You are on page 1of 19

ESTADO DE MATO GROSSO

SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA


UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

ECONOMETRIA II INTRODUO

O MODELO CLSSICO DE REGRESSO LINEAR (MCRL), O TEOREMA DE GAUSS-


MARKOV E A VIOLAO DOS PRESSUPOSTOS.

Lindomar Pegorini Daniel1

1. O Modelo Clssico de Regresso Linear (MCRL)

O termo regresso foi criado por Francis Galton. Em um artigo famoso de 1886, Galton
verificou que os filhos de pais mais altos e os filhos de pais mais baixos tendiam a apresentar uma
altura que se assemelhava a altura mdia da populao. Em outras palavras, a estatura dos filhos de
pais com certa altura tendia a regredir para a altura mdia da populao como um todo.
A anlise de regresso tornou-se a base da econometria e, atualmente, refere-se ao estudo da
dependncia de uma varivel (dependente), em relao a outras variveis (explicativas). A anlise de
regresso uma ferramenta interessante, pois consegue aproximar a Funo de Esperana
Condicional (Conditional Expectation Function CEF) ou Funo de Regresso Populacional (RFP)
ou ainda Funo de Mdia Condicional. A partir disso, ela utilizada para estimar e/ou prever o valor
mdio da varivel dependente em termos dos valores conhecidos ou fixados (em amostras repetidas)
das variveis explicativas.
CEF:

1
Professor Assistente da Universidade do Estado de Mato Grosso (UNEMAT) Campus de Sinop.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

Segundo Angrist e Pischke (2008), a CEF ser causal quando descrever as diferenas na mdia
condicional da varivel de interesse para uma populao de referncia fixa. Isso leva a hiptese de
independncia condicional (Conditional Independence Assumption - CIA) que muitas vezes fornece
base para interpretaes causais. Essa hiptese garante que a regresso pode representar relaes
causais, caso essa relao seja independente de outros resultados potenciais. Em outras palavras,
pode-se estabelecer um contra factual desde que se possa controlar outros fatores, assim os grupos
sendo comparados so realmente comparveis.
Pela teoria ou conhecimento a priori:

= (1 , 2 , , )

Por vrios motivos, dentre eles a ausncia de variveis que representam certos fatores e o
tratamento de relaes inexatas pela economia, adicionamos um termo de erro aleatrio:

= (1 , 2 , , , ), ( < )

onde o termo de erro aleatrio.


Alm disso, temos de definir uma forma funcional para a relao, geralmente o modelo linear
(padro):

= 11 + 2 2 + + +

onde = 1,2, , .
As incgnitas representam o efeito mdio da varivel sobre .

= 2
2

efeito marginal de 2 sobre , ceteris paribus.


Em termos matriciais pode-se representar o modelo de regresso linear como:

= +
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

O principal problema a ser abordado pela econometria a estimao dos parmetros e, para
isso, queremos encontrar um estimador adequado que apresente propriedades 2 desejveis (no
tendenciosidade, consistncia e eficincia) dado o problema em questo.
Estimador de Mnimos Quadrados Ordinrios:

A teoria ou a estrutura bsica da anlise de regresso o Modelo Clssico de Regresso Linear


(MCRL), que trata das hipteses ou pressupostos subjacentes ao estimador de Mnimos Quadrados
Ordinrios (MQO). Sob a validade desses pressupostos possvel mostrar que o estimador de MQO
BLUE (Best Linear Unbiased Estimator).
Alm disso, as estruturas dos dados ditam ou impem novos desafios estimao
economtrica. A base da econometria a anlise de regresso a partir da estrutura de dados seccionais,
em outras palavras, toda a teoria economtrica construda a partir dessa estrutura de dados. Nesse
sentido, a utilizao de dados com estrutura temporal, longitudinal ou espacial incluem novas
hipteses estimao do modelo. Por esse motivo, tais estruturas de dados devem ser expostas e
trabalhadas de forma separada.

2
Propriedades referentes distribuio do estimador.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

PRESSUPOSTOS OU HIPTESES SUBJACENTES AO MCRL

1) A relao entre e os linear.

