Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Aula 9 – Econometria Profa. Dra. Margarida Garcia de Figueiredo margaridagf@ufmt.br mgfiguei@gmail.com 10/07/2014 2 Violação da Pressuposição 3: HETEROCEDASTICIA Natureza da heterocedasticidade Consequências Testes para detecção Medidas corretivas 3 PROVIDÊNCIAS CORRETIVAS A heterocedastia não destrói as propriedades de não tendenciosidade e de consistência dos estimadores, porém, eles deixam de ser eficientes, tornando de valor dúbio os habituais procedimentos de testes de hipóteses. Portanto, são necessárias medidas corretivas, havendo duas abordagens para a correção: quando 𝜎2𝑖 é conhecido e quando 𝜎2𝑖 não é conhecido. 4 PROVIDÊNCIAS CORRETIVAS 1. Quando é conhecido: 2i Neste caso, o procedimento correto é utilizar o método dos mínimos quadrados generalizados, ou mínimos quadrados ponderados, pois os estimadores assim obtidos são BLUE 5 O MÉTODO DOS MÍNIMOS QUADRADOS GENERALIZADOS (MQG) Quando os valores 𝜎2𝑖 forem conhecidos, podemos fazer uma transformação dos dados e, ao aplicarmos o método dos MQO normalmente nos dados transformados, os estimadores obtidos serão considerados BLUE. 6 O MÉTODO DOS MÍNIMOS QUADRADOS GENERALIZADOS (MQG) A transformação: i i i i i i ii i XXY 2* 2 1* 1 * 0 1 iiii XXY 22110 i i i i i i ii i XXY 2 2 1 1 0 **2*2*1*1*0* iiii XXY 7 O MÉTODO DOS MÍNIMOS QUADRADOS GENERALIZADOS (MQG) Qual é o propósito de se transformar o modelo original? )( 1 2 2 i i E i i i EEVar i 2 2* )()( * 22)( iiE Sabendo-se que: 2 2 1 i i 1)( * iVar Portanto: Que é constante 8 O MÉTODO DOS MÍNIMOS QUADRADOS GENERALIZADOS (MQG) Esse procedimento de transformar as variáveis originais, de modo que as variáveis transformadas atendam as pressuposições do modelo clássico e então aplicar-lhes os MQO, é conhecido como o método dos mínimos quadrados generalizados (MQG). Em síntese, os MQG são os MQO aplicados a variáveis transformadas, as quais satisfazem as premissas básicas inerentes ao método dos MQO. Os estimadores assim obtidos são considerados BLUE. 9 A DIFERENÇA ENTRE OS MQO E OS MQG Nos MQG minimizamos uma soma ponderada de quadrados residuais, com funcionando como pesos. O peso atribuído a cada observação i nos MQG é inversamente proporcional a seu , isto é, as observações provenientes de populações com maiores terão um peso relativamente menor na soma dos quadrados dos resíduos, e vice-versa. i1 i i 10 Número de empregados 4 9 19 49 99 249 499 999 2499 Ramo da 1 2994 3295 3565 3907 4189 4486 4676 4968 5342 empresa 2 1721 2057 3336 3320 2980 2848 3072 2969 3822 3 3600 3657 3674 3437 3340 3334 3225 3163 3168 4 3494 3787 3533 3215 3030 2834 2750 2967 3453 5 3498 3847 3913 4135 4445 4885 5132 5342 5326 6 3611 4206 4695 5083 5301 5269 5182 5395 5552 7 3875 4660 4930 5005 5114 5248 5630 5870 5876 8 4616 5181 5317 5337 5421 5710 6316 6455 6347 9 3538 3984 4014 4287 4221 4539 4721 4905 5481 10 3016 3196 3149 3317 3414 3254 3177 3346 4067 Média 3396 3787 4013 4014 4146 4241 4387 4538 4843 DP 743,7 851,4 727,8 805,06 929,9 1080,6 1243,2 1307,7 1112,5 Prod. Média 9355 8584 7962 8275 8389 9418 9795 10281 11750 EXEMPLO: Remuneração média por empregado X Número de empregados (Tabela 11.1 do livro do Gujarati) População de 90 empresas 11 EXEMPLO: Remuneração média por empregado X Número de empregados 4 9 19 2499… R e m u n e ra ç ã o p o r e m p re g a d o Y Número de empregados EXEMPLO: Remuneração média por empregado X Número de empregados 12 𝑌 = 𝛽0+𝛽1X+𝜀 Estimar uma regressão linear Y é a remuneração média por empregado X é o número de empregados na empresa Remuneração Empregados 𝛔𝐢 2 3396 4 743,7 3787 9 851,4 4013 19 727,8 4014 49 805,06 4146 99 929,9 4241 249 1080,6 4387 499 1243,2 4538 999 1307,7 4843 2499 1112,5 13 Estimativa no GretL + Teste para detectar heterocedasticia EXEMPLO: Remuneração média por empregado X Número de empregados 14 𝑌∗ = 𝛽0*+𝛽1X*+ 𝜀 ∗ Estimar uma regressão linear Y* é a remuneração média por empregado /𝛔𝐢 X* é o número de empregados na empresa /𝛔𝐢 Remun. Y* Empregados X* 𝛔𝐢 2 𝛔𝐢 3396 / 27,27 4 / 27,27 743,7 27,27 3787 / 29,18 9 / 29,18 851,4 29,18 4013 / 26,98 19 / 26,98 727,8 26,98 4014 / 28,37 49 / 28,37 805,06 28,37 4146 / 30,49 99 / 30,49 929,9 30,49 4241 / 32,87 249 / 32,87 1080,6 32,87 4387 / 35,26 499 / 35,26 1243,2 35,26 4538 / 36,16 999 / 36,16 1307,7 36,16 4843 / 33,35 2499 / 33,35 1112,5 33,35 Transformação