Captulo I

O modelo de regresso define-se pelo seguinte conjunto de hipteses clssicas:

[H0]: Existe numa certa populao uma relao linear de dependncia suportada por
coeficientes de regresso, variveis explicativas e uma perturbao aleatria no observvel.
= 1 + 2 2 +3 3 +4 4 + + +
[H1]: O valor mdio de cada perturbao aleatria nulo.
E( ) = 0
[H2]: A varincia das perturbaes aleatrias constante (hiptese de homoscedasticidade).
Var ( ) = 0

[H3]: A Covarincia entre perturbaes nula (hiptese de ausncia de autocorrelao).

Cov ( ; ) = 0

[H4]: As variveis explicativas (2 , 3 ,4 , , ) so variveis no aleatrias.

[H5]:Na amostra, de dimenso n > K, so linearmente independentes as variveis explicativas
e o termo independente, se includo.
OBS: Esta hiptese postula, em primeiro lugar, que n > k, ou seja, que a dimenso da amostra
superior ao nmero de coeficientes de regresso. O nmero de parmetros desconhecidos
do modelo k + 1 (os coeficientes de regresso e a varincia do termos de perturbao). Se o
nmero de observaes fosse igual a k, ou menor, no seria possvel estimar k + 1 coeficientes
desconhecidos.
Em segundo, as variveis explicativas no podem ser linearmente dependentes entre si.
Teorema de Gauss-Markov: verificadas as hipteses clssicas do modelo de regresso linear,
os estimadores de mnimos quadrados ou OLS so estimadores de varincia mnima, na classe
de estimadores cntricos e lineares em Y, isto , BLUE (Best Linear UnbiasedEstimators).
[H6]: As perturbaes seguem uma distribuio normal:
~ N(0, )
Com a considerao da hiptese 6, possvel afirmar que os estimadores de mnimos
quadrados ou OLS tm varincia mnima na classe dos estimadores de cntricos (corolrio do
teorema de Gaus Markov). Isto , so BUE (BestUnbiasedEstimators).
(coeficiente de determinao):significa que x% da variaoamostral de Y em torno da sua
mdia explicada pelo modelo de regresso linear. Isto , x% da variao amostral de Y
explicada por variaes ocorridas em 2 , 3 ,4 , , (variveis explicativas).
1

OBS: O 2 s tem sentido num modelo com termo independente, e mais prximo de 1 melhor.
Tratando-se de ajustamentos envolvendo distintas variveis dependentes, os coeficientes de
determinao no so, na sua totalidade, diretamente comparveis entre si.

(coeficiente de determinao corrigido): no de possvel interpretao. Vai ter como

intervalo:
1

Matrizes
11 de fevereiro de 2010 - Grupo III alnea d e e
14 de Janeiro de 2014 grupo b e c
27 de janeiro de 2010 Grupo III
As matrizes so:
Modelo com termo independente

Modelo sem termo independente

= 1 + 2 2 +3 3 +4 4 + + +

= 2 2 +3 3 + 4 4 ++ +

1
2

Y= 3
4

[ ]

1
2

Y= 3
4

[ ]

1
2

= 3
4

[ ]

2
3
= 4

[ ]
1
2
3
u=
4

[ ]

1
2
3
u=
4

[ ]
1 21
1 22
1 23
X=
1 24

[1 2

31
32
33
34

41
42
43
44

1
2
3
4

21
22

X = 23
24

[2

31
32
33
34

41
42
43
44

1
2
3
4

XX =

2
3
4

2
2
2
3 2
4 2

3
2 3
2
3
4 3

4
2 4
3 4
2
4
4

2
3
4

2
]

2
2
3 2
XX = 4 2

[ 2

2 2
3 3
XY =
4 4

[ ]

2 3
2
3
4 3

2 4
3 4
2
4
4

2
3
4

2 2
3 3
XY = 4 4

[ ]

= ( ) XY

Daqui podemos concluir

( ) = ( )( )1 XY
= XY
( )
) = ( )
Var (
Ou ainda,
) =
Var (
Onde designa o elemento apropriado da matriz ( )1
1 ;
2 ) Cov (
1 ;
3 )
Var (
Cov (
1)
1 ;
2 )
2 ;
3 )
Cov (
Var (
Cov (
2)
) =
Var (
1 ;
3 ) Cov (
2 ;
3 )
Cov (
Var (
3)

1 ;
) Cov (
2 ;
) Cov (
3 ;
)
[Cov (

1 ;
)
Cov (
2 ;
)
Cov (
3 ;
)
Cov (

Var (
) ]

1 +
2
3

=
2 +
3 + +
(daqui podemos calcular os betas estimados, a mdia da varivel explicada e explicativas)

