Erro de Medida nas Variáveis

e
Teste RESET

Aula 32

Wooldridge, 2011 – Capítulo 9

Gujarati, 2006, Capítulo 13
 Introdução
yi = 1 + 2 x2i + ... + k xki + i

Suposição: E(i | x2i, ..., xki) = E(i) = 0

Como pode falhar?

i. Omissão de variável explicativa importante,

correlacionada com x2, ... ou xk;

ii. Erro de medida em x2, ... ou xk;

iii. Forma funcional especificada incorretamente;

iv. Simultaneidade entre y e x2, ...ou xk.

 Introdução
yi = 1 + 2 x2i + ... + k xki + i

Dessa forma, caso a suposição anterior seja violada,

os estimadores de mínimos quadrados dos
parâmetros do modelo de regressão linear múltipla
serão viesados, inconsistentes e a análise inferencial
estará toda comprometida!

3
ERROS DE MEDIÇÃO

4
 Erros de Medição em y
Suponha o seguinte modelo de regressão:

yi* = 1 + 2 x2i + i (1)

em que
yi* não é medida diretamente.

Entretanto, observamos
y i = y i* + u i
em que
ui denota erros de medição em yi*.
 Erros de Medição em y
Dessa forma, ao invés de estimarmos os parâmetros de
(1), estimamos

yi = 1 + 2 x2i + i (2)

em que

i = i + ui.
 Erros de Medição em y
Por simplicidade, vamos admitir que:

 E(i) = E(ui) = 0;

 Cov(x2i, i) = 0 (que é uma das premissas

clássicas);

 Cov(x2i, ui) = 0; isto é, os erros de medição de yi*

não estão correlacionados com x2i; e

 Cov(i, ui) = 0; isto é, o termo de erro de (1) e o

termo de erro de medição não estão correlacionados.
 Erros de Medição em y

Dessa forma, não é difícil ver que os parâmetros de

(1) ou (2), estimados por MQO, serão não viesados.
Contudo, as variâncias dos estimadores de (1) e (2)
serão diferentes, sendo que em (2) teremos
estimadores menos eficientes (vale lembrar que o
estimador da variância continua não viesado).
 Erros de Medição em x
Suponha o seguinte modelo de regressão:

yi = 1 + 2 x2i* + i (3)

em que
x2i* não é medida diretamente.

Entretanto, observamos
x2i = x2i* + i
em que
i denota erros de medição em x2i*.
 Erros de Medição em x
Dessa forma, ao invés de estimarmos os parâmetros de
(3), estimamos

yi = 1 + 2 (x2i – i) + i

yi = 1 + 2x2i + (i – 2i)

yi = 1 + 2x2i + i (4)
em que

 i =  i –  2 i .
 Erros de Medição em x
Mesmo supondo que i tenha média zero, que seja
serialmente não-correlacionado e não esteja
correlacionado i, não podemos admitir que o termo
composto i seja independente da variável explicativa
do modelo de interesse, uma vez que

Cov x2i ,  i   E x2i  E  x2i  i  E  i 

Cov x2i ,  i   E  i  i   2 i 
 
Cov x2i ,  i   E  i  i   2 i     2 E     2Var i 
i
2
 Erros de Medição em x
Dessa forma, a variável explicativa e o termo de erro,
em (4), estão correlacionados, o que viola a suposição
de que a variável explicativa e o termo de erro
estocástico são não-correlacionados. Assim sendo,
não é difícil demonstrar que os estimadores de MQO
dos parâmetros do modelo de regressão são
tendenciosos e inconsistentes.
 Erros de Medição em x
Gujarati (2006, p. 425) mostra que

  
 
2

plim ˆ2   2  2
x2*

 x2*    
2

(viés de atenuação)

Como é esperado que o termo entre colchetes seja

menor que 1, isso mostra que o estimador nunca
convergirá para o parâmetro.
ERROS DE ESPECIFICAÇÃO
NA FORMA FUNCIONAL

14
 Introdução
A omissão de variáveis explicativas não é o único modo
de um modelo ser mal especificado.

Por exemplo, se o verdadeiro modelo, satisfazendo às

suposições GAUSS-MARKOV, for

log  y   β0  β1 x1  β2 x2  u (1 )
e utilizarmos y, no lugar de log(y), como variável
resposta em (1), então obteremos estimadores
inconsistentes e viesados dos efeitos parciais.
 Introdução

Todavia, existe uma ferramenta bastante poderosa para

detectar erros de especificação na forma funcional: a
estatística F de exclusão de subconjuntos de variáveis
explicativas.

16
 Teste para verificar
Erro de Especificação
na Forma Funcional
num Modelo de Regressão
(RESET)
 Teste RESET
(Ramsey, 1969)

Se o modelo original é da forma

y   0  1x1   2 x2     k xk  u (2)

satisfazendo MLR.3 [E(u | x1, x2, ..., xk) = E(u) = 0],

então, funções não-lineares de variáveis
independentes não devem ser relevantes quando
acrescentadas em (2).
18
 Teste RESET
(Ramsey, 1969)

1) Para implementarmos o teste RESET, devemos

decidir quantas funções dos valores ajustados
devemos incluir na equação a ser expandida.
2) Não existe uma resposta direta para esta
pergunta, mas a inclusão de termos quadráticos
e cúbicos mostra bastante utilidade em várias
aplicações.

19
 Teste RESET
(Ramsey, 1969)

Sejam ŷ os valores ajustados do modelo estimado

i
em (2). Considere a equação expandida

y   0  1 x1   2 x2     k xk  1 yˆ 2   2 yˆ 3  u (3)

Utilizaremos a equação (3) para testar se (2) tem

problemas de especificação na forma funcional
(ausências de não-linearidades importantes).
20
 Teste RESET
(Ramsey, 1969)

Sob H0, o modelo (2) foi especificado corretamente.

Então, o teste RESET nada mais é do que a
estatística F para testar H0: 1 = 2 = 0, no modelo
expandido (3).

A significância desta estatística sugere algum

problema com não-linearidades no modelo original.

A distribuição da estatística F, sob H0, e sob as

suposições GAUSS-MARKOV, é aproximadamente
F[2; n-k-3], para amostras grandes. 21
 EXEMPLO
A seguir, um modelo para se estimar o preço de
residências, numa determinada região dos E.U.A., é
proposto:

log( price )   0  1 log( lotsize )   2 log( sqrft )   3bdrms  u

a) Interprete as estimativas de mínimos quadrados dos

parâmetros deste modelo.
b) Faça um teste para verificar se há problemas com a
forma funcional.

22
a) Interprete as estimativas de mínimos quadrados dos
parâmetros deste modelo.

23
b) Teste para verificar se há problemas com a forma
funcional.

24