= +

Linear significando linearidade nos parmetros. Relaes no lineares (intrinsecamente


lineares) que podem ser linearizadas podem ser estimadas pelos MQO, contudo a violao desse
pressuposto, ou seja, modelos no lineares nos parmetros (intrinsecamente no lineares) devem ser
estimados por mtodos no lineares.

2) No h relao linear perfeita entre as variveis explicativas.

() =

Indica ausncia de multicolinearidade perfeita entre as variveis explicativas, esse pressuposto


garante que a matriz () no singular e, portanto, assegura a existncia da matriz ()1 . Caso
() < a matriz ()1 singular, o que impossibilita a estimao dos parmetros.
Outras hipteses relacionadas a esse pressuposto so a de que o nmero de observaes deve
ser no mnimo maior que o nmero de parmetros estimados ( > ) e a de que as variveis
explicativas possuam variabilidade suficiente.
A violao desse pressuposto impossibilita a estimao dos parmetros e torna os erros padro
infinitos. A presena de multicolinearidade forte no viola o pressuposto, nesse caso os estimadores
de MQO preservam suas propriedades de BLUE, contudo os erros padro tornam-se grandes e os
testes de significncia individual () tendem a aceitar a hiptese nula.

3) A matriz no estocstica, ou seja, os so fixos em amostras repetidas.

Esse pressuposto indica que para cada valor fixo de existe uma distribuio de probabilidade
associada. Estamos interessados no valor mdio condicional de para cada valor fixo de . Caso
seja estocstico pressupe-se que o mesmo no est correlacionado com o termo de erro = 0.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

4) A varivel tem mdia zero.

( | ) = 0

Implica que:

() = () + ()

Como fixo e constante () = . Dado que () = 0, tem-se que:

() =

Em outras palavras, as variveis includas no termo de erro no influenciam sistematicamente


o valor mdio de , ou seja, em mdia a influncia do termo de erro para explicar nula.
Outras hipteses relacionadas a esse pressuposto so as de que o modelo est bem
especificado, ou seja, no existem erros de medida nas variveis dependente e explicativas, no h
variveis relevantes omitidas ou relaes endgenas entre regressor e regressores ( = 0) e ( =
0).
A violao desse pressuposto torna os estimadores de MQO tendenciosos e inconsistentes,
porm mantm a eficincia dos estimadores.

5) Os erros so variveis aleatrias com varincia constante (homocedasticidade).

( ) = 2

( ) = [ ( )]2

Dado () = 0:

( ) = ( 2 ) = 2
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

O pressuposto de homocedasticidade garante que a disperso dos diferentes nveis fixos de


em torno da mdia constante, ou seja, a mesma. Esse pressuposto assegura que a mdia condicional
de possui a mesma preciso para os diferentes nveis da varivel .
A violao desse pressuposto mantm as propriedades de no tendencioso e consistente dos
estimadores de MQO, contudo eles no so mais eficientes e os testes estatsticos deixam de ser
vlidos.

6) Ausncia de autocorrelao no erro.

( ) = 0

O pressuposto de ausncia de autocorrelao ou correlao serial no termo de erro assegura


que no existe uma relao sistemtica entre o termo de erro e a varivel dependente, em outras
palavras, o valor mdio de no afetado pelo termo de erro de forma sistemtica, ou seja, um
choque aleatrio em um perodo que causa um aumento na mdia de no afetar o valor do mesmo
nos prximos perodos.
A violao desse pressuposto mantm as propriedades de no tendencioso e consistente dos
estimadores de MQO, contudo eles no so mais eficientes e os testes estatsticos deixam de ser
vlidos.

Observaes: pressupostos 5 e 6 em forma matricial.

Considere o produto

1
2
. . . . ]
= . [1 2 1
.
[ ]1

12 1
= [ ]
1 2
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

(12 ) (1 )

( ) = [ ]
2
( 1 ) ( )

(1 ) (1 )

( ) = [ ]
( 1 ) ( )

Dadas as pressuposies 5 (( ) = 2 ) e 6 (( ) = 0 ), tem-se:

2 0

( ) = [ ]
0 2

Com 2 em evidncia:

1 0
) 2 ] = 2 =
( = [
0

Para os pressupostos 5 e 6, = I:

( ) () = 2

7) Os erros tm distribuio normal.

