Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Aula 8 – Econometria Profa. Dra. Margarida Garcia de Figueiredo margaridagf@ufmt.br mgfiguei@gmail.com 03/07/2014 2 • Diagnósticos razoavelmente bons: afirmamos que o modelo escolhido é uma representação adequada da realidade • Resultados não promissores: preocupação quanto à adequação do modelo e procura de soluções ESPECIFICAÇÃO DE MODELO E TESTE DIAGNÓSTICO Erro de especificação? Violação de alguma premissa básica? 3 VIOLAÇÃO DOS PRESSUPOSTOS BÁSICOS DO MCRL OU RELAXAMENTO DAS PREMISSAS BÁSICAS 4 Violação da Pressuposição 3: HETEROCEDASTICIA Natureza da heterocedasticidade Consequências Testes para detecção Medidas corretivas 5 Violação da Pressuposição 3: HETEROCEDASTICIA Natureza da heterocedasticidade Consequências Testes para detecção Medidas corretivas 6 Violação da Pressuposição 3: HETEROCEDASTICIA Exemplo hipotético: População com 60 famílias • Estimar o nível médio de consumo semanal (Y) destas famílias • Em função de suas rendas semanais disponíveis (X) • 10 grupos com níveis de renda muito parecidos 7 Exemplo hipotético: População com 60 famílias Renda familiar semanal (X) Y ↓ X → 80 100 120 140 160 180 200 220 240 260 55 65 79 80 102 110 120 135 137 150 60 70 84 93 107 115 136 137 145 152 65 74 90 95 110 120 140 140 155 175 70 80 94 103 116 130 144 152 165 178 75 85 98 108 118 135 145 157 175 180 - 88 - 113 125 140 - 160 189 185 Consumo Familiar Semanal Y - - - 115 - - - 162 191 Média 68 80 94 106 120 133 148 158 172 184 Desvio 9,4 11,9 14,4 17,9 19,3 23,4 27,3 27,2 34,7 34,1 8 Figura 1. Consumo semanal em função da renda semanal disponível Para cada uma das classes de renda (Xi) é possível calcular o consumo médio ou expectativa condicional do consumo, representado por E (Y/X = Xi) 9 Violação da Pressuposição 3: HETEROCEDASTICIA • A homocedasticia implica que a variância do erro seja constante para todos os valores observados de X HOMOCEDASTICIA 10 Violação da Pressuposição 3: HETEROCEDASTICIA HETEROCEDASTICIA A variabilidade dentro de cada observação (classe de renda) não é constante entre diferentes observações 11 Violação da Pressuposição 3: HETEROCEDASTICIA Definição estatística da variância: • Em que é a variância populacional comum aos erros de todas as observações (homocedasticia) eiEeiEeV i 2 2220 eee ii EEV i 2 12 Violação da Pressuposição 3: HETEROCEDASTICIA • Na presença de heterocedasticia, tem-se: 22 iii ee EV Em que 𝝈𝟐𝒊 seria a variância do erro, diferenciada para cada observação de X, ou seja, cada grupo de resíduos (ei) teria uma variância diferente na presença de heterocedasticia. 13 Violação da Pressuposição 3: HETEROCEDASTICIA 1. Modelos de aprendizagem pelo erro: exemplo da prova de digitação. Neste caso, espera-se que 𝜎2 diminua. 2. Com o aumento da renda 𝜎2 tende a aumentar. 3. Empresas em fase de crescimento tendem a apresentar maior variabilidade na distribuição de dividendos do que as empresas já consolidadas. 4. Aperfeiçoamento das técnicas de coleta de dados: bancos com sofisticados equipamentos de processamento de dados. Existem várias razões que justificam possíveis diferenças entre as variâncias dos resíduos associados a diferentes observações da amostra 14 NATUREZA DA HETEROCEDASTICIA: Modelos de aprendizagem pelo erro Y = erros cometidos em um teste de digitação X = horas de prática de digitação 15 Violação da Pressuposição 3: HETEROCEDASTICIA 5. A heterocedasticidade também pode decorrer da presença de dados discrepantes: uma observação muito diferente das demais. A inclusão ou exclusão: pode alterar significativamente os resultados da análise de regressão. 6. Fonte de heterocedasticidade: erros de especificação. Muitas vezes, o que parece heterocedasticidade pode ser uma decorrência da omissão de variáveis relevantes. 7. Fonte de heterocedasticidade: assimetria na distribuição de um ou mais dos regressores, a exemplo de renda, riqueza, escolaridade. 