Econometria

Tpico 4 Regresso
Mltipla
Quebra dos pressupostos:
Heterocedasticidade

Ricardo Bruno N. dos Santos

Professor Adjunto da Faculdade de Economia
e do PPGE (Economia) UFPA

Lembre-se que os vdeos necessrios para

o acompanhamento dessa apresentao
so todos os vdeos que iniciam por 07, e
encontram-se dentro da pasta Vdeos no
mediafire.
Link do mediafire:
http://www.mediafire.com/?
q1dbpxh1b4uxo
No Slideshare:

Quebra dos pressupostos: Heterocedasticidade

Natureza
da Heterocedasticidade

A heterocedasticidade quebra uma das mais

relevantes e importantes hipteses do MRLC, tratase da homocedasticidade dos resduos onde:
A varincia condicional de aumenta a medida que
uma determinada varivel independente aumenta.
Ou seja, a varincia de no so as mesmas. Como a
varincia do resduo est condicionada a ento
existe a presena da heterocedasticidade, onde
Suponha que o seguinte modelo esteja sendo
analisado, onde , e Y seja a poupana e X a renda,
assim podemos verificar os dois seguintes grficos:

Quebra dos pressupostos: Heterocedasticidade

HOMOCEDASTICIDADE

Quebra dos pressupostos: Heterocedasticidade

HETEROCEDASTICIDADE

Quebra dos pressupostos: Heterocedasticidade

As seguintes
razes podem constituir-se como

elementos de variabilidade de , como:

1) Seguindo os modelos de erro-aprendizagem,
comportamentos incorretos das pessoas
diminuem com o tempo ou o nmero de erros
torna-se mais consistente. Neste caso, espera-se
que diminua. Como exemplo o autor cita a Figura
11.3, que relaciona o nmero de erros de
digitao cometidos em um dado perodo de
tempo em um teste com as horas de prtica de
digitao. Percebe-se que o erro de digitao
diminui a medida que temos mais prtica.

Quebra dos pressupostos: Heterocedasticidade

Quebra dos pressupostos: Heterocedasticidade

2) A medida
que a renda aumenta, as pessoas

tm mais renda discricionria e, portanto, mais

opes para escolher como aplicaro sua renda.
Por isso, provvel que aumente com a renda.
Assim, na regresso de poupanas contra a renda
provvel que se verifique que aumenta com a
renda, pois as pessoas tm maior opo sobre
como iro dispor de suas poupanas. Do mesmo
modo, em geral se espera que a empresas com
lucros maiores mostrem maior variabilidade em
suas polticas de dividendos que aquelas com
lucros mais baixos.

Quebra dos pressupostos: Heterocedasticidade

3) A medida
que as tcnicas de coleta de dados

aprimoram-se, provvel que diminua. Assim, os

bancos que tm equipamentos sofisticados de
processamento de dados provavelmente
cometem menos erros nos demonstrativos
peridicos de seus clientes do que bancos sem
esses recursos.
4) A hetero tambm ocorre com a presena de
dados discrepantes (outliers)

Quebra dos pressupostos: Heterocedasticidade

5) Violao da hiptese 9, onde o modelo de regresso
deve ser especificado corretamente.
6) A assimetria outra fonte de heterocedasticidade.
Renda e riqueza so variveis que geralmente so
desiguais, onde a maior parte da renda encontra-se na
menor parte da populao. Isso gera uma assimetria no
dado.
7) Transformao incorreta de dados. mais comum em
dados de corte transversal do que nas sries temporais. A
diferena que no primeiro temos um nvel de
desagregao maior da informao, ou seja, estamos
avaliando-a em vrios nveis (como os diferentes nveis de
renda municipal). J a srie temporal um dado mais
agregado, que no sofre grandes variaes.

Quebra dos pressupostos: Heterocedasticidade

Resduos da regresso de (a) percepes sobre

despesas com publicidade e (b) percepes sobre
despesas de publicidade e o quadrado de
despesas com publicidade.