dos dados 15 Estimativa no GretL + Teste para detectar heterocedasticia (Modelo transformado – MQG) 16 PROVIDÊNCIAS CORRETIVAS 2. Quando não é conhecido 2i Se o não for conhecido, duas opções utilizadas para a correção seriam: 2 i 1. Método de Glejser 2. Método de White 17 PROVIDÊNCIAS CORRETIVAS 2. Quando não é conhecido 2i Se o não for conhecido, duas opções utilizadas para a correção seriam: 2 i 1. Método de Glejser 2. Método de White 18 PROVIDÊNCIAS CORRETIVAS 2. Quando não é conhecido (Método de Glejser): 2 i Outra forma de correção do modelo quanto à heterocedasticia, seria utilizar a variável da regressão auxiliar que acusou o problema, de acordo com o teste de Glejser, para ponderar as variáveis, transformando-as e procedendo a estimação de MQG, ou seja, MQO nas variáveis transformadas 19 PROVIDÊNCIAS CORRETIVAS Pressuposições a respeito do padrão de heterocedasticidade: 1. A variância do erro é proporcional a Xi 2 XE ii 222)( Neste caso, transformamos o modelo original dividindo-o por Xi: XX X XX Y i i i i ii i 21 v XX Y i ii i 21 1 20 PROVIDÊNCIAS CORRETIVAS Neste caso, verifica-se que: )( 1 )( 2 2 2 2 i i i E XX EvE i i X X vE i i i 22 2 2 1)( 22)( vE i Consequentemente, a variância de vi agora é homocedástica, e podemos aplicar o MQO normalmente na equação transformada 21 PROVIDÊNCIAS CORRETIVAS Em resumo: vXe iii 2 21 Se a regressão auxiliar que apontou o problema tiver esta forma funcional Neste caso, transformamos o modelo original dividindo-o por Xi: XX X XX Y i i i i ii i 21 v XX Y i ii i 21 1 É porque a variância do erro é proporcional a Xi 2 22 PROVIDÊNCIAS CORRETIVAS Pressuposições a respeito do padrão de heterocedasticidade: 2. A variância do erro é proporcional a Xi XE ii 22)( Neste caso, transformamos o modelo original dividindo-o por 𝑋𝑖: XX X XX Y i i i i ii i 21 vX XX Y ii ii i 21 1 23 PROVIDÊNCIAS CORRETIVAS Neste caso, verifica-se que: )( 1 )( 2 2 2 i i i E XX EvE i i X X vE i i i 22 1 )( 22)( vE i Consequentemente, a variância de vi agora é homocedástica, e podemos aplicar o MQO normalmente na equação transformada. 24 PROVIDÊNCIAS CORRETIVAS Em resumo: Se a regressão auxiliar que apontou o problema tiveresta forma funcional Neste caso, transformamos o modelo original dividindo-o por 𝑋𝑖: É porque a variância do erro é proporcional a Xi vXe iii 21 XX X XX Y i i i i ii i 21 vX XX Y ii ii i 21 1 25 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA 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. Exemplo de correção no Eviews utilizando-se o método de Glejser 26 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Utilizando-se o método de Glejser Ao efetuarmos o teste de Glejser pelo Eviews, verificamos que havia uma relação linear entre os valores absolutos dos resíduos e os valores da variável vendas (variável X explicativa do modelo) Neste caso, a correção poderá ser feita utilizando-se a variável vendas para transformar os dados, e depois aplicamos o MQO nos dados transformados, que é a mesma coisa que aplicar os MQG ou mínimos quadrados ponderados O modelo transformado será: 𝑌𝑖 𝑋𝑖 =𝛽1 1 𝑋𝑖 + 𝛽2 𝑋𝑖 𝑋𝑖 + 𝑣𝑖 27 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de Glejser - Eviews Estima a equação de pd/sqr(vds) em função de vds/sqr(vds) e uma constante 28 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de Glejser - Eviews 29 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de Glejser – GretL Cria as variáveis 𝑣𝑑𝑠 𝑣𝑑𝑠 𝑒 𝑝𝑑 𝑣𝑑𝑠 Definir nova variável 30 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de Glejser – GretL Estima os parâmetros por MQO, sobre os dados transformados. 31 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de Glejser – GretL 32 PROVIDÊNCIAS CORRETIVAS 2. Quando não é conhecido 2i Se o não for conhecido, duas opções utilizadas para a correção seriam: 2 i 1. Método de Glejser 2. Método de White 33 PROVIDÊNCIAS CORRETIVAS 2. Quando não é conhecido (Método de White): • Variâncias e erros-padrão consistentes para heterocedasticidade de White: White mostrou que as estimativas podem ser feitas de tal modo que possam ser tiradas inferências estatísticas assintoticamente válidas (isto é, para grandes amostras) sobre os verdadeiros valores dos parâmetros. 2 i Atualmente, vários programas de computador já fazem a correção do modelo em relação à heterocedasticidade, fornecendo os estimadores de matrizes de variâncias heterocedástico-consistentes de White. Os erros-padrão com a correcão da heterocedasticidade de White também são conhecidos como erros-padrão robustos. 