16 Violação da Pressuposição 3: HETEROCEDASTICIA Natureza da heterocedasticidade Consequências Testes para detecção Medidas corretivas 17 Violação da Pressuposição 3: HETEROCEDASTICIA Consequências da Violação: 1. Os estimadores de MQO ainda serão não- tendenciosos e consistentes. 2. Porém, os estimadores não serão eficientes, ou seja, não apresentarão a menor variância, quando comparados com outros estimadores lineares não- tendenciosos – conclusões enganosas na realização do teste t. Trata-se de um problema comum quando trabalhamos com dados em corte transversal. Porém, menos comum de ser verificado em conjuntos de dados de séries temporais. 18 Violação da Pressuposição 3: HETEROCEDASTICIA Natureza da heterocedasticidade Consequências Testes para detecção Medidas corretivas 19 DETECÇÃO DE HETEROCEDASTICIDADE Como sabemos que a heterocedasticia está presente? Existem algumas regras práticas para isto. Só podemos conhecer 𝜎𝑖 2 se tivermos toda a população de Y correspondente aos X selecionados. Na prática, na maioria dos estudos econômicos, não os temos e, consequentemente, não temos o valor de 𝜎𝑖 2. Portanto, na maioria dos casos de pesquisas econométricas, a heterocedasticia é um caso de intuição, experiências empíricas anteriores ou pura especulação. 20 DETECÇÃO DE HETEROCEDASTICIDADE Métodos formais e informais de detecção da heterocedasticidade A maioria deles se alicerça dos exames dos resíduos de MQO Métodos Informais: 1. A natureza do problema: Em pesquisas com dados de corte transversal, que envolvam unidades heterogêneas, a heterocedasticia costuma ser a regra geral. Ex: distribuição de renda, consumo, distribuição de dividendos de empresas, etc. 21 DETECÇÃO DE HETEROCEDASTICIDADE 2. Método Gráfico: Na prática, estimamos a regressão supondo que não há heterocedasticidade e depois fazemos um exame dos quadrados dos resíduos para ver se apresentam algum padrão sistemático. Podemos plotar 𝑒𝑖 2 tanto contra Yestimado quanto contra cada variável X. Se o modelo tiver apenas 1 regressor, os gráficos nas duas situações serão bastante semelhantes. Se o modelo tiver mais de um regressor, podemos plotar o gráfico contra qualquer uma das variáveis X. 22 DETECÇÃO DE HETEROCEDASTICIDADE Método Gráfico e 2 ^ Y Não há padrão sistemático entre as duas variáveis Ausência de heterocedasticia 23 DETECÇÃO DE HETEROCEDASTICIDADE Método Gráfico e2 Yest e2 Yest As Figuras exibem padrões definidos Presença de heterocedasticia 24 DETECÇÃO DE HETEROCEDASTICIDADE Métodos Formais: 1. Teste de Glejser 2. Teste de White 25 DETECÇÃO DE HETEROCEDASTICIDADE 1. Teste de Glejser Após obter os resíduos de uma regressão de MQO e plotar os seus quadrados contra as variáveis X individualmente, Glejser sugere fazer uma regressão dos valores absolutos dos resíduos contra a variável X que se considera estreitamente associada a 𝝈𝟐𝒊. Este teste é interessante pelo fato de auxiliar na correção do problema, especialmente quando não se conhece a priori o valor de 𝝈𝟐𝒊. O teste de Glejser permite identificar a exata relação existente entre a variável X e os resíduos. 26 DETECÇÃO DE HETEROCEDASTICIDADE 1. Teste de Glejser: O autor empregou as seguintes formas funcionais, chamando-as de regressões auxiliares v X e i i i 1 21 v X e i ii 1 21 vXe iii 21 vXe iii 2 21 onde vi é o termo de erro 27 DETECÇÃO DE HETEROCEDASTICIDADE 1. Teste de Glejser: Se for estatisticamente diferente de zero em alguma das regressões auxiliares (pelo teste t), então rejeita-se a hipótese nula de que não há heterocedasticidade, concluindo-se pela existência do problema de heterocedasticidade. 2 28 DETECÇÃO DE HETEROCEDASTICIDADE 1. Teste de Glejser: vXe iii 21 Para uma regressão auxiliar qualquer 0: 20 H Teste de Hipóteses (teste t) 0: 2 H A Ausência de Heterocedasticia Presença de Heterocedasticia Realizar para todas as variáveis explicativas que suspeitar de relação funcional com os resíduos, utilizando algumas formas funcionais diferentes. 29 DETECÇÃO DE HETEROCEDASTICIDADE Implementação do Teste de Glejser: 1. Estima-se normalmente o modelo pelo método dos MQO (como se fosse homocedástico). 