Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 11 – Heterocedasticidade: o que acontece se a variância do erro não é constante? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 1. Qual é a natureza da heterocedasticidade? 2. A multicolinearidade é realmente um problema? 3. Quais são as suas consequências? 4. Como é possível detectá-las? 5. Quais são as medidas corretivas? A natureza da Heterocedasticidade • Homo = igual; cedasticidade = espalhamento • 𝐸 𝑢𝑖 2 = 𝜎2, 𝑖 = 1, 2, … , 𝑛 ℎ𝑜𝑚𝑜𝑐𝑒𝑑á𝑠𝑡𝑖𝑐𝑜 • 𝐸 𝑢𝑖 2 = 𝜎𝑖 2, 𝑖 = 1, 2, … , 𝑛 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑á𝑠𝑡𝑖𝑐𝑜 • Exemplo: poupança como função da renda – pessoas com mais renda poupam mais, mas, com maior variabilidade Razões para ocorrência 1. Modelos de aprendizagem pelo erro: no. de defeitos, no. de erros em faturas 2. Exemplo da renda e política de dividendos: pessoas com maior renda e empresas com maior lucro terão maior discricionariedade na definição de poupança e política de dividendos 3. Problemas na especificação do modelo (violação da premissa 9) como omissão de variáveis podem parecer heterocedasticidade. Ex.: na função demanda não incluir o preço dos produtos concorrentes – os resíduos podem dar a impressão de que a variância não é constante Razões para ocorrência 4. Dados discrepantes ou outliers: Razões para ocorrência 5. Assimetria na distribuição dos regressores. Ex.: renda, riqueza, escolaridade Mais comum em dados em corte transversal. Variedade de tamanhos de empresas por exemplo podem causar heterocedasticidade. Analisar exemplo da tabela 11.1 Estimação dos MQO na presença de heterocedasticidade 𝑌𝑖 = 𝛽1 + 𝛽2𝑋𝑖 + 𝑢𝑖 𝑣𝑎𝑟 𝛽2 = 𝜎2 𝑥𝑖 2 ℎ𝑜𝑚𝑜𝑐𝑒𝑑á𝑠𝑡𝑖𝑐𝑜 𝑣𝑎𝑟 𝛽2 = 𝑥𝑖 2 𝜎𝑖 2 𝑥𝑖 2 2 ℎ𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑á𝑠𝑡𝑖𝑐𝑜 Estimação dos MQO na presença de heterocedasticidade • 𝛽2 – é ainda um estimador linear; – é não tendencioso; – é consistente ( 𝛽2 converge para 𝛽2 à medida que o tamanho da amostra aumenta); – NÃO é eficiente (não é o estimador com variância mínima na classe dos estimadores não tendenciosos); – A variância mínima é diferente de 𝑥𝑖 2𝜎𝑖 2 𝑥𝑖 2 2 O método dos mínimos quadrados generalizados (MQG) • Observar na tabela 11.1 como σ aumenta com o aumento do no. de empregados. • A questão é: como dar maior peso às observações com menor variação? • É o que faz o MQG 𝑌𝑖 = 𝛽1 + 𝛽2𝑋𝑖 + 𝑢𝑖 Para simplificar escreveremos: 𝑌𝑖 = 𝛽1𝑋0𝑖 + 𝛽2𝑋𝑖 + 𝑢𝑖 Onde 𝑋0𝑖 = 1 Supondo 𝜎𝑖 2 conhecidas: O método dos mínimos quadrados generalizados (MQG) Supondo 𝜎𝑖 2 conhecidas: 𝑌𝑖 𝜎𝑖 = 𝛽1 𝑋0𝑖 𝜎𝑖 + 𝛽1 𝑋𝑖 𝜎𝑖 + 𝛽1 𝑢𝑖 𝜎𝑖 𝑌𝑖 ∗ = 𝛽1 ∗𝑋0𝑖 ∗ + 𝛽2 ∗𝑋𝑖 ∗ + 𝑢𝑖 ∗ 𝑣𝑎𝑟 𝑢𝑖 ∗ = 𝐸 𝑢𝑖 ∗ 2 = 𝐸 𝑢𝑖 𝜎𝑖 2 = 1 𝜎𝑖 2 𝐸(𝑢𝑖 2) já que 𝜎𝑖 2 é conhecido = 1 𝜎𝑖 2 (𝜎𝑖 2) já que 𝐸 𝑢𝑖 2 = 𝜎𝑖 2 = 1 que é uma constante, logo, homocedástico O método dos mínimos quadrados generalizados (MQG) • MQO sobre o modelo transformado gera 𝛽1 ∗ e 𝛽2 ∗ que são BLUE. • MQG = MQO sobre variáveis transformadas de modo a satisfazer as premissas dos mínimos quadrados padrão. • Definindo 𝑤𝑖 = 1 𝜎𝑖 2 • 𝑣𝑎𝑟 𝛽2 ∗ = 𝑤𝑖 𝑤𝑖 𝑤𝑖𝑋𝑖 2 − 𝑤𝑖𝑋𝑖 2 O método dos mínimos quadrados generalizados (MQG) • A diferença entre MQO e MQG • MQO => 𝑢𝑖 2 = 𝑌𝑖 − 𝛽1 − 𝛽2𝑋𝑖 2 • MQG => 𝑢𝑖 𝜎𝑖 2 = 𝑌𝑖 𝜎𝑖 − 𝛽1 ∗ 𝑋0𝑖 𝜎𝑖 − 𝛽2 ∗ 𝑋𝑖 𝜎𝑖 2 𝑤𝑖 𝑢𝑖 2 = 𝑤𝑖 𝑌𝑖 − 𝛽1 ∗𝑋0𝑖 − 𝛽2 ∗𝑋𝑖 2 O peso atribuído a cada observação é inversamente a seu 𝜎𝑖. Estaremos dando maior peso às observações que se concentram em torno de sua média. Como esse SQR é uma ponderação por 𝜎𝑖, e