Esse pressuposto necessrio apenas para os testes de hipteses, ou seja, ele no influencia
as propriedades dos estimadores de MQO. A adio desse pressuposto ao MCRL gera o MCRL
normal (MCRLN).

Esses pressupostos so, portanto, a base da anlise de regresso utilizando os estimadores de


MQO.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

2. O Teorema de Gauss-Markov

Dadas as premissas do MCRL, os estimadores de MQO da classe dos estimadores lineares


no viesados tm varincia mnima, isto , so o melhor estimador linear no viesado BLUE. Em
outras palavras, sob a validade dos 6 primeiros pressupostos possvel demonstrar que o estimador
de MQO BLUE.

i) o estimador de MQO no tendencioso:


Dada a premissa 2 (ausncia de multicolinearidade perfeita)
= ( )1
Dado = + (premissa 1 linearidade), substituindo:
= ( )1 ( + )
= ( )1 + ( )1
Dado ( )1 = :
= + ( )1
Aplicando o operador de valor esperado:
[ ] = [] + [( )1 ]
Dado que fixo em amostras repetidas por pressuposio (premissa 3):
[ ] = + ( )1 []
Dado [] = 0 por pressuposio (premissa 4):
[ ] =

Comportamentos de estimadores: no tendencioso (1 ) e tendencioso (2 ):


ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

ii) o estimador de MQO consistente:


= + ( )1
Aplicando o operador de limite de probabilidade:
[ ] = [] + [( )1 ]
Multiplicando e dividindo o segundo termo por () e resolvendo:
1

[ ] = + [( ) ] [ ]

O ltimo termo tendo a zero:


[ ] =

Comportamento de um estimador consistente:

iii) o estimador de MQO eficiente:


Considere o estimador linear de de MQO:
= ( )1
Dado = + (premissa 1 linearidade), substituindo:
= ( )1 ( + )
= ( )1 + ( )1
Dado ( )1 = :
= + ( )1
Logo:
= ( )1
Dado que:
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS


( ) = [( )( ) ]
( ) = [(( )1 )(( )1 ) ]
( ) = [( )1 ( )1 ]
( ) = [( )1 ( )1 ]
( ) = ( )1 ( )( )1
( ) = ( )1 ( 2 )( )1
( ) = 2 ( )1 ( )1
Sob a validade dos pressupostos 5 e 6, = I, ento:
( ) = 2 ( )1

Considere agora outro estimador linear de que no o de MQO:


= [( )1 + ]
Dado = +
= [( )1 + ][ + ]
= ( )1 + ( )1 + +
Dado ( )1 = e o fato de que = 0 para que esse estimador seja no tendencioso:
= + ( )1 +
= ( )1 +
Por definio, a matriz de varincias e covarincias de ( ) :

Var Cov( ) = [( )( ) ]
Ento:
Var Cov( ) = [(( )1 + )(( )1 + ) ]
Resolvendo:
Var Cov( ) = [( )1 ( )1 + ( )1 + ( )1 + ]
Var Cov( ) = ( )1 [ ]( )1 + [ ]( )1 + ( )1 [ ] +
+ [ ]
Dado [ ] = 2 (premissas 5 e 6) e = 0:
Var Cov( ) = 2 ( )1 + 2
Var Cov( ) = ( ) + 2
A no ser que seja nulo, a varincia de ser maior que a de .
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

Comportamentos de estimadores: (BLUE) eficiente (1 ), no tendencioso e consistente (2 ) e


viesado (3 ).

Portanto, se o Teorema de Gauss-Markov vlido, o estimador de MQO o melhor dentre o


grupo de estimadores lineares e no tendenciosos.

