Вы находитесь на странице: 1из 27

Type author name/s

Alexandre here
Ernesto

Parte III – Violação dos


Chapter heading
Pressupostos dos MCRL
AULA 8: Heterocedasticidade

© Alexandre Ernesto, 2019. Direitos reservados.


PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Objectivos de aprendizagem

1. Entender o significado de heterocedasticidade e homocedasticidade;

2. Entender as consequências da heterocedasticidade para os estimadores do MMQO;

3. Detectar e aplicar testes de heterocedasticidade;

4. Resolver o problema de heterocedasticidade.

2
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

O que é heterocedasticidade?

3
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Introdução: o que é heterocedasticidade (1/2)

O pressuposto nº 5 do MCRL, impõe que os erros devem ter uma variância constante e independente de i,
dada a expressão matemática pela seguinte equação:

𝑉𝑎𝑟 𝑢𝑖 = 𝜎 2 (1)

Tendo variâncias iguais significa que os erros são homocedásticos. Contudo, é muito comum em análises
de regressões esta propriedade ser violada. E nestes casos, dizemos que o pressuposto de
homocedasticidade foi violado, e a variância do termo de erro aleatório depende da própria observação que
esta a ser examinada, de tal forma que:

𝑉𝑎𝑟 𝑢𝑖 = 𝜎𝑖2 (2)

Note que a única diferença entre as equações (1) e (2) é a subscrição i anexada em 𝜎 2 , significa que a
variância pode mudar para toda observação diferente na amostra 𝑖 = 1, 2, 3, … , 𝑛

4
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Introdução: o que é heterocedasticidade (2/2)

Heterocedasticidade é um problema potencialmente severo envolvendo a violação do pressuposto da


homocedasticidade dos MCRL, ou seja, as variâncias dos erros não são iguais para todo i. (causas da
hétero..: natureza das variáveis, outliers, problemas de especificação do modelo, erros de medição, etc.)

 Para sermos mais claros, é útil voltarmos para um modelo de regressão simples dado por:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 (3)

Admitamos que erros podem ter um dos seguintes comportamentos possíveis, após estimação do modelo:

Figura 1 – Variância constante Figura 2 – Variância heterocedástica crescente Figura 3 – Variância heterocedástica decrescente

5
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Consequências da heterocedasticidade

6
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Consequências da heterocedasticidade para os estimadores MQO (1/2)

1. Os estimadores do MMQO manter-se-ão não enviesados e consistentes;

 Isto acontece, porque nenhuma das variáveis explicativas esta correlacionada com o termo de erro
aleatório. Uma equação correctamente especificada dará valores para os coeficientes estimados muito
próximo aos valores reais dos parâmetros.

…..CONTUDO….

2. ….affecta a distribuição dos coeficientes estimados aumentando as variâncias das distribuições e


portanto, torna os estimadores do MMQO ineficientes – ver ilustração no slide a seguir.

3. Subestimação das variâncias dos estimadores, o que conduz para altos valores do teste t e F.

 Heterocedasticidade tem um grande impacto sobre ao testes de hipóteses, tornando o teste t e teste F
não confiáveis, pois há uma grande probabilidade de rejeitar uma hipótese nula verdadeira.

7
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Consequências da heterocedasticidade para os estimadores MQO (2/2)

Efeito sobre a eficiência dos estimadores MMQO

Considere o caso de um modelo de regressão simples:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 3

A variância do estimador de 𝛽1 , conforme determinado na aula nº 4 é dada pela seguinte expressão:

𝑉𝑎𝑟 𝑢𝑖 𝜎2
𝑉𝑎𝑟 𝛽1 = 𝐸 𝑛 2
= 𝑛 2
(4)
𝑖=1 𝑥𝑖 − 𝑥 𝑖=1 𝑥𝑖 − 𝑥

Esta expressão aplica-se apenas se a variância dos resíduos for constante 𝜎 2 . Em presença de
heterocedasticidade, a variância muda com toda observação individual i, portanto a variância do estimador
de 𝛽1 será agora dada por:

𝑉𝑎𝑟 𝑢𝑖 𝜎𝑖2
𝑉𝑎𝑟 𝛽1 = 𝐸 𝑛 2
= 𝑛 2
(5)
𝑖=1 𝑥𝑖 − 𝑥 𝑖=1 𝑥𝑖 − 𝑥

8
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectar a heterocedasticidade

9
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade

Existem duas formas básicas para detectarmos a heterocedasticidade:

1. De uma forma informal, geralmente feita por meio de gráficos – método gráfico;

2. A segunda forma é por meio de testes formais para a heterocedasticidade, tais como:

 Teste Breusch-Pagan LM;

 Teste Glesjer LM;

 Teste Harvey-Godfrey LM;

 Teste Park LM;

 Teste Goldfeld-Quandt e;

 Teste White.

10
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: método gráfico ou informal (1/2)

Como proceder?

• Basta representar num gráfico o quadrado dos resíduos do modelo contra os valores ajustados de Y e
os Xs e observar os padrão de comportamento do gráfico.

