Baixe o app para aproveitar ainda mais
Prévia do material em texto
Tópico 4 – Heterocedasticidade Bibliografia: WOOLDRIDGE, J.M. Introdução à Econometria: uma abordagem moderna. 4ª ed. São Paulo: Pioneira Thomson Learning, 22015. (capítulo 8). Estimação de Mínimos Quadrados Ponderados Embora seja sempre possível estimar erros padrão robustos para as estimativas MQO, se sabemos algo sobre a forma específica da heterocedasticidade, pode-se obter estimativas mais eficientes do que aquelas por MQO. Observações com a variância muito alta não contém muita informação sobre a localização da reta da regressão. Método de estimação alternativo – MQP, que pode ser utilizado quando existe heterocedasticidade. Reponderação dos dados. Isto leva a um estimador mais eficiente que o MQO, e produz estatísticas t e F que têm distribuições t e F. Estimação de Mínimos Quadrados Ponderados Considerando 2 casos: 1º: 𝑉𝑎𝑟(𝑢𝑖|𝑥𝑖) é conhecida até um fator de proporcionalidade, e MQP é MELNV. 2º: 𝑉𝑎𝑟(𝑢𝑖|𝑥𝑖) é conhecida, porém ela possui alguns parâmetros desconhecidos que devem ser estimados. Caso de uma forma conhecida perante constante multiplicativa Suponha que a heterocedasticidade possa ser modelada como: 𝑉𝑎𝑟 𝑢 𝑥 = 𝜎2ℎ 𝑥 Em que : ℎ(𝑥) é uma função das variáveis explicativas e determina a forma da heterocedasticidade, ou seja, como a variância dependerá de 𝑥; ℎ 𝑥 > 0 pois a variância é positiva ∀ os valores possíveis das variáveis independentes; ℎ(𝑥) é conhecida; 𝜎2 o parâmetro populacional não é conhecido, mas pode ser estimado através do uso dos dados. Exemplo de mínimos quadrados ponderados 𝑉𝑎𝑟 𝑢 𝑥 = 𝜎2ℎ 𝑥 𝑝𝑜𝑢𝑝𝑖 = 𝛽0 + 𝛽1𝑟𝑒𝑛𝑑𝑎𝑖 + 𝑢𝑖 𝑉𝑎𝑟 𝑢𝑖 𝑟𝑒𝑛𝑑𝑎𝑖 = 𝜎 2𝑟𝑒𝑛𝑑𝑎𝑖 ℎ 𝑥 = ℎ 𝑟𝑒𝑛𝑑𝑎 = 𝑟𝑒𝑛𝑑𝑎. Neste caso, a variância do erro é proporcional ao nível de renda. Quanto maior o nível de renda, maior a variância do termo de erro, ou seja, maior a variabilidade da poupança. Como a 𝑟𝑒𝑛𝑑𝑎 > 0, a variância será sempre positiva. O desvio-padrão de 𝑢𝑖, condicional a 𝑟𝑒𝑛𝑑𝑎 → 𝜎 𝑟𝑒𝑛𝑑𝑎𝑖. Caso de uma forma conhecida perante constante multiplicativa Como usamos a informação sobre o formato da heterocedasticidade (equação 1) para estimar os parâmetros do modelo e fazer inferência? Modelo original heterocedástico: 𝑦𝑖 = 𝛽𝑜 + 𝛽1𝑥𝑖1 + 𝛽2𝑥𝑖2…+ 𝛽𝑘𝑥𝑖𝑘 + 𝑢𝑖 Suponha que a equação contenha erros heterocedásticos. A heterocedasticidade possa ser modelada como: 𝑉𝑎𝑟 𝑢 𝑥 = 𝜎2ℎ 𝑥 onde ℎ 𝑥 = ℎ𝑖 Temos que transformar esta equação de forma que os erros virem homocedásticos (e satisfaça as outras hipóteses de Gauss-Markov). Caso de uma forma conhecida perante constante multiplicativa Como ℎ𝑖 é apenas uma função de 𝑥𝑖, 𝑢𝑖/ ℎ𝑖 tem zero como valor esperado condicional em 𝑥𝑖. Além disso, Var ui xi = 𝐸 𝑢𝑖 2 𝑥𝑖 = 𝜎 2ℎ𝑖. A variância de 