Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE CIEˆNCIAS SOCIAS APLICADAS DEPARTAMENTO DE ECONOMIA Introduc¸a˜o a` Econometria Professor: Erik Alencar de Figueireˆdo Aula 13 5 Jan 2008 5:58 p.m. Quebra dos pressupostos do me´todo de MQO: Heterocedasticidade 0. INTRODUC¸A˜O Considere o modelo multivariado na forma matricial: y = Xβ + u, [1] onde y = y1 y2 ... yn ; X = 1 x21 · · · xk1 1 x22 · · · xk2 ... ... . . . ... 1 x2n · · · xkn ; β = β1 β2 ... βk ; u = u1 u2 ... un . Note que os vetores y e u possuem dimensa˜o n × 1; o vetor β tem dimensa˜o k × 1 e a matriz X dimensa˜o n× k. A infereˆncia para os paraˆmetros β, a partir do me´todo MQO, requer as seguintes suposic¸o˜es: MQO.1: a matriz X e´ na˜o-estoca´stica, ou seja, a estimac¸a˜o e´ realizada com base em valores observados de X; MQO.2: a matriz X ′X possui rank igual a k, isto e´, ela possui k vetores linearmente independentes; MQO.3: a E(Xu) = 0; MQO.4: os erros u sa˜o caracterizados por: E(u) = 0 var(u) = E(uu′) = σ2I Vejamos, com maior atenc¸a˜o, a hipo´tese MQO.4. Note que o operador de esperanc¸a e´ aplicado a todos os elementos do vetor: E(u) = E u1 u2 ... un = E(u1) E(u2) ... E(un) = 0 0 ... 0 . Com relac¸a˜o a` variaˆncia: var(u) = E(uu′) = E [ u1 u2 ... un · (u1 u2 · · · un ) ] = E(u21) E(u1u2) · · · E(u1un) E(u2u1) E(u22) · · · E(u2un) ... ... . . . ... E(unu1) E(unu2) · · · E(u2n) Introduc¸a˜o a` Econometria - Aula 13 pa´gina 2 var(u) = σ2 cov(u1u2) · · · cov(u1un) cov(u2u1) σ2 · · · cov(u2un) ... ... . . . ... cov(unu1) cov(unu2) · · · σ2 = σ2 1 0 · · · 0 0 1 · · · 0 ... ... . . . ... 0 0 · · · 1 = σ2I. A primeira hipo´tese afirma que X e´ determin´ıstico. A segunda hipo´tese postula que a matriz X ′X, de ordem k × k, possui k vetores linearmente independentes, isto implica em dois resultados. Primeiro, ela possui inversa. Segundo, inexistem relac¸o˜es entre as varia´veis explicativas, ou de uma forma equivalente, na˜o ha´ multicolinearidade. A hipo´tese MQO.3 assegura que a esperanc¸a do erro condicionada as varia´veis explicativas e´ igual a zero. Isto e´, na˜o existe endogeneidade. Por fim, a suposic¸a˜o MQO.4 carrega consigo duas hipo´teses fortes: a) a variaˆncia dos erros e´ a mesma para todos os elementos da matriz de variaˆncias-covariaˆncias (homocedasticidade) e; b) as covariaˆncias entre os elementos de u sa˜o nulas dois a dois, isto implica na auseˆncia de autocorrelac¸a˜o entre os res´ıduos. Neste caso, diz-se que a distribuic¸a˜o de u e´ esfe´rica, podendo ser representada por: u ∼ iiN(0, σ2I). Sob estes pressupostos o estimador de MQO: βˆ = (X ′X)−1X ′y, e´ na˜o-viesado: E(βˆ) = β; e possui variaˆncia mı´nima dada por: var(βˆ) = σ2(X ′X)−1. Neste caso, tem-se o seguinte resultado para βˆ: Teorema de Gauss-Markov: Mediante os pressupostos do MQO, nenhum outro estimador linear na˜o-viesado para os co- eficientes β, possuira´ variaˆncia amostral inferior aos estimadores de MQO (βˆ). Ou seja, βˆ e´ o melhor estimador linear na˜o-viesado com variaˆncia mı´nima. Entretanto, o que acontecera´ com βˆ se os pressupostos forem violados? 2. HETEROCEDASTICIDADE Na presenc¸a de homocedasticidade, o sistema representado pela equac¸a˜o 1 possuira´ k + 1 paraˆmetros β e a variaˆncia do erro. Considerando uma amostra de tamanho n, com n > k + 1, os paraˆmetros podem ser facilmente obtidos a partir da infereˆncia MQO. Entretanto, suponha a existeˆncia da heterocedasticidade. Neste caso, a matriz de variaˆncias-covariaˆncias para u sera´: var(u) = E(uu′) = σ21 0 · · · 0 0 σ22 · · · 0 ... ... . . . ... 