Baixe o app para aproveitar ainda mais
Prévia do material em texto
ECONOMETRIA I Unidade II – Relaxamento das hipóteses do modelo clássico Aula 8 - Heterocedasticidade Paulo Roberto Scalco FACE-UFG Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 2 Linearidade nos parâmetros; X fixos ou, ; para ; n > k (k é igual ao número de parâmetros do modelo) variabilidade em . Não há colinearidade exata entre as variáveis . Ausência de viés de especificação Hipótese do MCRLM Homocedasticidade 2 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 3 O que significa Heterocedasticidade? A hipótese de homocedasticidade implica que a variância de cada termo de erro , condicional aos valores selecionados das variáveis explicativa, é um número constante igual a . Fonte: Gujarati e Porter (2011) A variância do termo de erro é constante ao longo de . 3 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 4 O que significa Heterocedasticidade? No caso da heterocedasticidade não podemos mais assumir que a variância de cada termo de erro é constante. Formalmente: Fonte: Gujarati e Porter (2011) Notem que, agora, a variância não é mais constante ao longo de . 4 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 5 Origens do problema Diversas fontes: Modelos de aprendizagem-erro (learning-by-doing); Hipótese da renda discricionária; Aprimoramento das técnicas de coleta de dados 5 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 6 Origens do problema Diversas fontes: Outliers; R versus lucro R versus lucro – sem outliers 6 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 7 Origens do problema Diversas fontes: Assimetria na distribuição dos regressores; Distribuição de frequência da variável Resíduos da regressão 7 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 8 Origens do problema Diversas fontes: Viés de especificação (modelo mau especificado); Forma funcional incorreta, ou problemas na transformação dos dados. Preços de diamantes versus tamanho Resíduos da regressão 8 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 9 Consequências da heterocedasticidades Estimadores de MQO continuam sendo não-tendenciosos. Considerando um modelo de regressão linear simples, dado pela FRP: , para demonstrar a inexistência de viés, não utilizamos a hipótese de homocedasticidade. Portanto, Contudo, as variâncias dos estimadores não serão mais as mesmas. Sob a hipótese de homocedasticidade, derivamos Entretanto, se essa hipótese for violada, isto é, na presença de heterocedasticidade: 9 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 10 Consequências da heterocedasticidades Estimadores de MQO deixam de ser BLUE. Embora continuem sendo não-viesados, eles não possuem variância mínima. Estimação de MQO desconsiderando a heterocedasticidade: a da eq. (2) é um estimador tendencioso da dada pela eq. (3), ou seja, na média ela superestima ou subestima a variância. O viés surge do fato de que , o estimador convencional de , a saber, , não é mais um estimador não-tendendioso de , quando a heterocedasticidade está presente. Como consequência, não podemos calcular os intervalos de confiança e realizar os testes t e F. 10 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 11 Detecção da heterocedasticidade Métodos informais Natureza do problema Gráfico dos resíduos 11 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 12 Detecção da heterocedasticidade Métodos informais Gráfico dos resíduos 12 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 13 Detecção da heterocedasticidade Métodos formais Teste de Breusch-Pagan A ideia do teste é bastante simples! Queremos testar a hipótese de que é uma constante. Para ilustrá-lo, considere um modelo de regressão linear com k variáveis explicativas Suponha que a variância do erro seja descrita como ou seja, é uma função linear dos Z. Se , então , que é uma constante. Atenção! No Gujarati esse teste é chamado de Breusch-Pagan-Godfrey, sec. 11.5) 13 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 14 Detecção da heterocedasticidade Teste de Breusch-Pagan Procedimentos para calculo do teste (“na mão”) Estime a eq. (4) por MQO e obtenha os resíduos . Obtenha . Construa variáveis definidas como: Faça a regressão de construída sobre os como Obtenha a SQE dessa regressão e calcule: Suponha que os sejam normalmente distribuídos, pode-se demonstrar que se há homocedasticidade e se o tamanho da amostra n aumenta indefinidamente, então Se o calculado for maior que o valor crítico no nível escolhido, poderemos rejeitar a hipótese nula de homocedasticidade; caso contrário, esta não será rejeitada. 