𝑢𝑖/ ℎ𝑖 (condicional em 𝑖) é 𝜎 2: 𝐸 𝑢𝑖 ℎ𝑖 2 = 𝐸(𝑢𝑖 2) ℎ𝑖 = 𝜎2ℎ𝑖 ℎ𝑖 = 𝜎2 Suprimimos a condicionalidade de 𝑥𝑖, por simplicidade. Caso de uma forma conhecida perante constante multiplicativa Sabemos que: 𝑉𝑎𝑟(𝑢𝑖|𝑥) = 𝜎 2ℎ𝑖 Assim, se dividirmos toda nossa equação por ℎ𝑖, teremos um modelo onde o erro é homocedástico. ൗ 𝑦𝑖 ℎ𝑖 = ൗ 𝛽𝑜 ℎ𝑖 + 𝛽1 ൗ 𝑥𝑖 ℎ𝑖 +⋯+ 𝛽𝑘 ൗ 𝑥𝑘 ℎ𝑖 + ൗ 𝑢𝑖 ℎ𝑖 Ou: 𝑦𝑖 ∗ = 𝛽𝑜𝑥𝑖0 ∗ + 𝛽1𝑥𝑖1 ∗ +⋯+ 𝛽𝑘𝑥𝑖𝑘 ∗ + 𝑢𝑖 ∗ Em que: 𝑥𝑖0 ∗ = 1/ ℎ𝑖 e as outras variáveis sobrescritas com ∗ representam as variáveis originais correspondentes divididas por ℎ𝑖. Exemplo 8.6 - Equação de Patrimônio Financeiro Estimamos as equações que explicam os ativos financeiros líquidos: 𝑛𝑒𝑡𝑡𝑓 = 𝛽0 + 𝛽𝑖1𝑖𝑛𝑐 + 𝑢𝑖1 Em que: 𝑛𝑒𝑡𝑡𝑓𝑎 corresponde aos ativos financeiros líquidos; 𝑖𝑛𝑐 é a renda; 𝑢𝑖1 é o termo de erro aleatório. Exemplo 8.6 - Equação de Patrimônio Financeiro Sem controlarmos outros fatores, cada dolar adicional na renda é estimado aumentar a nettfa em cerca de 82 cents de dólar quando são usados os MQO _cons -10.57095 2.060678 -5.13 0.000 -14.61223 -6.529671 inc .8206815 .0609 13.48 0.000 .7012479 .940115 nettfa Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 4565965.05 2016 2264.86361 Root MSE = 45.592 Adj R-squared = 0.0822 Residual 4188482.98 2015 2078.6516 R-squared = 0.0827 Model 377482.064 1 377482.064 Prob > F = 0.0000 F( 1, 2015) = 181.60 Source SS df MS Number of obs = 2017 . reg nettfa inc Exemplo 8.6 - Equação de Patrimônio Financeiro Sem controlarmos outros fatores, cada dolar adicional na renda é estimado aumentar a nettfa em cerca de 72 cents de dólar quando são usados os MQP. _cons -9.580702 1.653284 -5.79 0.000 -12.82303 -6.338378 inc .7870523 .0634814 12.40 0.000 .6625562 .9115484 nettfa Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 2603570.25 2016 1291.4535 Root MSE = 34.648 Adj R-squared = 0.0704 Residual 2419034.45 2015 1200.51338 R-squared = 0.0709 Model 184535.798 1 184535.798 Prob > F = 0.0000 F( 1, 2015) = 153.71 Source SS df MS Number of obs = 2017 (sum of wgt is 8.7566e+01) . reg nettfa inc [aw = 1/inc] . *MQP Exemplo 8.6 - Equação de Patrimônio Financeiro A diferença não é grande; certamente não esperamos que elas sejam idênticas. O coeficiente MQP (0,063) realmente tem um erro padrão menor que o do MQO (0,104), quase 40% menor, desde que consideremos que o modelo está correto. _cons -10.57095 2.060678 -5.13 0.000 -14.61223 -6.529671 inc .8206815 .0609 13.48 0.000 .7012479 .940115 nettfa Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 4565965.05 2016 2264.86361 Root MSE = 45.592 Adj R-squared = 0.0822 Residual 4188482.98 2015 2078.6516 R-squared = 0.0827 Model 377482.064 1 377482.064 Prob > F = 0.0000 F( 1, 2015) = 181.60 Source SS df MS