Figura 4 – distribuição dos erros Figura 5 – indicação de


saudável, ou seja, homocedástica heterocedasticidade

11
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: método gráfico ou informal (2/2)

Figura 7 – relação não linear


conduzindo à heterocedasticidade

Figura 6 – outra indicação de heterocedasticidade

Figura 8 – outra forma de relação não


linear conduzindo à heterocedasticidade

12
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: testes formais (1/5)

Teste de Breusch-Pagan LM (1)

É um teste geralmente aplicado para uma forma específica de heterocedastidade.

Passo 1: Estime o modelo pelo MMQO e obtenha os resíduos da regressão.

Passo 2: Compute a seguinte regressão auxiliar:

uˆt2  a1  a2 Z 2t  a3 Z 3t  ...  a p Z pt  vt
Onde 𝑍𝑘𝑖 é o conjunto de variáveis que determinam a variância do termo erro aleatório (usualmente 𝑍𝑘𝑖 são as variáveis
explicativas Xs usadas no modelo original e que reconhecidamente influenciam o erro aleatório).

Passo 3: Formule a hipótese nula e a hipótese alternativa. A hipótese nula é de que os erros são
homocedásticos e a alternativa é de que pelo menos um dos as é diferente de zero e que pelo menos um
dos Zs afectam a variância dos resíduos:
𝐻0 : 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑝 = 0
𝐻𝐴 : 𝑎1 ≠ 𝑎2 ≠ ⋯ ≠ 𝑎𝑝 ≠ 0
13
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: testes formais (2/5)

Teste de Breusch-Pagan LM (2)

Passo 4: Determine 𝐿𝑀 = 𝑛𝑅2 , onde 𝑛 𝑒 𝑅2 são provenientes da regressão auxiliar. A estatística LM segue
uma distribuição Qui-quadrado 𝑥 2 com 𝑝 − 1 graus de liberdade (LM = lagrange multiplier).

Onde p é o número de variáveis explicativas inseridas no modelo.

Passo 5: Tomada de decisão (usualmente 𝛼 = 5%).

• Se 𝐿𝑀 > 𝑥 2 𝑃−1,𝛼 , Rejeitamos a hipótese nula e concluímos que existe evidência significativa de
presença de heterocedasticidade.

• Se 𝐿𝑀 < 𝑥 2 𝑃−1,𝛼 , não rejeitamos a hipótese nula e concluímos que há evidências de que os erros são
homocedásticos.

• Alternativamente, determine o valor-p e rejeite a hipótese nula se o valor-p é menor do que o nível de
significância 𝛼 e não rejeitamos a 𝐻0 se valor maior do que 𝛼.
14
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: testes formais (3/5)

Teste de White ou teste geral de heterocedasticidade de White (1)

White (1980) desenvolve um teste mais geral para heterocedasticidade que elimina os problemas que
surgem noutros testes (Breusch-Pagan ,Goldfeld-Quandt, Park LM, Harvey-Godfrey e Glesjer LM).

O teste de White tem as seguintes vantagens relativamente aos demais testes:

1. Não assume a priori qualquer determinação de heterocedasticade;

 Isto é, se não temos qualquer informação acerca da origem da heterocedasticidade, podemos usar o teste de White.

 Caso tenhamos informações sobre o origem da heterocedasticidade, podemos aplicar o teste Breusch-Pagan.

2. Contrariamente ao teste de Breusch-Pagan, o teste de White não depende do pressuposto sobre a


normalidade dos erros.

Contudo, em casos de houver muitas variáveis explicativas a inclusão destas, bem como seus termos quadrados e produtos
cruzados podem rapidamente consumir os graus de liberdade logo, é preciso ter cautela.

15
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: testes formais (4/5)

Teste de White ou teste geral de heterocedasticidade de White (2)

Os passos envolvendo a aplicação do teste de White, assumindo um modelo com duas variáveis
explicativas, como apresentado na sequência são:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝑢𝑖

Passo 1: Estime o modelo acima e obtenha os resíduos da regressão.

Passo 2: Compute a seguinte regressão auxiliar:

𝑢𝑖2 = 𝑎1 + 𝑎2 𝑋2𝑖 + 𝑎3 𝑋3𝑖 +𝑎4 𝑋2𝑖


2 2
+ 𝑎5 𝑋3𝑖 + 𝑎6 𝑋2𝑖 𝑋3𝑖 + 𝑣𝑖

Isto é, regressão do quadrado dos desvios sobre todas as variáveis explicativas, o quadrado das variáveis
explicativas e seus respectivos produtos.

16
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: testes formais (5/5)

Teste de White ou teste geral de heterocedasticidade de White (3)

Passo 3: Formule a hipótese nula e a hipótese alternativa (pelo menos um dos as é diferente de zero).

𝐻0 : 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑝 = 0 ↔ 𝐻𝑜𝑚𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒
𝐻𝐴 : 𝑎1 ≠ 𝑎2 ≠ ⋯ ≠ 𝑎𝑝 ≠ 0 ↔ 𝐻𝑒𝑡𝑒𝑟𝑜𝑐𝑒𝑑𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑𝑒

Passo 4: Determine 𝐿𝑀 = 𝑛𝑅2

Onde 𝑛 é o número de observações usadas para estimar a regressão auxiliar no passo nº 2, e 𝑅 2 é o coeficiente de
determinação.