Quebra dos pressupostos: Heterocedasticidade

Estimativa
dos MQO na presena da

Heterocedasticidade
A pergunta que se faz : o que acontece com o
MQO e suas varincias se introduzirmos a
heterocedasticidade fazendo , mas mantivermos
todas as demais hipteses do modelo clssico?
Vamos analisar o modelo com duas variveis:
Verificamos que:

Quebra dos pressupostos: Heterocedasticidade

Bem como a varincia do beta 2 estimado dada

por:

O que mantm o modelo aderente ao MELNT a

varincia constante , mas, o que acontece que
ela no for constante?
Para verificar isso temos que analisar os
resultados para dois aspectos um considerando a
tendenciosidade e outro considerando a
eficincia do modelo.

Quebra dos pressupostos:

Heterocedasticidade

O fato
de ser homocedstica ou heterocedstica
no influencia na tendenciosidade do estimador
(ver apndice 3A do captulo 3), onde , onde
mesmo na presena de heterocedasticidade, em
amostras grandes o estimador continua
consistente, e portanto, no tendencioso.
Porm a eficincia algo que no pode ser
mantido. Pois dada a presena de
heterocedasticidade ele deixa de apresentar a
varincia mnima, ou seja, ele deixa de ser
MELNT. Isso porque:
Aumenta conforme

Quebra dos pressupostos: Heterocedasticidade

O Mtodo
do Mnimos Quadrados Generalizados

(MQG)
Pelo fato de o estimador deixar de ser MELNT temos
que encontrar uma forma de tornar o estimador MELNT,
para tanto, utilizado o MQG. Basicamente tal mtodo
incorpora pesos ou importncias que ajudam a explicar
o comportamento da varincia, ou seja, considerar o
seu efeito na hora do clculo do estimador.
Considerando a frmula para o modelo simples:
Para facilitar o entendimento da operao algbrica
vamos inserir a varivel X0 que representa uma matriz
vetor de 1, assim

Quebra dos pressupostos: Heterocedasticidade

Seconhecermos as varincias poderemos

inseri-las na equao como um peso, ou seja:

Onde o sobrescrito com asteriscos nos

parmetros indicam os estimadores do modelo
transformado, para podermos distingui-los dos
parmetros do modelo do MQO.

Quebra dos pressupostos: Heterocedasticidade

O que vai chamar a ateno o erro

transformado, vamos verificar como ficam sua
varincia aps a transformao:

Ou seja, passamos a provar que a varincia do

modelo do MQG uma constante, ou seja, tornase homocedstico.
Conservando as hipteses do modelo clssico de
regresso linear, assim, se aplicarmos o MQO no
modelo transformado, ele ir gerar os MELNT.

Quebra dos pressupostos: Heterocedasticidade

Assim e so MELNT e no se tratam dos

estimadores de MQO e .
Podemos verificar, portanto, que o MQG so os
MQO nas variveis transformadas que satisfazem
as hipteses padro de Mnimos Quadrados.
Podemos, assim como realizado o procedimento
para MQO, encontrar o resduo mnimo para a
funo transformada, considerando, portanto:
Para obter o MQG temos que minimizar os
resduos, logo

Quebra dos pressupostos: Heterocedasticidade

Para o o estimador de MQG ser:

E a varincia ser:
Onde

Quebra dos pressupostos: Heterocedasticidade

Podemos
ento verificar que a diferena entre o MQO e
o MQG dada pela presena de um termo ponderado
visualizado pela soma ponderada dos quadrados dos
resduos , que tem um papel de peso, no entanto, os
resultados de ambos (MQO e MQG) chegam a mesma
concluso de que os resduos so homocedsticos.
A diferena entre o uso das duas situaes pode ser
observado no prximo diagrama de disperso. Nos
MQO, cada associado aos pontos A, B e C receber o
mesmo peso quando da SQR for minimizada. claro
que, nesse caso, a associada ao ponto C dominar a
SQR. J nos MQG, a observao extrema C receber um
peso relativamente menor que as outras duas
observaes.

Quebra dos pressupostos: Heterocedasticidade

Consequncias
de usar MQO na presena de

heterocedasticidade
A regra aqui verificar e responder o que acontece
quando os nossos estimadores no so eficientes.
Vamos para essa dinmica, continuar utilizando o
e a sua respectiva frmula da varincia (sabendo
da existncia da hetero), que considera a presena
da heterocedasticidade. O grande problema que
mesmo conhecendo a varincia no podemos
estabelecer um intervalo de confiana e muito
menos realizar os testes t e F, pois os intervalos de
confiana baseados na estimativa do so menores,
isso porque possvel mostrar que .