Captulo II
O p-value o menor nvel de significncia que conduz rejeio de H0, para uma dada
amostra, assim sendo:
p-value : no se rejeita H0;
3

p-value<: rejeita-se H0;

Teste de Significncia Individual

Sendo o modelo
(indicar o modelo em causa)
O par de hipteses em teste :
0 : = z
1 : z
Sob 0 demonstra-se que:
Est. Teste =>

~ t(n-k)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio T, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que no pertence ao intervalo de rejeio, no rejeitmos 0 .
Assim sendo, para o dado nvel de significncia definida e de acordo com a informao
estatstica disponvel, podemos concluir que a varivel explicativa , mantendo tudo resto
constante.
1 possibilidade: Sendo que pertence ao intervalo de rejeio, rejeitmos 0 . Assim
sendo, para o dado nvel de significncia definida e de acordo com a informao estatstica
disponvel, podemos concluir que a varivel explicativa , mantendo tudo resto constante.
Nota bem: Para um teste bilateral, temos que fazer 2. Quando se trata de um teste
unilateral (esquerda como direita), basta usar .
A regio critica ser:
RC: ]-; - [ ] ; +[, se H1 for *;
RC: ]-; [, se H1 for < *;
RC: ] ; +[, se H1 for > *;

Teste de Combinao Linear

Sendo o modelo
(indicar o modelo em causa)
O par de hipteses em teste :
0 : + = z
1 : + z
Sob 0 demonstra-se que:
Est. Teste =>

(
+ )

~ t(n-k)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio T, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que no pertence ao intervalo de rejeio, no rejeitmos 0 .
Assim sendo, para o dado nvel de significncia definida e de acordo com a informao
estatstica disponvel, podemos concluir que a varivel explicativa
1 possibilidade: Sendo que pertence ao intervalo de rejeio, rejeitmos 0 . Assim
sendo, para o dado nvel de significncia definida e de acordo com a informao estatstica
disponvel, podemos concluir que a varivel explicativa
Nota bem: Para um teste bilateral, temos que fazer 2. Quando se trata de um teste
unilateral (esquerda como direita), basta usar .
Nota bem:
Var(aX + bY) = 2 * Var(X) + 2 * Var(y) + 2abCov(X;Y)
Var(aX - bY) = 2 * Var(X) + 2 * Var(y) - 2abCov(X;Y)
(temos que ter sempre uma matriz de varincias e co-varincias)

OBS:No modelo de regresso linear simples, temos uma relao especial entre o teste de
significncia individual de 2 e o teste de significncia global. Isto :
( ) =
( ) =

Teste de Significncia Global de Regresso

Sendo o modelo
= 1 + 2 2 +3 3 + + +
O par de hipteses em teste :
0 : 2 = 3 = = = 0 (os coeficiente com variveis explicativas)
1 : 0, j = 2,3,
Sob 0 demonstra-se que:

Est.

2
1
Teste => 1 2

~ F (k-1, n-k)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio F, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que > , rejeitmos 0 . Assim sendo, para o dado nvel de
significncia definida e de acordo com a informao estatstica disponvel, podemos concluir
que h evidncias de que a regresso globalmente significativa para explicar Y.
2 possibilidade: Sendo que < , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que h evidncias de que a regresso no seja globalmente significativa para explicar
Y.
OBS:No modelo de regresso linear simples, temos uma relao especial entre o teste de
significncia individual de 2 e o teste de significncia global. Isto :
( ) =
( ) =
Teste de Melhoria de Ajustamento
Sendo o modelo I
(indicar o modelo em causa)
Sendo o modelo II
(indicar o modelo com as variveis adicionais)
O par de hipteses em teste :
0 : 1 = 2 = = = 0 (os coeficiente das variveis adicionais)
6

1 : 0, j = 1, , 3
Sob 0 demonstra-se que:

Est.

2
2

Teste =>
1 2

(+)

~ F (r, n-k-r)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio F, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que > , rejeitmos 0 . Assim sendo, para o dado nvel de
significncia definida e de acordo com a informao estatstica disponvel, podemos concluir
pela significncia da melhoria do ajustamento pela introduo das r variveis, ou seja, pode-se
concluir que o ajustamento II significativamente melhor do que o ajustamento I.
2 possibilidade: Sendo que > , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir pela no significncia da melhoria do ajustamento pela introduo das r variveis, ou
seja, pode-se concluir que o ajustamento II no significativamente melhor do que o
ajustamento I.
Intervalo de Previso para Y
Sem matrizes

Com matrizes

Sendo o modelo

Sendo o modelo

(indicar o modelo em causa)

c
[ +
=

(indicar o modelo em causa)