A estatística LM segue uma distribuição Qui-quadrado 𝑥 2 com 𝑝 − 1 graus de liberdade (LM = lagrange multiplier). Neste caso
especifico tem (6-1=5) graus de liberdade.

Passo 5: Tomada de decisão (usualmente 𝛼 = 5%).

• Se 𝐿𝑀 > 𝑥 2 𝑃−1,𝛼 , Rejeitamos a hipótese nula e concluímos que existe evidência significativa de presença de
heterocedasticidade. Alternativamente, rejeitamos 𝐻0 se o valor-p é menor do que o nível de significância 𝛼.

• Se 𝐿𝑀 < 𝑥 2 𝑃−1,𝛼 , não rejeitamos a hipótese nula e concluímos que há evidências de que os erros são homocedásticos.

17
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: exemplo teste de White (1/3)

Considere o modelo abaixo em que se estima o salário (U$ dólares) auferido por um individuo como função
dos anos de educação (educ) e respectiva avaliação de desempenho (iq).

18
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: exemplo teste de White (2/3)

19
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Detectando a heterocedasticidade: exemplo teste de White (3/3)

20
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Como resolver o problema de heterocedasticidade?

21
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Como resolver o problema de heterocedasticidade (1/x)

Em presença de heterocedasticidade, existem duas formas de procedimento que devem ser seguidas:

1. Corrigir o enviesamento nos desvios-padrão.

 Reconhecendo que o estimador do MMQO não é o melhor, mas sendo ainda assim consistente, e que a
origem deste problema são de que as covariâncias e as estatísticas t estão erradas, os resultados deste
modelo não serão confiáveis e os estimadores do MMQO não são robustos.

 Podemos corrigir as covariâncias e as estatísticas t estimando o modelo de regressão robusto. Estes


modelos são desenhados para não serem afectados pela violação dos pressupostos subjacentes ao
processo de geração de dados dos MCRL.

Note que os MCRL são altamente sensitivos (i.e. não robustos) à presença de outliers.

Outliers são observações que não seguem o padrão normal das demais observações.

22
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Como resolver o problema de heterocedasticidade (2/x)

2. Estimar o modelo pelo método Generalized least squares GLS (1)

 Considere o seguinte modelo:

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + 𝛽3 𝑋3𝑖 + 𝛽4 𝑋4𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖

Onde
𝑉𝑎𝑟 𝑢𝑖 = 𝜎𝑖2

Se cada termo do modelo acima é dividido pelo desvio-padrão do termo de erro aleatório 𝜎𝑖 , obteremos o
seguinte modelo modificado:

𝑌𝑖 1 𝑋2𝑖 𝑋3𝑖 𝑋4𝑖 𝑋𝑘𝑖 𝑢𝑖


= 𝛽1 + 𝛽2 + 𝛽3 + 𝛽4 + ⋯ + 𝛽𝑘 +
𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖 𝜎𝑖

Ou

𝑌𝑖∗ = 𝛽1 + 𝛽2 𝑋2𝑖
∗ ∗
+ 𝛽3 𝑋3𝑖 ∗
+ 𝛽4 𝑋4𝑖 ∗
+ ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝑢𝑖∗

23
PARTE III – Violação dos Pressupostos do MCRL | Heterocedasticidade

Como resolver o problema de heterocedasticidade (3/x)

2. Estimar o modelo pelo método Generalized least squares GLS (2)

 Para o modelo modificado a variância será dada por:

𝑢𝑖 𝑉𝑎𝑟(𝑢𝑖 )
𝑉𝑎𝑟 𝑢𝑖∗ = 𝑉𝑎𝑟 = =1
𝜎𝑖 𝜎𝑖2

Logo, as estimativas obtidas pelo MMQO regressando 𝑌𝑖∗ em função de 𝑋1𝑖


∗ ∗
, 𝑋2𝑖 ∗
, 𝑋3𝑖 ∗
,…, 𝑋𝑘𝑖 são agora
BLUE. Este procedimento é chamado de Generalized Least Squares (GLS).

24
PARTE III – Violação dos Pressupostos do MCRL | Multicolinearidade

Bibliografia utilizada

Próxima aula de nº 9 iremos falar sobre:

Autocorrelação:
 Causas e implicações
 Soluções metodológicas

25
PARTE III – Violação dos Pressupostos do MCRL | Multicolinearidade

Bibliografia utilizada

Asteriou e Hall. 2011. capítulo 4, pág. 96 – 107.

Gujarati, Damodar N., 2009. Capítulo 10.

26
Copyright Alexandre Ernesto 2019.

Estes slides podem ser carregados por qualquer pessoa, em


qualquer lugar para uso pessoal e não há necessidade de se
referenciar o autor.

Todo o material inserido nestes slides, a excepção de algumas


ilustrações e exemplos específicos sobre Angola, foram elaborados
com base nos livros descritos na referência bibliográfica para este
curso.

27

Вам также может понравиться