0 0 · · · σ2n . Note que agora o sistema 1 possui n+ k paraˆmetros. Os k betas e as n variaˆncias do erro. Neste caso, se na˜o forem adotadas hipo´teses adiconais, sera´ imposs´ıvel realizar uma infereˆncia a partir dos n pontos da amostra (dado que n+ k > n). E´ fa´cil imaginar uma situac¸a˜o onde exista heterocedasticidade. Vejamos o caso onde os dados em corte representam os gastos familiares. E´ natural esperar que o gasto me´dio aumente quando a renda aumenta. Mas tambe´m e´ de se esperar que a variaˆncia dos gastos tambe´m cresc¸a na medida em que a renda cresce. Introduc¸a˜o a` Econometria - Aula 13 pa´gina 3 Supondo que o rendimento e´ representado pela varia´vel x2i, enta˜o a matriz de variaˆncias-covariaˆncias podera´ ser representada por: E(uu′) = σ2 x21 0 · · · 0 0 x22 · · · 0 ... ... . . . ... 0 0 · · · x2n = σ2A. Note que esta matriz possui apenas um paraˆmetro desconhecido (σ2). No entanto, ela baseia-se em um pressuposto muito forte para a heterocedasticidade, qual seja: a variaˆncia cresce na medida em que a renda aumenta. O que se pode destacar e´ que esta representac¸a˜o e´ apenas um caso particular da heterocedastici- dade, em geral, esta caracter´ıstica possui formas diversas. A partir de agora a heterocedasticidade sera´ tratada por uma representac¸a˜o na˜o-esfe´rica para u: var(u) = σ2Ω. Onde Ω representa uma matriz definida positiva n× n. 3. PROPRIEDADES DOS ESTIMADORES DE MQO A presenc¸a de heterocedasticidade na˜o altera o na˜o-viesamento e a consisteˆncia do estimador de MQO, vejamos: βˆ = (X ′X)−1X ′y. Substituindo y por Xβ + u: βˆ = (X ′X)−1X ′[Xβ + u] βˆ = (X ′X)−1X ′Xβ + (X ′X)−1X ′u βˆ = Iβ + (X ′X)−1X ′u, da qual resulta: βˆ − β = (X ′X)−1X ′u. Tomando o valor esperado em ambos os lados da equac¸a˜o acima e sabendo que (X ′X)−1X ′ e´ deter- min´ıstica: E(βˆ − β) = (X ′X)−1X ′E(u). Por hipo´tese E(u) = 0, logo: E(βˆ − β) = 0, ou seja, E(βˆ) = β. Este resultado assegura que beta e´ na˜o-viciado, pore´m ele na˜o sera´ eficiente, dado que na˜o mais possuira´ variaˆncia mı´nima. Vejamos, como u e´ na˜o-esfe´rico var(u) = σ2Ω. Como Ω e´ definida positiva enta˜o existira´: Ω−1 = P ′P. [2] Fac¸amos uma modificac¸a˜o na equac¸a˜o 1, multiplicando-a por P , assim: y∗ = βX∗ + u∗ onde y∗ = Py, X∗ = PX e u∗ = Pu. Da definic¸a˜o 2 temos Ω = P ′−1P−1, assim: var(u∗) = σ2PΩP ′ = σPP−1(P ′−1)P ′ = σ2I. Logo, as varia´veis transformadas conduzem a um erro esfe´rico. Onde o estimador βˆ sera´: βˆGLS = (X ′∗X∗) −1X ′∗y∗ = (X ′Ω−1X)−1X ′Ω−1y. Introduc¸a˜o a` Econometria - Aula 13 pa´gina 4 Este e´ o estimador de Mı´nimos Quadrados Generalizados (GLS) que corrige a heterocedasticidade. Sua variaˆncia sera´: var(βˆGLS) = σ2(X ′∗X∗) −1 = σ2(X ′Ω−1X)−1. Note que esta expressa˜o apresenta um menor valor em relac¸a˜o a` variaˆncia do estimador de MQO. Logo, no caso de heterocedasticidade, o estimador de MQO deixa de apresentar variaˆncia mı´nima: var(βˆGLS) = σ2(X ′Ω−1X)−1 < var(βˆ) = σ2(X ′X)−1. Basta observar que o denominador da expressa˜o do GLS e´ maior, pois Ω−1 = P ′P . Por fim, os erros padro˜es usuais para o MQO deixam de ser va´lidos o que, por sua vez, invalida os testes de hipo´teses t e F . Vejamos, caso os dados apresentem heterocedasticidade, a matriz de variaˆncias-covariaˆncias correta para o estimador de MQO sera´: var(βˆ) = E [ (βˆ − β)(βˆ − β)′] = E{(X ′X)−1X ′uu′X(X ′X)−1} = σ2(X ′X)−1X ′ΩX(X ′X)−1 Note que a fo´rmula convencional so´ permite calcular σ2(X ′X)−1. 