 3 ( X 3t − X 3,t −1 ) + vt (3.17)

em que: vt = ut − ut −1

✓Portanto, mesmo que ut não esteja correlacionado com nenhum

dos regressores do modelo, vt pode estar.

✓Perda de observação no processo de primeira diferença implica

em perdas de graus de liberdade, o que prejudica os teste de
significância estatística.
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

v) Dados adicionais ou novos

✓Vimos que a multicolinearidade é um problema típico de pequenas

amostras;

✓Então se for possível aumentarmos o tamanho da amostra, esse

problema pode ser contornado ou suavizado.

✓Vejamos porque.
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas
✓ Considerando um modelo com 3 variáveis, observamos que à medida que o
2
tamanho da amostra (n) aumenta, em geral, σ 𝑥2𝑖 também aumenta (Visto que
o número de termos do somatório também aumenta).

✓ Portanto, para qualquer valor de 𝑟23 ( exceto r23 2

= 1 ) , a variância de 𝛽መ 2
diminuirá e isto implica em menor erro-padrão, pois

^ 2 2
var( 2 ) = ep =
 2i 23 )
x 2
(1 − r 2  2i 23 )
x 2
(1 − r 2
 3.1- Multicolinearidade TOP. 3
3.1.4- Medidas corretivas

vi) Técnicas estatísticas multivariadas

✓ Análise fatorial

✓ Componentes principais