3. Relaxamento das premissas ou violao dos pressupostos.

Para garantir a validade do Teorema de Gauss-Markov preciso que ao estimar a regresso


por MQO as premissas do MCRL sejam respeitadas, nem sempre esse o caso. Muitas vezes
trabalhamos com modelos ou amostras que violam algum dos pressupostos do MCRL, nesse caso o
estimador de MQO pode no ser mais BLUE, em outras palavras, devemos encontrar outro estimador
que seja robusto ao relaxamento das premissas. As fontes mais comuns de violao dos pressupostos
so a multicolinearidade, heterocedasticidade, autocorrelao e os erros na especificao do modelo.

i) A relao entre e os linear.

A violao desse pressuposto, ou seja, modelos no lineares nos parmetros (intrinsecamente


no lineares) impossibilitam a utilizao do MQO, esses modelos devem ser estimados por mtodos
no lineares.
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

ii) No h relao linear perfeita entre as variveis explicativas.

A violao desse pressuposto impossibilita a estimao dos parmetros e torna os erros padro
infinitos. A presena de multicolinearidade forte no viola o pressuposto, nesse caso os estimadores
de MQO preservam suas propriedades de BLUE, contudo os erros padro tornam-se grandes e os
testes de significncia individual () tendem a aceitar a hiptese nula. Para ver isso, observe que
quando se pretende explicar determinada varivel por meio de uma regresso mltipla possvel
mostrar que a varincia do j-simo regressor pode ser expressa como:

2 1
( ) = 2 (12)

onde 2 denota o coeficiente de determinao da regresso auxiliar do regressor j em funo dos


demais regressores.
Nesse caso, 2 representa o grau de colinearidade da varivel explicativa j para com as
demais. O segundo termo do lado direito da equao conhecido como fator de inflao da varincia
ou FIV, ele determina quanto a varincia do parmetro estimado aumenta em funo do grau de
relao linear entre as variveis explicativas. Quando existe correlao linear perfeita entre as
covariveis, ou seja, 2 = 1, o FIV torna-se infinito e o pressuposto de ausncia de relao linear
perfeita entre as variveis explicativas violado, o que impossibilita a estimao dos parmetros por
MQO.
Com 2 < 1 os estimadores de MQO mantm a propriedade BLUE, contudo se a
multicolinearidade for alta isso pode incorrer em problemas para a anlise de regresso, pois, no se
consegue retirar o efeito lquido da variao de uma varivel explicativa (Xi) sobre a mdia da
varivel dependente (Y). Apesar de que, mesmo na presena de multicolinearidade, os estimadores
de MQO ser os de varincia mnima, isto no significa que essa varincia seja pequena, ou seja, o
problema causa problemas de impreciso nas estimativas.
Podem ser identificadas algumas causas para o problema de multicolinearidade forte como o
mtodo de coleta dos dados, restries ao modelo ou amostra (como no caso da regresso para
explicar o consumo de energia eltrica (Y) que inclui a renda (X2) e o tamanho da casa (X3) como
regressores, essas variveis estaro relacionadas na medida em que famlias com maior nvel de renda
possuem casas maiores), especificao do modelo (incluso de termos polinomiais), pequeno nmero
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

de observaes (limita a variabilidade das variveis explicativas 2 ) e alguma tendncia comum


nas variveis explicativas.
As consequncias de alta multicolinearidade so intervalos de confiana mais amplos para os


estimadores, razes () = insignificantes enquanto a regresso apresenta 2 alto e ()
)
(

significativo e sensibilidade dos estimadores a alteraes nos dados.


A deteco do problema pode ser feito com a ajuda da matriz de correlaes de ordem zero
entre as variveis explicativas, com a identificao de 2 alto e () significativo enquanto as razes
() so no significativas, atravs das regresses auxiliares e do clculo do FIV.
Aps identificar o problema podem ser tomadas algumas medidas corretivas dentre as quais
esto no fazer nada (uma vez que de fato a colinearidade no perfeita no viola o pressuposto do
MCRL), utilizar alguma informao a priori quando conhecemos o padro de relao linear entre as
variveis (por exemplo, X1 = X2i + 0,3X3i), combinar dados de srie temporal e corte transversal ou
aumentar o nmero de observaes, fazer alguma transformao nas variveis, ou excluir a varivel
(contudo isso pode incorrer em vis de especificao do modelo que causa vis e inconsistncia nos
estimadores, em outras palavras, a soluo pode acabar incorrendo em problemas maiores).

iii) A matriz no estocstica, ou seja, os so fixos em amostras repetidas.

