Teste de Homocedasticidade.

Transcrição

1 Teste de Homocedasticidade. Aula 4 Gujarati, 000, Capítulo Heij et al., Seção 5.4 Wooldridge, 0 Capítulo 8 (seções 8. a 8.4)

2 HETEROCEDASTICIDADE Essa aula objetiva responder às seguintes perguntas: Qual é a natureza da heterocedasticidade? O que acontece com as propriedades dos estimadores de MQO quando a suposição de homocedasticidade dos erros é violada? Como podemos testar se há ou não validade da suposição de homocedasticidade dos erros. Caso exista, como levar em conta (ou corrigir) corrigir a heterocedasticidade?

3 HETEROCEDASTICIDADE Leitura DETALHADA de Wooldridge (0, Seções 8. a 8.4) 3

4 O que é Heterocedasticidade? A suposição de homocedasticidade implica que, condicional às variáveis explicativas, a variância do erro é constante. Ou seja, i 3i ki i, i,,..., n Var ( x, x,..., x ) Var i A homocedasticidade não se verifica sempre que a variância dos fatores não observáveis muda ao longo de diferentes segmentos da população, nos quais os segmentos são determinados pelos diferentes valores das variáveis explicativas.

5 Exemplo f(y x)... E(yi x i ) = b + b x i x x x 3 x 5

6 Assim, do slide anterior, considerando mantidas as suposições,, 4, 5 e 6 (ou seja, a terceira suposição está sendo violada), teremos algo como, por exemplo 3 3 n n E Var ε ε' ε 6 O que é Heterocedasticidade?

7 CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO ˆ b ( MQO) tem posto completo sup.6 y b b E ˆ b ( MQO) sup :,6 E b sup : 5 sup : b E b ( ) sup:6 plim MQO ˆ b plim b sup:*,,5 b 7

8 CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO Note que a suposição de homocedasticidade (suposição 3) NÃO desempenha papel algum na demonstração de que o vetor de estimadores de mínimos quadrados ordinários do vetor de parâmetros do modelo de regressão linear múltipla é não viesado e consistente. 8

9 ) ( ) ( ) ( ' ' ' ' ˆ ˆ ˆ E E E E Var MQO MQO MQO b b b b b Todavia, CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO 9

10 CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO Aqui, percebemos que a expressão usual de cálculo da variância dos estimadores, quando a suposição de homocedasticidade é válida, dada por Var ˆ b ( MQO) E ˆ b ( MQO) b ˆ b ( MQO) b ' não se aplica mais. 0

11 CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO A partir das expressões dos slides 5 e 8, pode-se demonstrar que os estimadores das variâncias dos estimadores dos parâmetros do modelo de regressão linear múltipla são viesados, se não for válida a suposição de homocedasticidade, o que afeta o erro-padrão dos estimadores de mínimos quadrados;

12 CONSEQUÊNCIAS PARA OS ESTIMADORES DE MQO Isso significa que os intervalos de confiança e os testes t, F e LM são prejudicados; Também, é sabido que o Teorema de Gauss-Markov, que afirma que os estimadores de MQO são os melhores estimadores lineares não viesados (BLUE), vale-se de forma crucial da suposição de homocedasticidade. Assim, na presença da heterocedasticidade, os estimadores de MQO não são mais BLUE e nem assintoticamente eficientes.

13 Observações (a) A suposição de homocedasticidade é necessária para a determinação das distribuições das somas de quadrados e das estatísticas dos testes de hipóteses. (b) Todavia, quando os erros são heterocedásticos, os estimadores de MQO dão mais peso para os resíduos associados às observações com maior variância, já que a soma de quadrados dos resíduos (SSR) associados com os termos de maior variância tende a ser maior que aquela associada aos termos de menor variância.

14 Observações (c) A suposição de homocedasticidade entra fundamentalmente na derivação das distribuições das variáveis presentes nos testes. Logo, toda a análise neles baseada não é válida (a falha na suposição de homocedasticidade é mais grave que a falha na suposição de normalidade).

15 Considere H TESTES DE HOMOCEDASTICIDADE 0 i i 3i ki i, i,,..., n : Var ( x, x,..., x ) Var Homocedasticidade H 0 : Var( x,..., x k ) = = E( x,..., x k ) [E( x,..., x k )] = = E( x,..., x k ) =. Para H 0 ser rejeitada, precisamos encontrar relação entre o e variáveis explicativas. 5

16 TESTES DE HOMOCEDASTICIDADE Ou seja, do slide anterior, vem que: = + x k x k +, em que termo de erro estocástico da regressão auxiliar. Assim, H 0 (hipótese de homocedasticidade): =... = k = 0, a qual pode ser testada utilizando um teste F ou LM. 6

17 TESTES DE HOMOCEDASTICIDADE Todavia, como a variável resposta, no modelo anteriormente proposto, não é diretamente observada, teremos que estimála. Assim, ê i (resíduo do modelo de regressão de interesse), será a estimativa do erro i. Dessa maneira, a equação anterior fica dada por: ê = + x k x k +. 7