2. Plotamos os gráficos dos resíduos elevados ao quadrado contra cada um dos regressores do modelo (variáveis X). 3. Estimar as regressões auxiliares dos valores absolutos dos resíduos contra a variável X que se considera estreitamente associada à variância dos resíduos. 4. Realizar o teste t para verificar se os parâmetros estimados das regressões auxiliares são estatisticamente significativos. 5. Se o parâmetro estimado de pelo menos uma das regressões auxiliares for estatisticamente diferente de zero, conclui-se que existe o problema da heterocedasticia. 30 DETECÇÃO DE HETEROCEDASTICIDADE Empresa P&D VENDAS 1 62,50 6.375,30 2 92,90 11.626,40 3 178,30 14.655,10 4 258,40 21.869,20 5 494,70 26.408,30 6 1.083,00 32.405,60 7 1.620,60 35.107,70 8 421,70 40.295,40 9 509,20 70.761,60 10 6.620,10 80.552,80 11 3.918,60 95.294,00 12 1.595,30 101.314,10 13 6.107,50 116.141,30 14 4.454,10 122.315,70 15 3.163,80 141.649,90 16 13.210,70 175.025,80 17 1.703,80 230.614,50 18 9.528,20 293.543,00 Deseja-se verificar se os investimentos em P&D são influenciados pelas vendas das empresas. Utilizou-se uma amostra com 18 empresas diferentes. Teste de Glejser: EXEMPLO PARA IMPLEMENTAÇÃO NO EVIEWS 31 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser Primeiro estimamos o modelo normalmente pelo método dos MQO, como se não houvesse o problema de heterocedasticia 32 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Janela da equação estimada 33 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Na janela da equação, clique em: Proc/Make Residual Series 34 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Isto irá abrir uma janela com uma série de resíduos. Observe que o nome da série é “RESID01” 35 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Vá no Editor do Eviews e digite: series me=@abs(RESID01) para gerar uma série de valores absolutos de resíduos Dê um ENTER 36 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Agora podemos estimar uma equação de me em função de vds (que corresponde à uma das regressões auxiliares de Glejser) 37 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Escrever a equação 38 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - Eviews Verifica-se, pelo teste t, que o parâmetro da variável VDS foi estatisticamente significativo a 10%, o que significa dizer que os resíduos do modelo apresentam uma relação linear com a variável vendas (VDS) 𝑴𝑬 = 𝜷𝟏+𝜷𝟐VDS+𝒗𝒊 Regressão auxiliar 𝜷𝟐 39 DETECÇÃO DE HETEROCEDASTICIDADE Empresa P&D VENDAS 1 62,50 6.375,30 2 92,90 11.626,40 3 178,30 14.655,10 4 258,40 21.869,20 5 494,70 26.408,30 6 1.083,00 32.405,60 7 1.620,60 35.107,70 8 421,70 40.295,40 9 509,20 70.761,60 10 6.620,10 80.552,80 11 3.918,60 95.294,00 12 1.595,30 101.314,10 13 6.107,50 116.141,30 14 4.454,10 122.315,70 15 3.163,80 141.649,90 16 13.210,70 175.025,80 17 1.703,80 230.614,50 18 9.528,20 293.543,00 Deseja-se verificar se os investimentos em P&D são influenciados pelas vendas das empresas. Utilizou-se uma amostra com 18 empresas diferentes. Teste de Glejser: EXEMPLO PARA IMPLEMENTAÇÃO NO GRETL 40 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - GretL Na janela da equação estimada, salvar os resíduos 41 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - GretL Após salvar os resíduos, vai em Acrescentar Definir nova variável 42 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - GretL Cria a variável valor absoluto dos resíduos, com o comando abs (nome da variável) 43 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - GretL Estima a equação do valor absoluto dos resíduos contra a variável X (no caso, são as vendas – vds). Depois, verifica se o parâmetro é estatisticamente significativo. 44 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Teste de Glejser - GretL Parâmetro estatisticamente significativo, concluindo pela presença de heterocedasticia. 