Esse pressuposto indica que para cada valor fixo de existe uma distribuio de probabilidade
associada. Estamos interessados no valor mdio condicional de para cada valor fixo de . Caso
seja estocstico pressupe-se que o mesmo no est correlacionado com o termo de erro = 0,
caso esse pressuposto no se mantenha os estimadores de MQO sero viesados e inconsistentes e
torna-se necessrio a utilizao de outro estimador.

iv) A varivel tem mdia zero.

Um dos pressupostos do MCRL o de que a mdia do termo de erro igual a zero, ( | ) =


0. Em outras palavras, supe-se que o modelo est bem especificado e que as variveis omitidas ou
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

que no puderam ser includas no modelo e esto, portanto, presentes no termo de erro possuem um
efeito mdio nulo sobre Y.
Se variveis importantes forem omitidas pode-se violar esse pressuposto, pois a varivel
omitida pode estar correlacionada com X, ( 0), ou com Y, ( 0), causando o vis ou erro
de especificao do modelo.
Podem-se listar alguns tipos de erros de especificao como a omisso de uma ou mais
variveis relevantes, a incluso de uma ou mais variveis desnecessrias, a adoo da forma funcional
errada, erros de medida, especificao incorreta do termo de erro estocstico e a pressuposio de que
o erro distribui-se normalmente quando o processo gerador no dessa forma.
Os erros de especificao do modelo trazem vrias consequncias. A omisso de varivel
relevante, ou seja, estimar = 1 + 2 2 + quando o verdadeiro modelo = 1 + 2 2 +
3 3 + causar vis e inconsistncia das estimativas de MQO se a varivel 3 estiver
correlacionada com outra varivel explicativa, ou seja, ( | ) 0 pois ( 0) uma vez que
= + 3 3. Mesmo que a varivel 3 no esteja correlacionada com as demais o intercepto ser
viesado. Outra consequncia a incorreta estimao da varincia do erro e o consequente equvoco
no clculo dos intervalos de confiana, erros padro e testes de hipteses.
A incluso de variveis desnecessrias, ou seja, estimar = 1 + 2 2 + 3 3 + quando
o verdadeiro modelo = 1 + 2 2 + incorrer na perda de eficincia dos estimadores devido
a correlao (FIV) existente entre as covariveis. J os erros de medida quando na varivel dependente
causam perda de eficincia nos estimadores e quando nas variveis explicativas causam vis e
inconsistncia por motivos anlogos omisso de varivel relevante.
A especificao incorreta do termo de erro causa vis nos estimadores de MQO enquanto a
invalidade da pressuposio de distribuio normal torna os testes de hipteses usuais inutilizveis.
A identificao dos problemas de omisso de varivel relevante, incluso de varivel
irrelevante e forma funcional equivocada podem ser feita por meio dos testes (), do teste () restrito,
do exame dos resduos, da estatstica d de Durbin-Watson, do teste Reset de Ramsey e do teste
Multiplicador de Lagrange (ML). Os erros de medidas so difceis de ser detectados uma vez que
geralmente trabalhamos com dados secundrios, j os erros de especificao do termo de erro devem
ser tratados a partir de mtodos de estimao no lineares. A normalidade do termo de erro pode ser
verificada a partir do teste de normalidade de Jarque-Bera.
Por fim, cabe ressaltar que a estimao de relaes endgenas por MQO gera estimadores
viesados e inconsistentes devido a violao da pressuposio ( | ) = 0, pois tanto ( 0)
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

como ( 0). Ao se detectar relaes endgenas pelo teste de Hausman (que verifica se 0)
preciso recorrer a outros estimadores para superar o problema como o de Mnimos Quadrados
Indiretos (MQI), para equaes exatamente identificadas, ou Mnimos Quadros em Dois Estgios
(MQ2E) e Variveis Instrumentais (VI) para equaes superidentificadas.

v) Os erros so variveis aleatrias com varincia constante (homocedasticidade).