)
(

+(

)]

= [1 20 30 0 ]
(a matriz de dos Xs que temos que substituir para
)
determinar o

Ou
c
[ +
=

+(

)
(

( )

Sendo:

)]

: usando o modelo em questo, s calcular

= [1 20 30 0 ]

substituindo as variveis explicativas;

c: consultar a tabela em questo para determinar o Vamos ter:
valor crtico (n-k);
: indicado no output do eviews como S.E.

c
[ + ( ) )]
=
ofRegression;
: a varivel dependente em questo;
c
[ + ( ) )]
= [1 20 30 0 ]
: para determinarmos a mdia da varivel explicvel

usamos o mean dependente var;

7

 : para calcularmos este valor,

ou ( )
vamos usar a frmula de 2 (est no formulrio)
Var (2 ) =

ou Var (2 ) =

( )

1 possibilidade: Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor

pertence ao nesse intervalo de preciso. Assim sendo, para o dado nvel de confiana definido
e de acordo com a informao estatstica disponvel, podemos concluir que essa informao
no compatvel com o nosso modelo de estudo/tendncia.
2 possibilidade:Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor
no pertence ao nesse intervalo de preciso. Assim sendo, para o dado nvel de confiana
definido e de acordo com a informao estatstica disponvel, podemos concluir que essa
informao no compatvel com o nosso modelo de estudo/tendncia.
OBS: tudo que esteja dentro da raiz o raio lembrar que amplitude o dobro do raio.
Intervalo de Previso para
Sendo o modelo
(indicar o modelo em causa)

= c
(
)
1 possibilidade: Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor
indicado no enunciado no est includo nesse intervalo. Assim sendo, para o dado nvel de
confiana definido e de acordo com a informao estatstica disponvel, podemos concluir que
essa informao no compatvel
2 possibilidade: Utilizando o intervalo de confiana de [;], para x nvel de confiana, o valor
indicado no enunciado est includo nesse intervalo. Assim sendo, para o dado nvel de
confiana definido e de acordo com a informao estatstica disponvel, podemos concluir que
essa informao compatvel.
Captulo III
Interpretao
8 de Setembro de 2009 - Grupo III
17 de fevereiro de 2009 Grupo I e III
27 de janeiro de 2009 Grupo I
7 de Setembro de 2010 Grupo II e III
11 de Fevereiro de 2010 Grupo II
8 de Fevereiro de 2011 Grupo III
5 de Setembro de 20122 Grupo II
17 de janeiro de 2012 Grupo III
8

7 de fevereiro de 2013 Grupo III

Modelo

Linear

Polinomial

Logaritmo

Especificao
Original

Como aparece (j
linearizado)

=1 +2 2 +

= 1 + 2 2 +3 3 2 +4 4 3 + +
1 +

=1 +2 +
(restrio que X > 0)

Interpretao dos
coeficientes

:que corresponde a E (Y | X
= 0), isto , estima-se que o
valor mdio de Y quando as
variveis explicativas so zero.
: estima-se que quando X

variar uma unidade, Y variar

2 unidades, ceteris paribus.

Declive

Elasticidade ( )

:que corresponde a E (Y |

2 = 3 2 = 4 3 = 1 =
0), isto , estima-se que o
valor mdio de Y quando as
variveis explicativas so zero.
: o aumento de uma

unidade de X induzir um

aumento de
em Y, ceteris

paribus.

:que corresponde a E (Y | X

= 1), isto , estima-se que o

valor mdio de Y quando X
igual unidade.
: estima-se que perante,

um acrscimo de X em 1%, Y

Hiperblic
o

=1 +2 +

(restrio de X 0)

cresce aproximadamente 2
100
unidades, ceteris paribus.
:que corresponde ao limite

para que tende o valor

esperado de Y, quando X
tende para infinito (por mais
elevado que fosse X)
assmptota da curva.

- 2 2

-2

2 Y

2 X

- :

- : o valor de X para o qual

Ln = 1 + 2 2 +
Exponenci
al

= 1 + 2 2

(admite-se a
restrio Y > 0)

nulo o valor esperado de Y.

:que corresponde a E(Ln Y

| X = 0), o valor mdio

estimado de Ln quando a
varivel X assume o valor 0.

OU

:estima-se que quando X

seja igual a 0, que Y seja de

.
: estima-se que perante,

um acrscimo de X em uma
unidade,
Y
cresce
2 * 100%.
aproximadamente
( 1) * 100%: quando X
varia em uma unidade, Y varia
( 1) * 100%.