Quebra dos pressupostos: Heterocedasticidade

O grande
problema considerar a estimao por

MQO e desconsiderar a heterocedasticidade. Em

primeiro lugar, um estimador TENDENCIOSO da ,
isso porque na mdia ele sobrestima ou subestima a
varincia, e, em geral, no podemos dizer se o vis
positivo (sobreestimao) ou negativo
(subestimao), pelo fato de isso depender da
natureza da relao entre e os valores assumidos
pela varivel explanatria X, como observado pelo
termo do denominador da frmula da varincia.
O vis surge do fato de o valor de dado por , no
ser mais um estimador NO TENDENCIOSO deste
ltimo quando a heterocedasticidade est presente.

Quebra dos pressupostos: Heterocedasticidade

Caso persistamos
no uso dos procedimentos comuns de

teste apesar da hetero, quaisquer que sejam as

concluses a que chegamos ou as inferncias que
fizermos podero ser equivocadas.
Para termos um entendimento melhor do que ocorre,
vamos verificar um estudo de Monte Carlo conduzido por
Davidson e MacKinnon, eles consideram o seguinte
modelo simples, que em nossa notao :
Os autores pressupem que e e . Como mostra a ltima
expresso, os autores supem que a varincia de erro seja
heterocedstica e relacionada ao valor do regressor X com
poder . Se por exemplo, =1, a varincia do erro
proporcional ao valor de X, caso seja =2, a varincia do
resduo ser proporcional ao quadrado do valor de X e
assim por diante.

Quebra dos pressupostos: Heterocedasticidade

Baseado
em 20 mil rplicas e permitindo vrios
valores para , eles obtm erros padro dos dois
coeficientes de regresso usando os MQO (com ),
MQO permitindo a heterocedsticidade (onde ), e
o MQG ( com )
Os resultados foram obtidos por cada peso de .

Quebra dos pressupostos: Heterocedasticidade

Os autores observaram que sempre o MQO

sobrestima o MQG (ou seja, sempre suas
varincias sero maiores que o MQO), tanto para
o intercepto quanto para o coeficiente angular.
Com isso a concluso que e na presena da
heterocedasticidade so os MQG e no os MQO os
MELNT.

Quebra dos pressupostos: Heterocedasticidade

Deteco da Heterocedasticidade
Vamos observa alguns procedimentos prticos
que ajudam na deteco da heterocedasticidade.
Para dados socioeconmicos mais difcil a
deteco pois no temos controle da amostra,
dessa forma temos muitas vezes que fazer uso da
intuio, informaes preexistentes, experincia
emprica e muitas vezes mera especulao.
Tendo em vista esses pontos, vamos observar
alguns mtodos informais e formais para a
deteco da hetero.

Quebra dos pressupostos: Heterocedasticidade

Os mtodos informais: consistem basicamente

verificar o comportamento dos resduos ao
quadrado contra o valor estimado de Y . Algum
comportamento sistemtico entre essas duas
relaes pode nos ajudar a concluir pela
existncia da heterocedasticidade na regresso.
A seguir podemos observar algumas situaes
grficas que indicam a existncia ou no de um
comportamento sistemtico entre essas duas
variveis.

Quebra dos pressupostos: Heterocedasticidade

Quebra dos pressupostos: Heterocedasticidade

Esse comportamento pode ser observado

tambm entre os resduos e as variveis
independentes X. Caso o resduo ao quadrado
tiver alguma relao sistemtica com alguma
varivel independente, um indicativo forte da
presena de heterocedasticidade na regresso.

Quebra dos pressupostos: Heterocedasticidade

Quebra dos pressupostos: Heterocedasticidade

Mtodos
formais: Tratam-se dos testes para
verificao da existncia ou no da
heterocedasticidade. So testes que so
realizados com base nos resduos da regresso. A
grande maioria parte do pressuposto que na
regresso existe homocedasticidade, portanto, a
hiptese nula do teste consiste em:

Aqui ser abordado apenas 3 testes, a ideia

entender a dinmica de cada um deles.