Podemos representar a violao do pressuposto da seguinte forma:

Dada a premissa 2 (ausncia de multicolinearidade perfeita)


= ( )1
Dado = + (premissa 1 linearidade), substituindo:
= ( )1 ( + )
= ( )1 + ( )1
Dado ( )1 = :
= + ( )1
Logo:
= ( )1
Dado que:

( ) = [( )( ) ]
( ) = [(( )1 )(( )1 ) ]
( ) = [( )1 ( )1 ]
( ) = [( )1 ( )1 ]
( ) = ( )1 ( )( )1
( ) = ( )1 ( 2 )( )1
( ) = 2 ( )1 ( )1
Sob a validade dos pressupostos 5 e 6, = I, ento:
( ) = 2 ( )1
Caso os pressupostos 5 e/ou 6 no sejam vlidos ento I, ento:
( ) = 2 ( )1 ( )1
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

Dessa forma, caso no sejam vlidas as premissas do MCRL a matriz de varincia e


covarincia dos parmetros estimados ser viesada. No possvel afirmar se a mesma ser maior ou
menor que a matriz quando os pressupostos so vlidos, portanto, as inferncias com base nos testes
e no sero mais vlidas.
A causa ou a natureza do problema pode ser a variabilidade entre os diferentes valores fixados
de X (exemplo renda e consumo), a presena de outliers, erros de especificao do modelo
(omisso de varivel relevante), assimetria na distribuio da varivel explicativa e observaes
discrepantes (empresas pequenas, mdias e grandes na mesma amostra).
Quando a pressuposio de varincia constante violada os estimadores de MQO continuam
a ser no tendenciosos e consistentes, contudo deixam de ser eficientes. Para o modelo = 1 +

2
2 2 + a varincia estimada de 2 ser (2 ) = 2 enquanto a verdadeira varincia seria

2 2

(2 ) = ( 2 )2 .

Alm da invalidade das inferncias com base nos testes e , os estimadores no sero mais
eficientes. Para detectar a violao do pressuposto de varincia constante possvel recorrer a alguns
procedimentos informais como o grfico do resduo ao quadrado ( 2 ) em funo das variveis
explicativas ou dependente ou procedimentos formais como os testes de Park (a equao de teste
baseia-se na regresso do logaritmo do resduo ao quadrado em funo de alguma varivel
explicativa), Glejser (a equao de teste baseia-se na regresso do resduo absoluto em funo de
alguma varivel explicativa), Goldfeld-Quandt (baseia-se na comparao da varincia entre grupos
diferentes da varivel explicativa), Breusch-Pagan-Godfrey e o teste geral de heterocedasticidade de
White (a equao de teste baseia-se na regresso do resduo ao quadrado em funo das variveis
explicativas, do quadrado e do produto cruzado dessas variveis). A hiptese nula de
homocedasticidade, caso seja identificado algum padro de relao entre a varincia e as variveis
explicativas gera-se evidncia da existncia do problema.
A identificao do problema leva a concluso de que os estimadores de MQO podem no ser
mais os melhores uma vez que no possvel garantir a validade do Teorema de Gauss-Markov.
Nesse caso, pode-se encontrar estimadores que sejam BLUE mesmo com a presena de
heterocedasticidade.
Para corrigir o problema preciso levar em considerao se o padro de heterocedasticidade
conhecido ou no. Se o padro de heterocedasticidade conhecido estima-se o seguinte modelo:
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

1/1
.
= + onde = .
.
[1/n ]

Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mnimos
Quadrados Generalizados (MQG) ou Mnimos Quadrados Ponderados (MQP) que, nesse caso, so
BLUE.
Quando no se conhece o padro de heterocedasticidade, quase a totalidade dos casos, pode-
se supor um padro de heterocedasticidade com base nos testes e estimar por MQG ou utilizar a
correo de White que consiste na estimao da verdadeira varincia por:

2 2

(2 ) = ( 2 )2

Outra possibilidade quando no se conhece o padro de heterocedasticidade estimar a


varincia utilizando, por exemplo, a especificao de Harveys (1976) (2 = 2 exp())
transformar as variveis e aplicar o MQO dando origem aos Mnimos Quadrados Generalizados
Factveis (MQGF).

vi) Ausncia de autocorrelao no erro.