Ln = Ln 1 + 2 Ln
+
(Admite-se aqui as
restries: Y, X e 1 >
0)
Potncia

=1 2

Ou ainda, podemos
ter:

Ln = 1 * + 2 Ln +

Exponenci
al-Inverso

1 +

2
2

Ln = 1 + 2 +

OBS: No caso de X
representar um perodo de

tempo,

*
100%
corresponde taxa de
instantnea/contnua anual
de crescimento de
Y no
perodo considerado.
J ( 1) * 100% ao ano
corresponde taxa discreta
de crescimento de Y no
perodo considerado.
( *): corresponde E (Ln Y

| X = 1), ou seja, a estimativa

do valor mdio do logaritmo
de Y quando X corresponde a
uma unidade.
Ou
: estima-se que quando X
seja de um unidade, que Y seja

de .

: corresponde a , isto ,

elasticidade de Y em ordem
a X. Isto , um variao de X
em 1%, induzir uma variao
2 %, ceteris paribus.
de
(a variao relativa de Y e a
variao relativa de X
constante)
:

corresponde
a
( ) = , isto , o

-2 2

-2
10

(admite-se que 2 <

0, Y > 0 e X 0)

valor medio de Ln Y estabiliza

no valor assimpttico 1 ; Ln Y
tende
para
o
valor
assimpttico 1 .

: o valor esperado para

qual tende assimptoticamente
Y quando X aumenta.

- um ponto de inflexo,
isto , at ao valor X igual a
, Y cresce a taxas crescentes

e, a partir desse valor cresce a

taxas decrescentes.

Modelos de tendncia
Sazonalidade
Sendo o modelo
Modelo I: modelo original
Modelo II: modelo original + as dummys sazonais
O par de hipteses em teste :
0 : 1 = 2 = = = 0 (os coeficiente das dummys)
1 : 0, j = 1, , 3
Sob 0 demonstra-se que:

Est.

2
2

Teste =>
1 2

(+)

~ F (r, n-k-r)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio F, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que > , rejeitmos 0 . Assim sendo, para o dado nvel de
significncia definida e de acordo com a informao estatstica disponvel, podemos concluir
que h evidncias de sazonalidade.

11

2 possibilidade: Sendo que < , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de sazonalidade.

Testes de Estrutura
Os testes de estrutura que estudamos so: teste de Chow e o teste de Gujarati. Ambos
conduzem mesma concluso, mesma estatstica observada e valor crtico.
1-Teste de Chow
Sendo os modelos
(identificar os dois modelos)
O par de hipteses em teste :
0 : 1 = 1 2 = 2 =
1 :1 1 2 2
Sob 0 demonstra-se que:
Est. Teste =>

( 1 1 + 2 2 )

1 1 + 2 2
1 + 2 2

~ F (k, 1 + 2 2)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio F, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que > , rejeitmos 0 . Assim sendo, para o dado nvel de
significncia definida e de acordo com a informao estatstica disponvel, podemos concluir
que h evidncias de que ter havido quebra de estrutura.
2 possibilidade: Sendo que < , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de que no ter havido quebra de estrutura.
OBS:
Sum Square Resid = ee =
2 - Teste de Gujarati
Sendo o modelo

12

(indicar o modelo em causa)

Temos que estimar o seguinte modelo:
= 1 + 2 + + + 1 + 2 + + + , em que

O par de hipteses em teste :

0 : 1 = 2 = = = 0
1 : 0, j = 1, , 3
Sob 0 demonstra-se que:

Est.

2
2

Teste => 2
1
(+)

~ F (r, n-k-r)

No caso, o valor amostral da estatstica :

=
Consultando a tabela da distribuio F, para i graus de liberdade, para um nvel de significncia
de 5%, temos que = .
1 possibilidade: Sendo que > , rejeitmos 0 . Assim sendo, para o dado nvel de
significncia definida e de acordo com a informao estatstica disponvel, podemos concluir
que h evidncias de que ter havido quebra de estrutura.
2 possibilidade: Sendo que < , no rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de que no ter havido quebra de estrutura.

Captulo IV
Estimadores GLS
Sob as hipteses definidas para o modelo de regresso generalizado (pgina 240), os
estimadores GLS tm as seguintes caractersticas:
- so lineares em Y;
- so estimadores cntricos e consistentes;
- (ver frmula de varincia no formulrio)
- so os estimadores de varincia na classe dos estimadores lineares e cntricos. Esta
caracterstica resulta do teorema de Aitken: sob [H0] [H5], com [H2] e [H3], sendo (ou V)
uma matriz conhecida, simtrica e definida positiva, os estimadores GLS so os de varincia
mnima na classe dos estimadores lineares em Y e cntricos.
13