Quebra dos pressupostos: Heterocedasticidade

Testede Glejser: Trata-se de um mtodo que procura
verificar a relao entre resduos e o comportamento da
varivel independente X. O teste consiste em duas
etapas, onde:
1 Estimar a regresso: Devemos primeiramente estimar
a nossa regresso de interesse em que supe-se ter a
presenta da hetero:

2 Etapa: Depois de estimada a regresso, pegamos o

resduo estimado na sua forma absoluta e usamos ele
como varivel dependente do modelo contra a varivel
independente do modelo anterior, no entanto, essa
varivel pode ser transformada conforme o
comportamento dos resduos, os modelos podem ser os
seguintes:

Quebra dos pressupostos: Heterocedasticidade

O grande problema nesse teste so os resduos

que podem ter comportamento heterocedstico
tambm.

Quebra dos pressupostos: Heterocedasticidade

As regresses
com o comportamento so mais

difceis de serem estimadas por serem modelos

de regresso no linear. O que inviabiliza sua
estimao por MQO.
O exemplo a seguir ir fazer uso das informaes
sobre remunerao e produtividade e ser
utilizados os dados da tabela 11.1.

Quebra dos pressupostos: Heterocedasticidade

Teste de Breusch-Pagan-Godfrey (BPG): um

dos testes de heterocedasticidade mais conhecidos
e utilizados. Para entende-lo necessria a
construo de cinco etapas que culminar numa
anlise da estatstica .
Para iniciar o teste vamos recorrer ao modelo de
regresso com k variveis.

Suponha que varincia do erro, , seja descrita como:

Ou seja, uma funo das variveis no
estocsticas Z; alguns ou todos os X podem servir
de Z. Suponha que

Quebra dos pressupostos: Heterocedasticidade

Onde passa a ser uma funo linear de Z. Caso , e

, que uma constante. Dessa forma, para testar
se homocedstico, podemos testar a hiptese
de que , esta a ideia bsica por trs do teste de
BPG.
Os procedimentos para a realizao do teste so
os seguintes:
1 Etapa: Estime por MQO e obtenha os resduos .
2 Etapa: Devemos obter o . Que o estimador de
mxima verossimilhana de . Essa frmula
diferente do estimador de MQO que .
3 Etapa: Construir as variveis que so definidas
como:

Quebra dos pressupostos: Heterocedasticidade

4 Etapa:
Faa a regresso construda sobre os Z

como

5 Etapa: Obtenha a SQE (Soma dos Quadrados

Explicada) e defina:
Pressupondo que os resduos se distribuem
normalmente, podemos demostrar que, se h
homocedasticidade e se o tamanho da amostra n
aumenta indefinidamente, ento:

Quebra dos pressupostos: Heterocedasticidade

Para prtica do teste BPG vamos utilizar os dados da

Tabela 11.3.
Teste GERAL de Heterocedasticidade de White:
o mais dinamizado dos testes, diante dos demais
testes j vistos o que possui menos problemas, isso
porque ele no necessita que o pressuposto de
normalidade seja atendido (conforme ocorre com o
teste BPG) e no possui nenhuma restrio quanto
aos resduos de sua regresso auxiliar tiver algum
problema de heterocedasticidade.
Tanto, que baseado no teste de White que so
feitas a maior parte das correes da hetero em
modelos de regresso linear.

Quebra dos pressupostos: Heterocedasticidade

O teste para ser visualizado necessita passar por quatro etapas,
sempre partindo do modelo de regresso onde:
1 Etapa: Estimar a regresso acima e encontrar os resduos
estimados .
2 Etapa: De porte dos resduos calculamos a seguinte
regresso auxiliar:
Em seguida ser obtido o R2 da regresso auxiliar.
3 Etapa: Sob a hiptese nula de que no h
heterocedasticidade, pode-se mostrar que o tamanho da
amostra (n) multiplicado pelo R2 da regresso auxiliar segue
uma distribuio qui-quadrado com graus de liberdade iguais ao
nmero de regressores (excluindo-se o intercepto constante)
na regresso auxiliar. Ou seja,

Quebra dos pressupostos: Heterocedasticidade

Com caso do modelo com trs variveis ir gerar na

regresso auxiliar outras trs variveis, com isso
teremos 5 graus de liberdade uma vez que (n-1) = (6-1)
4 Etapa: Comparamos o valor do Qui-quadrado
calculado com o valor tabelado, caso o calculado seja
maior que o tabelado, teremos ento a rejeio da
hiptese nula, ou seja, rejeio da homocedasticidade,
logo a conclui-se pela presena da heterocedasticidade.
Caso ele no seja significativo, estaremos concluindo
que
Ou seja, de que os resduos so homocedsticos.