Como no caso da heterocedasticidade, caso no seja vlida a premissas do MCRL de ausncia


de autocorrelao no termo de erro a matriz de varincia e covarincia dos parmetros estimados ser
viesada. No possvel afirmar se a mesma ser maior ou menor que a matriz quando os pressupostos
so vlidos, portanto, as inferncias com base nos testes e no sero mais vlidas.
A causa ou a natureza do problema pode ser a inrcia presente nas sries de tempo como PIB
e inflao, erros de especificao do modelo (omisso de varivel relevante ou forma funcional
inadequada), o fenmeno da teia de aranha, defasagens, manipulao e transformao nos dados e
ausncia de estacionariedade.
Quando a pressuposio de ausncia de autocorrelao violada os estimadores de MQO
continuam a ser no tendenciosos e consistentes, contudo deixam de ser eficientes. Para o modelo
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

2

= 1 + 2 2 + a varincia estimada de 2 ser (2 ) = 2 enquanto a verdadeira varincia

2


seria (2 ) = 2 (1 + 2 1
2
+ + 21
2
).

Alm da invalidade das inferncias com base nos testes e , os estimadores no sero mais
eficientes. Para detectar a violao do pressuposto de ausncia de autocorrelao possvel recorrer
a alguns procedimentos informais como o grfico do resduo em funo do tempo ou do resduo em
funo do resduo defasado ou procedimentos formais como os testes de Durbin-Watson ou de
Breusch-Godfrey (a equao de teste baseia-se na estimao de uma regresso dos resduos em funo
das variveis explicativas e das defasagens do resduo).
A identificao do problema leva a concluso de que os estimadores de MQO podem no ser
mais os melhores (quando a autocorrelao no originada por erro de especificao do modelo) uma
vez que no possvel garantir a validade do Teorema de Gauss-Markov. Nesse caso, pode-se
encontrar estimadores que sejam BLUE mesmo com a presena de autocorrelao.
Para corrigir o problema preciso levar em considerao se o coeficiente de autocorrelao
() conhecido ou no. Se () conhecido estima-se o seguinte modelo de diferenas generalizadas
(para o caso de um processo AR(1):

1 = 1 (1 ) + 2 ( 1 ) + ( 1 )

Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mnimos
Quadrados Generalizados (MQG) que so BLUE.
Quando no se conhece (), quase a totalidade dos casos, podemos estim-lo por meio de
algum procedimento como o de Durbin-Watson, Durbin Watson de 2 etapas, Cochrane-Orkutt de 2
etapas ou iterativo e estimar por MQGF a equao de diferenas generalizada ou ainda, pode-se
utilizar a correo de Newey-West que consiste na estimao da verdadeira varincia. Outra
possibilidade a estimao da equao com as variveis em primeira diferena.

vii) Os erros tm distribuio normal.

J tratada na seo iv, a violao desse pressuposto impossibilita a usual inferncia estatstica
baseada na distribuio normal. Contudo, caso a amostra possua tamanho razovel possvel invocar
ESTADO DE MATO GROSSO
SECRETARIA DE ESTADO DE CINCIA E TECNOLOGIA
UNIVERSIDADE DO ESTADO DE MATO GROSSO
CAMPUS UNIVERSITRIO DE SINOP
CURSO DE CINCIAS ECONMICAS

a teoria assinttica ou de grandes amostras que postula que a distribuio do erro tende para normal
conforme cresce o tamanho da amostra.

REFERNCIAS

ANGRIST, J. D.; PISCHKE, J. S. Mostly harmless econometrics: An empiricist's companion.


2008.

GALTON, F. Regression towards mediocrity in hereditary staturep. Anthropological Miscellanea,


p. 246-263, 1886.

GREENE, W. Econometric Analysis, 7a. Ed., Prentice Hall, 2000.

GUJARATI, Damodar N.; PORTER, Dawn C. Econometria Bsica. 5a Ed., Porto Alegre: Bookman,
2011.

You might also like