Como desconhecida, ser preciso estim-la. Assim sendo, vamos usar os estimadores EGLS.
Captulo V
Heteroscedasticidade
A varincia do termo de perturbao aleatria, dadas as variveis explicativas, no
constante.
Uma vez detetada a presena de autocorrelao e/ou heteroscedasticidade no modelo
original, os estimadores de OLS continuam a ser cntricos, geralmente consistentes, no
entanto deixam de ser eficientes. Por isso, a inferncia estatstica deixa de ser vlida, isto , os
testes de significncia individual e testes de significncia global. Ou seja, subavaliamos as
verdadeiras varincias, e portanto, a sobrevalorizao das estatsticas T (em valor absoluto) e
F.
Deteo informal
O incremento da varivel X (explicativa ou independente) acompanhado por uma disperso
dos pontos. Isso implica que a varincia do termo aleatrio ser tanto maior quanto maiores
forem os valores da varivel explicativa X.

O incremento da varivel X (explicativa ou independente) acompanhado por uma disperso

dos pontos. Isso implica que a varincia do termo aleatrio ser tanto menor quanto maiores
forem os valores da varivel explicativa X.

OBS: S.E ofregressioncorresponde ao desvio-padro dos termos de perturbao ( ). Sendo a

varivel dependente da funo desta varivel, representa igualmente o desvio-padro do
Modelo Linear.

Teste de White
14

Sendo o modelo
(indicar o modelo em causa)
A regresso auxiliar :
2 =0 + 1 + 2 2 + 3 ( ) +4 + 5 2 + , em que uma
perturbao aleatria que segue as hipteses clssicas:
E( ) = 0;
Var( ) = 2 i;
Cov( ; ) = 0;
O par de hipteses em teste :
0 : 1 = 2 = 3 = 0
1 : 0, i = 1, , r
Sob 0 demonstra-se que:
Est. Teste => n * 2 ~ 2 (r)

No caso, o valor amostral da estatstica :

2 =
Consultando a tabela da distribuio 2 , para i graus de liberdade, para um nvel de
significncia de 5%, temos que 2 = .
1 possibilidade: Sendo que 2 > 2 , rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que h evidncias de heteroscedasticidade.
2 possibilidade: Sendo que 2 < 2 , no rejeitmos 0 . Assim sendo, para o dado
nvel de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de heteroscedasticidade.
Notas importantes:
- No e-views temos a estatstica teste como Obs*R-squared e o p-value Prob. Chi-Square.

Teste de Breush-Pagan
Sendo o modelo
(indicar o modelo em causa)
A regresso auxiliar :
15

2 = o que nos dado +

O par de hipteses em teste :
0 : 1 = 2 = 3 = 0
1 : 0, i = 1, , r
Sob 0 demonstra-se que:
1
2
2

Est. Teste =>

* SQE~ 2 (p)

No caso, o valor amostral da estatstica :

2 =
Consultando a tabela da distribuio 2 , para i graus de liberdade, para um nvel de
significncia de 5%, temos que 2 = .
1 possibilidade: Sendo que 2 > 2 , rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que h evidncias de heteroscedasticidade.
2 possibilidade: Sendo que 2 < 2 , no rejeitmos 0 . Assim sendo, para o dado
nvel de significncia definida e de acordo com a informao estatstica disponvel, podemos
concluir que no h evidncias de heteroscedasticidade.
OBS: Assume-se, neste caso, que a varincia das perturbaes uma funo no especificada
de uma combinao linear de p variveis, isto : 2 = f(0 + 1 + + ). As variveis 1 ,
2 ,, podem ou no ser variveis explicativas includas em X.
Notas importantes:
-A estatstica teste indicada como ScaledExplained SS e ainda temos Prob. Chi-Square.
- SQE (Soma de Quadrado Explicada)da equao auxiliar de BP calculada usando as
seguintes frmulas:

2 = +
Ou
SQE = 2 * SQT = 2 * (SQE + SQR)
do modelo original do pode ser calculado usando:
-
= (. ) = ( ) =

(
) = ()

16

(. ) ()
)

= (

OBS: Os testes de White e de Breusch-Pagan so testes que tm validade assimpttica, e

conduzem, no limite, a uma concluso idntica sobre a existncia ou no da
heteroscedasticidade. No entanto, pode acontecer que em amostras de dimenso finita, que
levem a concluses contraditrias.
OBS: O Teorema de Gauss-Markov, que afirma que os estimadores de MQO ou OLS so os
melhores estimadores lineares no enviesados (BLUE). No entanto, a presena da
heterocedasticidade, esses estimadores no so mais BLUE e nem eficientes.