Number of obs = 2017 . reg nettfa inc _cons -9.580702 1.653284 -5.79 0.000 -12.82303 -6.338378 inc .7870523 .0634814 12.40 0.000 .6625562 .9115484nettfa Coef. Std. Err. t P>|t| [95% Conf. Interval] Total 2603570.25 2016 1291.4535 Root MSE = 34.648 Adj R-squared = 0.0704 Residual 2419034.45 2015 1200.51338 R-squared = 0.0709 Model 184535.798 1 184535.798 Prob > F = 0.0000 F( 1, 2015) = 153.71 Source SS df MS Number of obs = 2017 (sum of wgt is 8.7566e+01) . reg nettfa inc [aw = 1/inc] . *MQP Mínimos Quadrado Generalizadoss Mínimos Quadrados Ponderados é maximizado se sabemos como é 𝑉𝑎𝑟(𝑢𝑖|𝑥𝑖). Na maioria dos casos não saberemos a forma da heterocedasticidade. Exemplo de se fazer é se o dado for agregado, mas o modelo é a nível individual. Deverá ser ponderado o peso de cada observação agregada pelo inverso do número de indivíduos. Mínimos Quadrados Generalizados (MQG) Anteriormente, vimos alguns exemplos nos quais a heterocedasticidade é conhecida como uma forma multiplicativa. Na maioria dos casos, a forma exata da heterocedasticidade não é óbvia, ou seja, é difícil de encontrar a função ℎ 𝑥𝑖 . Podemos modelar a função ℎ e utilizar os dados para estimar os parâmetros desconhecidos nesse modelo → estimativas de cada ℎ𝑖, indicada por ℎ𝑖. Usar o ℎ𝑖 em lugar de ℎ𝑖 na transformação 𝑀𝑄𝐺 produz um estimador denominado: MQG factível, MQG estimado ou MQGE. MQG Factível A forma mais típica é quando você não sabe a forma da heterocedasticidade; Neste caso, você precisará estimar: ℎ(𝑥𝑖). Tipicamente, começamos com o pressuposto de um modelo razoavelmente flexível, tal como: 𝑉𝑎𝑟 (𝑢|𝑥) = 𝜎2𝑒𝑥𝑝(𝛿𝑜 + 𝛿1𝑥𝑖 +⋯+ 𝛿𝑘𝑥𝑘) Em que: 𝑥1, 𝑥2, … , 𝑥𝑘 são variáveis explicativas; 𝛿𝑗 são parâmetros desconhecidos. Uma vez que não conhecemos 𝛿 , a estimação é necessária. GLS Factível Na realização do teste de heterocedasticidade, consideramos que a heterocedasticidade era uma função linear de 𝑥𝑗. Alternativas lineares são boa quando verificamos a existência de heterocedasticidade, mas elas podem ser problemáticas quando fazemos correção da heterocedasticidade, usando MQP. Modelos lineares não asseguram que os valores previstos sejam positivos, e nossas variâncias estimadas devem ser positivas para podermos usar o método MQP. MQG Factível Procedimento MQG para corrigir a hetercedasticidade: 1. Execute a regressão de 𝑦 em 𝑥1, 𝑥2, … , 𝑥𝑘e obtenha os resíduos, ො𝑢. 2. Criar log ( ො𝑢2) primeiramente elevando ao quadrado os resíduos MQO e depois calculando seu log natural. 3. Execute a regressão de log ( ො𝑢2 ) sobre 𝑥1, 𝑥2, … , 𝑥𝑘 e obtenha os valores estimados, ො𝑔. 4. Calcule o exponencial dos valores estimados a partir ො𝑢 = exp ො𝑔 . 