Академический Документы
Профессиональный Документы
Культура Документы
Vítor Wilher
analisemacro.com.br
10 de Outubro de 2016
3 As premissas de Gauss-Markov
1 Apresentação do Curso
2 Apresentação do R
3 Introdução ao mundo da econometria
4 Mínimos Quadrados Ordinários (MQO) como uma ferramenta
algébrica
5 O modelo de regressão linear
1 As premissas de Gauss-Markov
2 As propriedades do estimador de MQO
A premissa (21) diz que o valor esperado do termo de erro é zero, o que
signica que, na média, a reta de regressão deve estar correta.
e
V (ε|X ) = V (ε) = σ 2 IN (8)
Isto é, a matriz de regressores X não provê nenhuma informação sobre o
valor esperado dos termos de erro ou da sua covariância. As duas
condições, (26) e (27), combina os elementos necessários das premissas de
Gauss-Markov para que os resultados que veremos a seguir se mantenham.
Pelo condicionamento em X , nós podemos agir como se X fosse não
estocástico.
= β + E ((X X )−1 X ε) = β.
0 0
Note que nós não usamos as premissas (23) e (24) na prova. Isso mostra
que o estimador de MQO é não viesado enquanto os termos de erro
possuírem média zero e forem independentes das variáveis explanatórias,
mesmo se heterocedasticidade e autocorrelação estiverem presentes.Nós
voltaremos a isso na seção 11 do curso. Se o estimador é não viesado, isso
signica que sua distribuição de probabilidades tem um valor esperado que
é igual ao verdadeiro mas desconhecido parâmetro que está sendo estimado.
i=1
o qual, por simplicidade, nós denotaremos por V (b). A matriz KxK V (b) é
a matriz variância-covariância, contendo a variância de b1 , b2 , ..., bK na
diagonal, e suas covariâncias nas demais posições.
1
Na literatura costuma-se apresentar esse resultado como Best Linear Unbiased
estimator (BLUE).
Vítor Wilher (analisemacro.com.br) As premissas de Gauss-Markov 10 de Outubro de 2016 13 / 20
As propriedades do estimador de MQO
Para avaliar esse resultado, considere a classe dos estimadores lineares não
viesados. Um estimador linear nada mais é do que uma função linear dos
elementos contidos em y e pode ser escrito como b̃ = Ay , onde A é uma
matriz KxK . O estimador é não viesado se E (Ay ) = β . Assim, o teorema
declara que a diferença entre as matrizes de covariância de b̃ = Ay e o
estimador de MQO b é sempre positiva semi-denida. O que isso signica?
Suponha que nós estamos interessados em alguma combinação linear de β
0
coecientes, dado por d β , onde d é um vetor de dimensão K .
i=1
√
Sob as premissas (21) a (24), observa-se que se(bk ) = s ckk . Quando os
termos de erro são não homocedásticos ou exibem autocorrelação, o erro
padrão do estimador de MQO bk terá de ser computado de uma forma
diferente. Veremos isso mais à frente.
Por m, as premissas (21) a (24) exprimem que os termos de erro εi são
mutuamente não correlacionados, são independentes de X , possuem média
zero e tem uma variância costante, mas não especicam a forma da
distribuição. Para uma inferência estatística exata de uma dada amostra
com N observações, é preciso fazer uma suposição explícita sobre a
distribuição. A suposição mais comum é que os erros são conjuntamente e
normalmente distribuídos. Nesse caso, a premissa (24) é equivalente à
independência de todos os termos de erro. Isto é,
ε ∼ N(0, σ 2 IN ), (14)