45 DETECÇÃO DE HETEROCEDASTICIDADE 2. Teste de White: Como ilustração da idéia básica, partiremos de um modelo de regressão com três variáveis: iii XXY 22110 Trata-se de um teste geral de fácil implementação (I) 46 DETECÇÃO DE HETEROCEDASTICIDADE Etapas do teste de White: 1. Com os dados pertinentes, estime os parâmetros do modelo (I) normalmente, pelo método dos MQO 2. Obtenha os resíduos e calcule a seguinte regressão (auxiliar): vXXXXXX iiiiiii i 215 2 24 2 1322110 2 ^ É feita uma regressão dos quadrados dos resíduos da regressão original contra os regressores X originais, seus valores elevados ao quadrado e os produtos cruzados dos regressores. 47 DETECÇÃO DE HETEROCEDASTICIDADE Etapas do teste de White: 3. Obtenha o valor de R2 da regressão auxiliar 4. Sob a hipótese nula de que não há heterocedasticidade, pode- se demonstrar que o tamanho da amostra (n) multiplicado pelo R2 da regressão auxiliar segue assintoticamente a distribuição de qui-quadrado, com um número de graus de liberdade igual ao número de regressores da regressão auxiliar. Rncalc 22 . 22 tabcalc Se Rejeita-se H0, concluindo que o modelo em questão apresenta o problema de heterocedasticia 48 Teste de White: teste de hipóteses utilizando a distribuição qui-quadrado Rncalc 22 . 22 tabcalc Se Rejeita-se H0, concluindo que o modelo em questão apresenta o problema de heterocedasticia RRH auxorig 22 0 : RRH auxorigA 22: Hipótese nula diz que não há problema de heterocedasticia Hipótese alternativa diz que há problema de heterocedasticia Calcular a estatística de teste: Para consultar na tabela, considerar o no de graus de liberdade igual ao no de regressores da regressão auxiliar 49 DETECÇÃO DE HETEROCEDASTICIDADE Tabela de distribuição 𝝌𝟐 ⋮ 𝜶 50 DETECÇÃO DE HETEROCEDASTICIDADE Comentários sobre o teste de White: Em casos em que o teste de White for estatisticamente significativo, não necessariamente a causa será a heterocedasticia, podendo ser também a ocorrêcia de erros de especificação. Em outras palavras, o teste de White pode ser um teste de pura heterocedasticia ou, de ambos, heterocedasticia e viés de especificação. Se no procedimento de teste não estiverem presentesos termos de produtos cruzados, então, ele é um teste de heterocedasticia pura. Se, por outro lado, estes termos estiverem presentes, então ele é um teste para ambos os propósitos. 51 DETECÇÃO DE HETEROCEDASTICIDADE Empresa P&D VENDAS 1 62,50 6.375,30 2 92,90 11.626,40 3 178,30 14.655,10 4 258,40 21.869,20 5 494,70 26.408,30 6 1.083,00 32.405,60 7 1.620,60 35.107,70 8 421,70 40.295,40 9 509,20 70.761,60 10 6.620,10 80.552,80 11 3.918,60 95.294,00 12 1.595,30 101.314,10 13 6.107,50 116.141,30 14 4.454,10 122.315,70 15 3.163,80 141.649,90 16 13.210,70 175.025,80 17 1.703,80 230.614,50 18 9.528,20 293.543,00 Deseja-se verificar se os investimentos em P&D são influenciados pelas vendas das empresas. Utilizou-se uma amostra com 18 empresas diferentes. Método de White: EXEMPLO PARA IMPLEMENTAÇÃO NO EVIEWS 52 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - Eviews Primeiro estimamos o modelo normalmente no Eviews, sem considerar a possibilidade de ocorrer heterocedasticia. 53 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - Eviews Em segundo lugar, dentro da janela da equação estimada, selecionamos a janela: View Residual Testes White Heteroskedasticity (no cross terms ou cross terms) 54 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - Eviews 55 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - Eviews Portanto, pelo teste de White, verifica-se que, rejeitamos a hipótese nula a 10% de significância, concluindo que existe o problema da heterocedasticia. n.R2 = 5,21 Probability = 7,38% 0,0738 * 100 = 7,38% 56 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - GretL Janela da equação estimada 57 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - GretL Ao fechar esta janela do teste, o resumo do resultado aparece na janela da equação estimada, embaixo dos outros resultados. 58 DETECÇÃO DE HETEROCEDASTICIDADE Exemplo Método de White - GretL
Compartilhar