5. Estime a equação: 𝑦𝑖 = 𝛽𝑜 + 𝛽1𝑥𝑖 +⋯+ 𝛽𝑘𝑥𝑘 + 𝑢𝑖 Pelos MQP, usando pesos 1/ℎ (ℎ𝑖 = exp( ො𝑔𝑖)). MQG Factível Se os parâmetros 𝛿𝑗 fossem conhecidos, apenas aplicaríamos MQP, como mostrado anteriormente. Caso não seja conhecidos, devemos usar os dados para estimar esses parâmetros, e então utilizar essas estimativas para construir pesos. Podemos escrever: 𝑢2 = 𝜎2 exp 𝛿0 + 𝛿1𝑥1 +⋯+ 𝛿𝑘𝑥𝑘 𝑣 Substituindo o 𝑢 não observado pelos resíduos 𝑀𝑄𝑂 , computamos a regressão de: log ො𝑢2 𝑠𝑜𝑏𝑟𝑒 𝑥1, … , 𝑥𝑘 Agora, sabemos que ො𝑢 é um estimador de 𝑢, então podemos estimar por MQO. O que necessitamos dessa regressão são os valores ajustados; vamos chama-los de ො𝑔𝑖. Assim, as estimativas de ℎ𝑖 serão: ℎ𝑖 = exp( ො𝑔𝑖) Onde ෝ𝑔𝑖= valores ajustado da regressão (14). Agora, usamos o método MQO com pesos 1/ ℎ𝑖 em lugar de 1/ℎ𝑖. GLS Factível Rode o modelo original MQO, salve os resíduos, ො𝑢, eleve-os ao quadrado e tome o logaritmo; Regrida ln(ℎ2) para todas as variáveis independentes e obtenha os valores ajustados, ො𝑔. Faça Mínimos Quadrados Ponderados usando como ponderação: 1 exp( ො𝑔) Mínimos Quadrado Generalizados A estimação da equação transformada por MQO é um exemplo de mínimos quadrados generalizados, MQG (ou GLS, em inglês). MQG será BLUE (Best Linear Unbiased Estimator). Um estimador de MQP pode ser definido por qualquer conjunto de pesos positivos. O MQO é o caso especial que atribui pesos iguais a todas as observações. O procedimento eficiente, MQG, pondera cada resíduo ao quadrado pelo inverso da variância condicional de 𝑢𝑖. Dá-se menos peso para as observações com maior variância. Devemos ter algum cuidado ao calcularmos estatística F para testar hipóteses múltiplas após a estimação por MQP. É importante que os mesmo peso sejam usados para estimar os modelos com e sem restrições. Mínimos Quadrado Generalizados A maioria dos programas econométricos modernos tem um recurso para computar MQP. Em geral, juntamente com as variáveis dependentes e independentes no modelo original, apenas especificamos a função de ponderação, 1/ℎ𝑖, que aparece na equação. Lembre-se que utiliza-se MQP apenas por eficiência, pois MQO continua não tendencioso e consistente. As estimativas serão diferentes devido a erros amostrais, mas se forem muito diferentes, então alguma outra hipótese de Gauss-Markov também deve estar sendo violada. Exercícios 1) O método MQP é preferido ao MQO quando uma variável importante for omitida do modelo? Explique. 2) Considere um modelo linear para explicar o consumo mensal de cerveja: 𝑐𝑒𝑟𝑣𝑒𝑗𝑎 = 𝛽0 + 𝛽1𝑟𝑒𝑛𝑑𝑎 + 𝛽2𝑝𝑟𝑒ç𝑜 + 𝛽3𝑒𝑑𝑢𝑐 + 𝛽4𝑓𝑒𝑚 + 𝑢 𝐸 𝑢 𝑟𝑒𝑛𝑑𝑎, 𝑝𝑟𝑒ç𝑜, 𝑒𝑑𝑢𝑐, 𝑓𝑒𝑚 = 0 e 𝑉𝑎𝑟 𝑢 𝑟𝑒𝑛𝑑𝑎, 𝑝𝑟𝑒ç𝑜, 𝑒𝑑𝑢𝑐, 𝑓𝑒𝑚 = 𝜎2𝑟𝑒𝑛𝑑𝑎2 Mostre como você iria remover o problema da heteroscedasticidade e produzir um termo de erro com variância constante.
Compartilhar