Beruflich Dokumente
Kultur Dokumente
Henrique Castro
hcastro@usp.br
2017
1 of 40
Lecture 5
Análise de regressão múltipla: pressupostos do
modelo e multicolinearidade
2 of 40
Introdução
Lecture 5: Valor esperado dos estimadores MQO
3 of 40
Pressuposto 1: linear nos parâmetros
Lecture 5: Valor esperado dos estimadores MQO
y = β0 + β1 x1 + β2 x2 + · · · + βk xk + u, (L5.1)
5 of 40
Pressuposto 3: ausência de
colinearidade perfeita
Lecture 5: Valor esperado dos estimadores MQO
• O erro u tem valor esperado igual a zero, dados quaisquer valores das
variáveis independentes:
E(u|x1 , x2 , . . . , xk ) = 0. (L5.2)
• Uma maneira de violar esta hipótese é ter a relação funcional entre a v.d.
e as v.i. mal-especificada. E.g.: esquecer de incluir inc 2 na função de
consumo cons = β0 + β1 inc + β2 inc 2 + u.
• Omitir fatores importantes que são correlacionados com alguma das
variáveis x1 , x2 , . . . , xk também viola o Pressuposto 4.
• Quando esse pressuposto se mantém, dizemos que temos variáveis
explicativas exógenas. Caso contrário, dizemos que temos variáveis
explicativas endógenas.
7 of 40
Atenção!
Lecture 5: Valor esperado dos estimadores MQO
8 of 40
Teorema 1: ausência de viés do MQO
Lecture 5: Valor esperado dos estimadores MQO
• Sob os Pressupostos 1 a 4,
E(β̂j ) = βj , j = 0, 1, . . . , k, (L5.3)
9 of 40
Teorema 1: prova
Lecture 5: Valor esperado dos estimadores MQO
10 of 40
Teorema 1: prova
Lecture 5: Valor esperado dos estimadores MQO
11 of 40
Teorema 1: prova
Lecture 5: Valor esperado dos estimadores MQO
12 of 40
Variáveis irrelevantes na regressão
Lecture 5: Valor esperado dos estimadores MQO
y = β0 + β1 x1 + β2 x2 + β3 x3 + u, (L5.8)
14 of 40
Variáveis irrelevantes na regressão
Lecture 5: Valor esperado dos estimadores MQO
• Agora vamos assumir que omitimos uma variável que faz parte do
modelo populacional.
• Já dissemos que isso causa viés nos estimadores MQO.
• Seja o seguinte modelo populacional verdadeiro:
y = β0 + β1 x1 + β2 x2 + u, (L5.10)
tal que ∼ é para enfatizar que β̃1 vem de um modelo mal especificado.
• Assumindo x̃2 = δ̃0 + δ̃1 x1 , e substituindo esse resultado em (L5.10),
temos:
17 of 40
Viés de variável omitida
Lecture 5: Valor esperado dos estimadores MQO
• Como δ̃1 depende apenas das v.i. amostrais, podemos tratá-lo como uma
constante ao calcularmos a esperança de β̃1 .
• Como o modelo satisfaz os Pressupostos 1 a 4, sabemos que β̂1 e β̂2 são
estimadores não enviesados de β1 e β2 . Assim:
19 of 40
Exemplo 1
Lecture 5: Valor esperado dos estimadores MQO
20 of 40
Viés de variável omitida: caso geral
Lecture 5: Valor esperado dos estimadores MQO
22 of 40
Pressuposto 5: homoscedasticidade
Lecture 5: Variância dos estimadores MQO
V(u|x1 , . . . , xk ) = σ 2 . (L5.17)
23 of 40
Teorema 2
Lecture 5: Variância dos estimadores MQO
σ2
V(β̂j ) = , (L5.18)
SSTj (1 − Rj2 )
Pn
para j = 1, 2, . . . , k, SSTj = i=1 (xij − x̄j )2 é a variação amostral total
em xj , e Rj2 é o R-quadrado da regressão de xj contra todas as outras
variáveis independentes, incluindo o intercepto.
• O tamanho da variância de β̂j tem muita importância. Uma variância
maior implica um estimador menos preciso, que se traduz em um maior
intervalo de confiança e testes de hipótese menos precisos.
24 of 40
Teorema 2: prova
Lecture 5: Variância dos estimadores MQO
26 of 40
Componentes: variância do erro
Lecture 5: Variância dos estimadores MQO
28 of 40
Componentes: relação linear entre v.i.
Lecture 5: Variância dos estimadores MQO
29 of 40
Componentes: relação linear entre v.i.
Lecture 5: Variância dos estimadores MQO
50
45
40
35
Variance of estimated βj
30
25
20
15
10
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9
R2j
30 of 40
Componentes: relação linear entre v.i.
Lecture 5: Variância dos estimadores MQO
Exemplo:
• Quando Rj2 = 0.9, isso significa que 90% da variabilidade de xj é
explicada pelas demais variáveis.
• Contudo, o efeito sobre V(β̂j ) depende ainda dos tamanhos de σ 2
e SSTj .
• Um valor pequeno de SSTj (como em amostras pequenas)
também inflaciona V(β̂j ).
32 of 40
Resolvendo o “problema”
Lecture 5: Variância dos estimadores MQO
33 of 40
Multicolinearidade afeta o que?
Lecture 5: Variância dos estimadores MQO
y = β0 + β1 x1 + β2 x2 + β3 x3 + u,
34 of 40
Medindo multicolinearidade
Lecture 5: Variância dos estimadores MQO
y = β0 + β1 x1 + β2 x2 + u.
39 of 40
BLUE
Lecture 5: Variância dos estimadores MQO
40 of 40