Correco da Heteroscedasticidade
Quando conhecido (padro de heteroscedasticidade)
Para corrigir o modelo original dividimos o modelo original por e obtemos o modelo
transformado, isto :
= 1 + 2 2 + + + (modelo original)

2 2

++

* = 1 1* + 2 2 * + + * + (modelo transformado)
Em que,

*=

1 *=

*=

A perturbao do modelo transformado satisfaz todas as hipteses clssicas H1, H2 e H3:

E( ) = E(
Var( ) = Var(

)=

Cov ( ; ) = E( ) = E(

)=

( )

E( ) = 0
1

Var( ) = 2 = 2 i

)=

= E( ) = 0 i, j, i j

OBS:Outro ponto a destacar que o modelo transformado tem um estrutura ligeiramente

diferente porque no tem termo independente e 1 surge como coeficiente de uma nova
varivel explicativa, que simplesmente o inverso de .
As estimativas dos coeficientes do modelo transformado sero exatamente iguais estimao
do modelo original por GLS.
Quando desconhecido (padro de heteroscedasticidade)
17

White props uma estimao da matriz Var (), em que temos:

Var
( ) = ( )1 S ( )1 em que S seria:

S = X

Este estimador consistente em presena de heteroscedasticidade, para recalcular as

estimativas dos desvios-padro dos estimadores. Assim repe-se validade das inferncias
estatsticas.
OBS: As estimativas dos coeficientes desta propostas sero exatamente iguais ao modelo
inicial.
Captulo VI
Autocorrelao
Havendo autocorrelao, os estimadores OLS so cntricos e consistentes, mas no so os de
varincia mnima entre os estimadores lineares e cntricos. Isto , deixam de ser eficientes.
Por isso, a inferncia estatstica deixa de ser vlida, isto , os testes de significncia individual e
testes de significncia global. Ou seja, subavaliamos as verdadeiras varincias, e portanto, a
sobrevalorizao das estatsticas T (em valor absoluto) e F.
Autocorrelao positiva (o mais comum em economia): a um valor positivo de num
perodo segue uma infinidade de valores tambm positivos subsequentes; um valor negativo
de , por sua vez, iniciaria uma sequncia de valores todos negativos.
Autocorrelao negativa: h uma alternncia de sinais entre os resduos.
OBS: o Teorema de Gauss-Markov, que afirma que os estimadores de MQO ou OLS so os
melhores estimadores lineares no enviesados (BLUE). No entanto, a presena de
autocorrelao, esses estimadores no so mais BLUE e nem eficientes.
Teste de Breusch-Godfrey
Sendo o modelo
(indicar o modelo em causa)
Partimos do pressuposto que as perturbaes seguem um processo de auto-regressivo de
ordem p, isto :
AR(p): =1 1 +2 2 + +
Em que,
- 1 < <1;
- rudo branco e satisfaz as hipteses clssicas:
18

E ( ) = 0;
Var ( ) = 2 t;
Cov ( ; ) = 0 t s;
A regresso auxiliar :
= modelo original + 1 1 + 2 2 + +
O par de hipteses em teste :
0 : 1 = 2 = = = 0
1 : 0, i = 1, , r
Sob 0 demonstra-se que:
Est. Teste => n * 2 ~ 2 (p)

No caso, o valor amostral da estatstica :

2 =
Consultando a tabela da distribuio 2 , para i graus de liberdade, para um nvel de
significncia de 5%, temos que 2 = .
1 possibilidade: Sendo que 2 > 2 , rejeitmos 0 . Assim sendo, para o dado nvel
de significncia definida e de acordo com a informao estatstica disponvel, o testedetecta
Auto correlao do tipo AR(p).
2 possibilidade: Sendo que 2 < 2 , no rejeitmos 0 . Assim sendo, para o dado
nvel de significncia definida e de acordo com a informao estatstica disponvel, o teste no
detecta Auto correlao do tipo AR(p).
No e-views temos a estatstica teste como Obs*R-squared e o p-value Prob. Chi-Square.
Vantagens do teste de Breusch-Godfrey
- Permite testar hipteses em que a eventual autocorrelao seja gerada por um processo
autorregressivo mais complexo do que AR(1).
Desvantagens do teste de Breusch-Godfrey
- Tem validade apenas assimpttica amostras de grande dimenso.
OBS: Definimos um de acordo com a periodicidade dos dados:
- anuais: 1 ou 2;
- trimestrais: 4;
- mensais: 12;
Teste de Durbin-Watson
Sendo o modelo
(indicar o modelo em causa)
19