Quebra dos pressupostos: Heterocedasticidade

Para ilustrar o exemplo do teste de White, ser feito o
exemplo conforme o exerccio 11.15 (pg. 349).
Fazendo uso da Tabela 11.7. Tambm iremos executar
os testes de heterocedasticidade de White e o BPG
pelo Gretl.
Qual o melhor teste? No se trata de uma deciso
fcil, uma vez que tais testes baseiam-se em vrios
pressupostos. Ao compararmos os testes, precisamos
prestar ateno ao seu tamanho (ou nvel de
significncia), potncia (a probabilidade de rejeitarmos
a hiptese falsa) e a sensibilidade a discrepncia
(Outliers). O teste de White por exemplo um teste
que tem baixa potncia contra outros testes. J o BPG
sensvel a presena da normalidade dos resduos.

Quebra dos pressupostos: Heterocedasticidade

Medidas
corretivas
Verificamos que a presena da hetero ir afetar a
eficincia de nossos estimadores. Podemos aplicar
medidas corretivas levando em conta dois aspectos,
quando conhecemos a varincia () e quando no a
conhecemos.
Conhecido: uso dos Mnimos Quadrados
Ponderados.
Quando aplicamos o MQP corrigimos a
heterocedasticidade, tornando os estimadores MELNT.
A melhor forma de verificar o procedimento (que j foi
utilizado em outra oportunidade) e verific-lo na
prtica. Para tanto, ser usado o exemplo da Tabela
11.1 conforme exemplo 11.7 da pgina 336.

Quebra dos pressupostos: Heterocedasticidade

Desonhecido

Quando o valor da varincia do erro

desconhecida possvel fazer uma correo
atravs de mudanas das matrizes de varincia e
covarincia (var-cov). O processo mais conhecido
a correo de White.
Mas antes interessante falar em como se da
essa correo, e mostrar no Gretl como essa
correo procede.
A correo de White na verdade ocorre com a
insero da matriz de pesos de White no clculo
da varincia do estimador, onde:

Quebra dos pressupostos: Heterocedasticidade

O termo
so os resduos da regresso auxiliar de

White, como antes verificado para o modelo de

trs variveis:

A forma matricial de se mostrar esse regressor :

Essa primeira matriz o termo do Gretl usado
para a correo de White.
Para o HC1 teremos uma correo na matriz de
White pelo grau de liberdade onde:

Quebra dos pressupostos: Heterocedasticidade

Para o
termo HC2 teremos ser feita uma
correo ortogonal cuja expectativa dos resduos
ser dada por:

O HC3 uma verso com a correo Jackknife,

onde na verdade h uma sobrecorreo dada por:

Quebra dos pressupostos: Heterocedasticidade

Vamos verificar o processo de correo de White

no Gretl utilizando o exemplo da Tabela 11.5
sobre dados de inovaes na Amrica Latina, que
encontra-se dentro do exemplo 11.10 da pgina
342.

Quebra dos pressupostos: Heterocedasticidade

Uma Advertncia: Segundo John Fox

S vale a pena corrigir varincias desiguais do
erro somente quando o problema for grave. O
impacto da varincia do erro no constante sobre
a eficincia do estimador de MQO e na validade
da eficincia dos MQO depende de vrios fatores,
inclusive do tamanho da amostra, do grau de
variao no , da configurao dos valores de X
[regressor ou variveis independentes] e da
relao entre a varincia dos erros e os X.
Portanto, no possvel chegar a concluses
gerais a respeito dos danos produzidos pela
heterocedsticidade.

FIM DO
TPICO 4