34 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA 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. Como continuação do exemplo para detecção da heterocedasticia, segue implementação da correção pelo Método de White no Eviews 35 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White Neste caso, estimamos o modelo fazendo uma alteração na janela da estimação, clicando em “Options” e selecionando a caixa “Heteroskedasticy” e clicando em “White”. 36 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White - Eviews Digita a equação e clica em Options 37 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White - Eviews 38 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White - Eviews 39 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White - GretL 40 EXEMPLO DE CORREÇÃO PARA HETEROCEDASTICIA Método de White - GretL OBS: Nem sempre funciona em amostras pequenas 41 EXEMPLOS PRÁTICOS PARA DETECÇÃO E CORREÇÃO DE ERROS DE ESPECIFICAÇÃO E HETEROCEDASTICIA 42 Y salário mensal X1 média semanal de horas trabalhadas X2 pontuação em um resultado de teste de QI X3 pontuação do conhecimento do mundo do trabalho X4 anos de educação formal X5 anos de experiência no mercado X6 anos com o empregador atual X7 idade X8 casado (binária = 1 se for casado e 0 se não for casado) Legenda dos dados: Obs: Consideramos uma amostra com 935 observações Arquivo salvo como “Pasta de Trabalho do Excel 97 – 2003” Nome do arquivo: salariom EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 43 Criar a pasta com dados não estruturados em séries temporais. A amostra contém 935 observações EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 44 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 45 O arquivo contém 9 séries EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 46 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 47 X2 pontuação em um resultado de teste de QI X3 pontuação do conhecimento do mundo do trabalho X8 casado (binária = 1 se for casado e 0 se for solteiro) Modelo estimado considerando estas três variáveis Y é o salário mensal EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 48 Realizando o teste RESET EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 49 Teste RESET Rejeita-se a hipótese nula a 1% de significância EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 50 Y é o salário mensal X1 média semanal de horas trabalhadas X2 pontuação em um resultado de teste de QI X3 pontuação do conhecimento do mundo do trabalho X4 anos de educação formal X5 anos de experiência no mercado X6 anos com o empregador atual X7 idade X8 casado (binária = 1 se for casado e 0 se for solteiro) Modelo estimado considerando todas estas variáveis EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 51 Teste RESET Rejeita-se a hipótese nula a 1% de significância EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 52 Y é o salário mensal (no logaritmo) X2 pontuação em um resultado de teste de QI X3 pontuação do conhecimento do mundo do trabalho X4 anos de educação formal X5 anos de experiência no mercado Modelo estimado considerando estas variáveis EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 53 Teste RESET Não se rejeita a hipótese nula EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA 54 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA No GretL 55 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA No GretL 56 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA No GretL 57 EXEMPLO: VARIAÇÃO DO SALÁRIO MENSAL DE UMA PESSOA No GretL 58 EXEMPLO: PREÇO DOS IMÓVEIS Y preço do imóvel X1 número de cômodos X2 distância ponderada da comunidade a cinco centros de emprego Obs: Consideramos uma amostra com 506 observações Arquivo salvo como“Pasta de Trabalho do Excel 97 – 2003” Nome do arquivo: residências 59 EXEMPLO: PREÇO DOS IMÓVEIS Y = preço do imóvel X1 número de cômodos X2 distância ponderada da comunidade a cinco centros de emprego Modelo estimado considerando estas duas variáveis 60 EXEMPLO: PREÇO DOS IMÓVEIS Rejeita-se H0 a 1% de significância, concluindo que o modelo apresenta heterocedasticia 61 EXEMPLO: PREÇO DOS IMÓVEIS 62 EXEMPLO: PREÇO DOS IMÓVEIS No GretL 63 EXEMPLO: PREÇO DOS IMÓVEIS
Compartilhar