Partimos do pressuposto que as perturbaes seguem um processo de auto-regressivo de

ordem 1, isto :
AR(1): = 1 1 +
Em que,
- 1 < < 1;
- rudo branco, e obedece as seguintes caractersticas:
E ( ) = 0;
Var ( ) = 2 i;
Cov ( ; ) = 0 t s;
Se 0 < Durbin-Wat< 2
Se 2 < Durbin-Wat< 4
Uma vez que o valor para a estatstica d , um valor Uma vez que o valor para a estatstica d , um valor
compreendido entre 0 e 2, o par de hipteses em teste :
compreendido entre 0 e 2, o par de hipteses em teste :
0 : = 0
1 : > 0

0 : = 0
1 : < 0

Consultando a tabela de Durbin Watson, para o nvel de Consultando a tabela de Durbin Watson, para o nvel de
significncia de %, para n =, e k = k -1 =, obtm-se os significncia de %, para n =, e k = k -1 =, obtm-se os
valores:
valores:
dl =
du=

dl =
du =

1 possibilidade: Sendo que, rejeita-se a hiptese nula, 1 possibilidade: Sendo que, rejeita-se a hiptese nula,
concluindo para um nvel de significncia de %, pela concluindo para um nvel de significncia de %, pela
existncia de autocorrelao positiva do tipo AR(1).
existnciadeautocorrelao negativa do tipo AR(1).
2 possibilidade: Sendo que, no se rejeita a hiptese nula, 2 possibilidade: Sendo que, no se rejeita a hiptese nula,
concluindo para um nvel de significncia de %, pela no concluindo para um nvel de significncia de %, pela no
existncia de autocorrelao do tipo AR(1).
existncia de autocorrelao do tipo AR(1).

Nota importante: Para se proceder o teste de Durbin-Watson necessrio que:

- o modelo tenha termo independente;
- no haja quebra dos dados;

20

- as variveis explicativas podem ser consideradas no aleatrias pressupondo a habitual

hiptese [H4];
Desvantagens do teste de Durbin-Watson
1- Possvel inconclusividade do teste;
2- Supe-se que o modelo foi ajustado com termo independente;
3- Pode falhar quando estivermos perante uma autocorrelao que no seja de primeira
ordem;
4- Pressupe-se que as variveis explicativas so no aleatrias;
5- Pressupe-se que a amostra deve consistir de observaes respeitantes a perodos
consecutivos, se, quebras.
Vantagens do teste de Durbin-Watson
1- Simplicidade do clculo;
2- Funciona bem como detector de autocorrelao mesmo em situaes para os quais
no foi originalmente projectado.
Mtodos de estimao sendo conhecido a matriz () conhecida
Mtodo das diferenas generalizadas de 1 ordem
Sendo que:
= 1 + , t
E tendo:
= 1 + 2 2 +3 3 + + +
E ainda:
1 = 1 + 2 2,1 + 3 3,1 + + ,1 + 1
Vamos ter:

-1 = 1 - 1 + 2 2 - 2 2,1 +3 3 -3 3,1 + + - ,1 + - 1
Ou
- 1 = 1 (1 - ) + 2 (2 - 2,1 ) + 3 (3 - 3,1 ) + + ( -,1) + -1
Ou
=1 + 1 (1 - ) + 2 (2 - 2,1) + 3 (3 - 3,1 ) + + ( -,1 ) + -1
(excepto pelo termo constante, tem os mesmos coeficientes de regresso do modelo original)
21

 * = 1 * + 2 2 * +3 3 *+ + * +
A primeira observao ser recupervel fazendo:
* =1 1 2
E ainda temos:
1 * = 1 (1 - )
1 * =1 1 2
1 =

1
(1 )

( )

As matrizes sero:
1 1 2
Y* = 2 1

[ 1 ]
1 2
X* = 1

[ 1

21 1 2
22 21

2 2,1

1 1 2

2 1

,1 ]

1 1 2
u* = 2 1

[ 1 ]
Nota Importante: A estimao por GLS equivalente estimao por OLS do modelo original
depois de transformado pelo mtodo das diferenas generalizadas de 1 ordem. Assim sendo,
esses estimadores tornam-se BLUE, pois o vector u* obedece as hipteses clssicas.
Mtodos de estimao sendo desconhecido o coeficiente
Mtodo de Cochrane-Orcutt