14 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 15 Detecção da heterocedasticidade Teste de Breusch-Pagan Exemplo utilizando a base de dados Diamantes.gdf Estime o modelo de regressão linear: e salve os resíduos elevados ao quadrado Calcule o valor de , dados por, . Para isso, abra o console do Gretl e calcule um escalar, dado por: scalar sigma2=sum(usq1)/53940 Construa variáveis definida como: Faça a regressão de assim construída sobre os como Obtenha a SQE dessa regressão e calcule: . Utilize o localizador de p-valor do Gretl para tomar uma decisão sobre o teste de hip. 15 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 16 Detecção da heterocedasticidade Teste geral de heterocedasticidade de White Mesma ideia do teste BP. Queremos testar a hipótese de que é uma constante. Procedimentos para calculo do teste (“na mão”). Considere um modelo de regressão linear com duas variáveis explicativas Estime a eq. (5) por MQO e obtenha os resíduos . Estime a seguinte regressão (auxiliar): Sob a hipótese nula de que não há heterocedasticidade, pode-se mostrar que Se o valor de exceder o valor crítico do qui-quadrado ao nível escolhido de significância, a conclusão é de que há heterocedasticidade. 16 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 17 Detecção da heterocedasticidade Teste geral de heterocedasticidade de White Exemplo utilizando a base de dados Diamantes.gdf. Já temos os resíduos elevados ao quadrado do exercício anterior. Falta, entretanto, a variável carat elevada ao quadrado. Estime a seguinte regressão (auxiliar): Calcule a estatística: Utilize o localizador de p-valor do Gretl para tomar uma decisão quanto ao teste de hipótese. 17 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 18 Medidas corretivas Quando é conhecido: o método de mínimos quadrados ponderados Se, de alguma forma, conhecemos a estrutura de , podemos transformar a FRP original, da seguinte forma: Suponha que a FRP seja dada por um modelo de regressão linear simples que para facilitar o cálculo podemos escrever como: em que para cada i. Se for conhecido, podemos dividir ambos os lados da FRP, da seguinte forma: que pode ser representado como: 18 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 19 Medidas corretivas Quando é conhecido: o método de mínimos quadrados ponderados Pode-se demonstrar que agora é constante: já que já que é conhecido já que A ideia básica do MQP é que as observações vindas de populações com maior variabilidade recebam menos peso do que as provenientes de populações com menos variabilidade. Ou seja, nossas observações são ponderadas. 19 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 20 Medidas corretivas Quando é desconhecido Com o avanço da tecnologia, hoje é comum nos pacotes estatísticos a possibilidade de rodar modelos de regressão robustos à heterogeneidade. No Gretl esse recurso está disponível na mesma janela onde especificamos o nosso modelo. Os erros padrão corrigidos para heterocedasticidadesão calculados de formas alternativas (normalmente por um processo de interação) de modo que inferências estatísticas válidas assintoticamente possam ser feitas sobre os verdadeiros valores dos parâmetros. 20 Econometria I – Gujarati: cap. 11; Wooldridge: cap. 8 21 Medidas corretivas Mas cuidado!!! As vezes, a heterocedasticidade pode ser decorrente de um problema na especificação do modelo (viés de especificação), portanto, o teste de White pode ser utilizado como um teste geral para verificação de heterocedasticidade e também de viés de especificação. Além disso, precisamos ter bem claro quais são as implicações da violação da hipótese de homocedasticidade. Em alguns casos, o melhor a fazer é: não fazer nada. 21 -100 -50 0 50 100 150 200 -5e+006 0 5e+006 1e+007 r_medio lucro_m -50 -40 -30 -20 -10 0 10 20 30 40 50 60 -1,5e+006 -1e+006 -500000 0 500000 1e+006 1,5e+006 2e+006 r_medio lucro_m r_medio versus lucro_m (com ajustamento por mínimos quadrados) Y = 4,61 + 9,99e-006X -1000 0 1000 2000 3000 4000 5000 6000 7000 8000 0 1000 2000 3000 4000 5000 6000 7000 resíduo salh Resíduos da regressão (= observados - ajustados salh) 0 0,2 0,4 0,6 0,8 1 0 1000 2000 3000 4000 5000 6000 7000 8000 Frequência relativa salh 0 5000 10000 15000 20000 0 5000 10000 15000 20000 25000 30000 35000 price price previsto efetivo = previsto -20000 -15000 -10000 -5000 0 5000 10000 15000 0 2000 4000 6000 8000 10000 12000 14000 16000 18000 resíduo price Resíduos da regressão (= observados - ajustados price)
Compartilhar