4. CARACTERI´SICAS DOS ERROS PADRO˜ES Caso os dados apresentem heterocedasticidade, a matriz de variaˆncias-covariaˆncias correta para o estimador de MQO sera´: var(βˆ) = E [ (βˆ − β)(βˆ − β)′] = E{(X ′X)−1X ′uu′X(X ′X)−1} = σ2(X ′X)−1X ′ΩX(X ′X)−1 Note que a fo´rmula convencional so´ permite calcular σ2(X ′X)−1, o que agora e´ apenas uma parte da expressa˜o verdadeira. Por conta disso, as estat´ısticas teste deixam de ser va´lidas. E´ importante ressaltarque mesmo que suspeitemos da heterocedasticidade, e´ poss´ıvel aplicar o me´todo MQO. O problema e´ que a matriz σ2Ω, possui n elementos para serem estimados a partir de n pontos. Contudo, White (1980) mostrou que esta e´ uma maneira incorreta de observar o problema. E´ importante encontrar uma estimativa para X ′σ2ΩX, que e´ uma matriz quadrada de ordem k. O me´todo de White propo˜e a substituic¸a˜o da variaˆncia σ2 pelo quadrado do erro amostral (e2t ). Neste caso, a estimac¸a˜o sera´: var(βˆ) = (X ′X)−1X ′σ2ΩX(X ′X)−1, onde σ2Ω = diag{e21, e22, ..., e2n}. Esta transformac¸a˜o torna os testes usuais va´lidos assinto´ticamente. Logo, o modelo MQO, embora na˜o possua mais variaˆncia mı´nima podera´ ser implementado. 5. TESTE DE HIPO´TESE PARA A HETEROCEDASTICIDADE A ineficieˆncia do estimador e´ uma consequ¨eˆncia se´ria para o modelo econome´trico. Por conta disso, em uma ana´lise emp´ırica, torna-se necessa´ria a implementac¸a˜o de testes para a heterocedasticidade. Nesta sec¸a˜o daremos atenc¸a˜o ao teste desenvolvido por White (1980). O teste de White e´ baseado em uma regressa˜o auxiliar. Onde o quadrado dos res´ıduos sera´ regredido frente a todas as varia´veis do modelo, seus valores elevados ao quadrado seus produtos cruzados e a constante. As varia´veis redundantes sera˜o exclu´ıdas do modelo. Vejamos um exemplo: digamos que o processo de estimac¸a˜o envolve as varia´veis x1 e x2 e a constante: x′ = {1, x1, x2}. Assim, o teste considerara´: {1, x1, x2, x21, x22, x1x2}. Note que foram exclu´ıdas as varia´veis redundantes oriundas dos produtos cruzados da constante com x1 e x2 e com ela mesma. Logo, a regressa˜o auxiliar do teste sera´ obtida estimando o quadrado dos res´ıduos (e2) Introduc¸a˜o a` Econometria - Aula 13 pa´gina 5 da primeira regressa˜o (y frente a {1, x1, x2}), contra as varia´veis {1, x1, x2, x21, x22, x1x2}. Diante da hipo´tese da homocedasticidade nR2 possuira´ distribuic¸a˜o χ2(5). Os graus de liberdade correspondem ao nu´mero de varia´veis explicativas na regressa˜o auxiliar, exclu´ıda a constante. Em geral sob hipo´tese nula da homocedasticidade tem-se nR2 ∼ χ2(q). Onde q e´ o nu´mero de varia´veis explicativas na regressa˜o auxiliar menos um. Caso a hipo´tese nula seja rejeitada na˜o havera´ nenhuma indicac¸a˜o sob a forma da heterocedasticidade, portanto o me´todo de GLS na˜o podera´ ser implementado sem informac¸o˜es adicionais. O problema do teste de White reside nos seus graus de liberdade. Na medida em que tem-se um grande nu´mero de regressores, o teste perde poder. Por exemplo, considere k regressores na estimac¸a˜o original, desta forma, sua auxiliar tera´ [k(k+ 1)/2]− 1 paraˆmetros. Se o k for igual a 10 teremos q = 54. Muitas vezes, quando o k e´ grande, costuma-se fazer reduc¸o˜es ad hoc nos regressores, excluindo-se os produtos cruzados. Por fim, conclui-se que caso queira-se utilizar o me´todo de MQO, e´ necessa´rio, na presenc¸a de hetero- cedasticidade, utilizar o ca´lculo da matriz de variaˆncias-covariaˆncias robusta. Nota adicional: O presente documento foi preparado a partir do sistema tipogra´fico (Plain) TEX, desenvolvido por Donald Knuth. Versa˜o preliminar, comenta´rios sa˜o bem-vindos! REFEREˆNCIAS [1] Johnston, J.; DiNardo, J. (2001). Metodos econome´tricos. Lisboa: McGraw Hill. [2] White, H. (1980). A heteroscedasticity-consistent covariance matrix estimator and a direct test for heteroscedas- ticity. Econometrica, v. 48.
Compartilhar