Mtodo de Mnimos Quadrados no Lineares

ou NLS

Mtodo de Durbin em dois passos

O mtodo de Cochrane-Orcutt Neste mtodo pretende-se minimizar a soma 1 passo: Transforma-se o modelo
apresentado em dois passos:
dos quadrados dos resduos:
original pelo mtodo das diferenas
generalizadas
de
1
ordem,
1 passo: Uma vez estimado o
escrevendo o modelo transformado
modelo original, obtemos a srie
da seguinte forma:
22


dos respectivos resduos de
( )2
estimao. E determina-se uma
=1
estimativas de , a partir da
estimao por OLS do seguinte
modelo
sem
termo
de Em que
independente:
=1 (1 -) + 2 (2, - 2,1 ) + + (, ,1 ) + 1
= 1 +
em que uma perturbao
Este problema de minimizao d origem a
aleatria.
2 passo: Utiliza-se a estimativa de um sistema no linear de (k + 1) equaes em
, obtida no 1 passo, para que as estimativas de 1 , 2 , , e , que
construir
as
variveis no tem soluo analtica.
Os programas informticos ultrapassam esse
transformadas.
problema
utilizando
algoritmos
de
1 = 1 (1 -)+ 2 (2, - optimizao numrica.
2,1 )+ + (, - ,1 )+
Admitindo que os termos de perturbao
- 1
seguem um processo AR(1), e a partir da
transformao do modelo original segundo o
Ou
mtodo das diferenas generalizadas de 1
*= 1 *+ 2 2 *+ + * + ordem, pode escrever-se:

- ^ 1

(exatamente igual ao 2 passo do

mtodo das diferenas
generalizadas)
em que, t = 2, 3,, n.

= 1 +1 (1 -)+ 2 2, 2 2,1 + + , - ,1 +
- 1
Ou
=1 +1 * + 2 2 +2 *2,1+
+ + * ,1 + - ^ 1
Estimando este modelo por OLS, a
estimativa do termo 1 d-nos a
estimativa de .
2 passo: Utiliza-se a estimativa de
para
construir
as
variveis
transformadas, obtendo o seguinte
modelo transformado:
1 = 1 (1 -)+ 2 (2, 2,1 )+ + (, - ,1 )+ 1

= 1 (1 - )+ 2 (2, - 2,1) + + (, ,1 ) + +

Ou

Ou

*= 1 * + 2 2 *+ + * + ^ 1

= 1 (1 - )+ 2 (2, - 2,1) + + (, ,1 ) + AR(1)+

(exatamente igual ao 2 passo do

mtodo das diferenas generalizadas)

E ainda,
em que, t = 2, 3,, n.
1 * = 1 (1 -)
1 =

1
)
(1

em que, t = 2, 3,, n.

(ver pgina 342 para ver os diferentes outputs E ainda,

do eviews)

Dica: Aparece sempre no Output em questo

Sntese: Este mtodo permite Convergenceachievedafter .
estimar o coeficiente de Auto
correlao ().
Notas:

1 * = 1 (1 -)
1 =

1
)
(1

OBS: Este modelo tem a vantagem da

simplicidade, no entanto pode-se
estimar um fora do intervalo
admissvel. Ainda podemos ter
situaes em que seja impossvel
estimar a regresso auxiliar. Assim, a
frequente nestes programas impor-se a regresso s exequvel se for n-1>2k.
No entanto, no 1 passo do restrio de estar contido no intervalo ]-1,
Mtodo
de
CochraneOrcutt, 1[, e garante ainda que as estimativas dos
estima-se por OLS uma prooxi do coeficientes das variveis obedecero No caso em que tenhamos t como
AR(1) atravs da regresso:
varivel
explicativa,
nunca
restrio = - .
conseguiremos usar este mtodo
Aqui admite-se que o termo de Neste mtodo, a contaste do modelo j
perturbao segue um processo corresponde estimativa de . Como nos
1
AR(1), ou seja:
restantes mtodos, as restantes estimativas
so dadas directamente.
= 1 1 +

23

 = 1 + , em que
uma perturbao aleatria.

No output do Eviews, o S.E ofRegression se porque temos a violao da hiptese

refere ao , isto , . Para determinarmos o 5, existindo uma relao de
dependncia entre colunas. Ou seja,
temos:
por haver colinearidade perfeita entre

duas variveis a matriz (XX) no

= (1 )

invertvel e logo no consigo estimar

( )
por OLS.

Procedimento de Newey-West
Uma vez detetada a presena de autocorrelao e/ou heteroscedasticidade no modelo
original, os estimadores de OLS continuam a ser cntricos, geralmente consistentes, no
entanto deixam de ser eficientes. Por isso, a inferncia estatstica deixa de ser vlida, isto , os
testes de significncia individual e testes de significncia global. Ou seja, subavaliamos as
verdadeiras varincias, e portanto, a sobrevalorizao das estatsticas T (em valor absoluto) e
F.

Com o procedimento do Newey West, temos um estimador de Var (

)que consistente em
presena de heteroscedasticidade e/ou autocorrelao que viabiliza assimptoticamente a
inferncia estatstica conduzida atravs de OLS.
As estimativas dos coeficientes so iguais aos obtidos por OLS mas com varincias e
covarincias dadas por

24