esse SQR será minimizado para obter 𝛽1 ∗ e 𝛽2 ∗, esse método é um caso especial do MQG que é conhecido como MQP = Mínimos Quadrados Ponderados Consequências do uso de MQO na presença de heterocedasticidade • Se ignorarmos a heterocedasticidade e estimarmos 𝛽2 usando MQO e 𝑣𝑎𝑟 𝛽2 = 𝜎2 𝑥𝑖 2 essa variância poderá estar super ou subestimada porque quando há heterocedasticidade 𝑢𝑖 2 𝑛−2 não é mais um estimador não tendencioso de 𝜎2. • 𝛽2 não é mais eficiente, ou seja, não tem variância mínima, logo, os intervalos de confiança serão mais amplos, facilitando a não rejeição de H0. • Os testes t e F não serão mais confiáveis. • Solução: usar MQG Ver quadro na pag. 322 com os erros-padrão das 3 abordagens. Detecção da heterocedasticidade • Em ciências sociais há pouco controle sobre experimentos • Em geral temos um Yi para um Xi • Não é possível obter a variância do erro em Xi se só há uma observação para aquele Xi • Como detectar? • Métodos informais: – Natureza do problema: (i) exemplo da poupança e renda, (ii) em dados de corte transversal se as unidades são muito heterogêneas – Método gráfico: (i) 𝑢𝑖 2 x 𝑌𝑖; (ii) 𝑢𝑖 2 x Xi Métodos formais de detecção • Teste de Park 𝜎𝑖 2 = 𝜎2𝑋1 𝛽 𝑒𝑣𝑖 𝑙𝑛𝜎𝑖 2 = 𝑙𝑛𝜎2 + 𝛽𝑙𝑛𝑋𝑖 + 𝑣𝑖 𝑙𝑛 𝑢𝑖 2 = 𝛼 + 𝛽𝑙𝑛𝑋𝑖 + 𝑣𝑖 – Se 𝛽 for significativo há heterocedasticidade – O teste é um procedimento em duas etapas: (i) estima-se a regressão por MQO sem levar em conta a heterocedasticidade e obtemos os 𝑢𝑖 2, e em (ii) estima-se a regressão do teste. – Crítica: o termo de erro 𝑣𝑖 pode não atender aos pressupostos de MQO e ser ele próprio heterocedástico. O método pode ser estritamente exploratório. Ver arquivo Tabela11-1_Parker e Glejser.txt Métodos formais de detecção • Teste de Glejser – Sugere fazer regressão dos valores absolutos de 𝑢𝑖 contra a variável X. – Sugere vários modelos. – Vamos testar: 𝑢𝑖 = 𝛽1 + 𝛽2𝑋𝑖 + 𝑣𝑖 – É um teste que deve ser aplicado a grandes amostras. Ver arquivo Tabela11-1_Parker e Glejser.txt Métodos formais de detecção • Teste de Breusch – Pagan – Godfrey 𝑌𝑖 = 𝛽1 + 𝛽2𝑋2𝑖 + ⋯ + 𝛽𝑘𝑋𝑘𝑖 + 𝑢𝑖 Suponha que a variância do erro seja descrita como: 𝜎𝑖 2 = 𝑓(𝛼1 + 𝛼2𝑍2𝑖 + ⋯ + 𝛼𝑚𝑍𝑚𝑖) Os Xs podem servir como Zs. O teste BPG testa se 𝛼1 = 𝛼2 = ⋯ = 𝛼𝑚 = 0 Se isso ocorre 𝜎𝑖 2 = 𝛼1 e portanto homocedástico É um teste para grandes amostras Sensível à premissa de normalidade de 𝑢𝑖 se a amostra é pequena Ver arquivo testeheteroc2_BPG.txt Métodos formais de detecção • Teste de White – Não depende da premissa de normalidade 𝑌𝑖 = 𝛽1 + 𝛽2𝑋2𝑖 + 𝛽3𝑋3𝑖 + 𝑢𝑖 1. Estimar a regressão e obter os resíduos 2. 𝑢𝑖 2 = 𝛼1 + 𝛼2𝑋2𝑖 + 𝛼3𝑋3𝑖 + 𝛼4𝑋2𝑖 2 + 𝛼5𝑋3𝑖 2 + 𝛼6𝑋2𝑖𝑋3𝑖 + 𝑣𝑖 Usar em 2 sempre os Xs, os mesmos ao quadrado e os produtos cruzados 3. Obter o R2 dessa regressão 4. Sob H0: homocedasticidade 𝑛. 𝑅2~ χ𝑔.𝑙. 2 (assintoticamente) g.l. = no. de regressores (sem a constante) Ver arquivo testesheteroc3_white.txt Métodos formais de detecção • Teste de White 5. Se 𝑛. 𝑅2 > χ𝑐𝑟𝑖𝑡,𝛼 2 conclui-se que há heterocedasticidade – Se o modelo tem muitos regressores a inclusão dos mesmos, seus termos ao quadrado e os cruzados podem consumir muitos g.l. Ver arquivo testesheteroc3_white.txt Providências corretivas • Quando 𝜎𝑖 2 é conhecido: usar o método dos mínimos quadrados ponderados • Quando 𝜎𝑖 2 não é conhecido: estimar os modelos com erros robustos a heterocedasticidade de White Obs.: ver premissas plausíveis sobre o padrão da heterocedasticidade nas páginas337 a 341
Compartilhar