18 TESTES DE HOMOCEDASTICIDADE Estimando os parâmetros do modelo anterior, podemos calcular a estatística LM para verificar a relevância conjunta das variáveis x,..., x k, como segue: LM n R e ˆ k 8

19 TESTES DE HOMOCEDASTICIDADE ) Rejeitamos H 0 quando o valor observado da estatística de teste for superior ao crítico; ) A versão LM deste teste é conhecida na literatura como TESTE DE BREUSCH-PAGAN (Teste BP). Observações a. Podemos considerar apenas um sub-conjunto das variáveis explicativas; b. Se H 0 for rejeitada, então, precisaremos recorrer a algum método de estimação que leve em conta a violação da suposição de homocedasticidade. 9

20 APLICAÇÃO Considere o seguinte modelo de regressão linear múltipla price b blotsize b3sqrft b4bdrms em que price preço da casa (em milhares de dólares); lotsize tamanho do terreno (em pés ); sqrft àrea construída (em pés ); bdrms número de quartos. 0

21 APLICAÇÃO (cont.) Utilizando os dados do arquivo HPRICE.LS: a) Encontre as estimativas de MQO dos parâmetros do modelo proposto e interprete-as. a) Conduza um teste BP para verificar se os erros do modelo proposto são homocedásticos. Comente.

22 a) Estimação, por MQO, dos parâmetros do modelo:

23 b) Teste BP: Salve os resíduos ao quadrado deste modelo estimado (por exemplo, num objeto chamado residsq)!!!

24 b) Teste BP: (cont.) 4

25 b) Teste BP: (cont.) obs = 88 * 0,604 = 4,09 (0,05; 3) 3) = 7,8 p-valor = -@cchisq(4.09,3) = 0,008 5

26 Solução via Eviews: Na janela em que aparecem os resultados do modelo estimado (completo), clique na opção View, em seguida na opção Residual Diagnostics, em seguida na opção Heteroskedasticity Tests, finalmente, na opção Breusch- Pagan-Godfrey. 6

27 Solução via Eviews: 7

28 Solução via Eviews: 8

29 Solução via Eviews: 9

30 poderia ser substituída pela suposição mais fraca de que bastaria o erro ao quadrado,, ser não correlacionado com todas as variáveis explicativas, com os quadrados das variáveis explicativas e com todos os produtos cruzados entre as variáveis explicativas, escreveu seu clássico artigo. TESTES DE HOMOCEDASTICIDADE TESTE DE WHITE White (980), segundo Wooldridge (0), motivado pelo fato de que a suposição i 3i ki Var ( x, x,.., x ), i,, i..., n 30

31 Assim, por exemplo, quando o modelo de interesse apresentar k = 3 variáveis explicativas, o teste de White ficará baseado nos resultados da estimação do seguinte modelo de regressão auxiliar TESTES DE HOMOCEDASTICIDADE TESTE DE WHITE ˆ x x x x x x x x x x x x e 3

32 TESTES DE HOMOCEDASTICIDADE TESTE DE WHITE Neste caso, a hipótese nula de interesse seria H 0 : =... = 0 = 0, (hipótese de homocedasticidade) a qual, segundo White (980), pode ser testada usando: LM n R e ˆ 9 3

33 TESTES DE HOMOCEDASTICIDADE TESTE DE WHITE Comparado ao teste proposto por Breusch-Pagan, a equação auxiliar do slide 30 envolve 6 regressores a mais. Ou seja, dependendo do número de variáveis explicativas constantes do modelo original de interesse, a perda de graus de liberdade será, também, bastante grande. Dessa forma, é importante observar se o tamanho da amostra que estamos usando para a estimação é suficientemente grande para a aplicação de tal metodologia. 33

34 TESTES DE HOMOCEDASTICIDADE TESTE DE WHITE OBSERVAÇÕES ) A equação auxiliar envolvida no teste pode ser útil na identificação da forma funcional da heterocedasticidade ou de erro de especificação, ou de ambos. ) Para minimizar a perda de graus de liberdade, discutida no slide anterior, o teste pode ser conduzido utilizando a seguinte regressão auxiliar: eˆ yˆ yˆ 34 3

35 VOLTANDO À APLICAÇÃO Considere o seguinte modelo de regressão linear múltipla price b blotsize b3sqrft b4bdrms Ainda, utilizando a base de dados HPRICE.xls, conduza o teste de White para verificar se os erros são homocedásticos. 35

36 Solução via Eviews: Na janela em que aparecem os resultados do modelo estimado (completo), clique na opção View, em seguida na opção Residual Diagnostics, em seguida na opção Heteroskedasticity Tests, finalmente, na opção White. 36

37 Teste de White 37

38 Teste de White 38

39 Teste de White 39

40 TESTES DE HETEROCEDASTICIDADE Exercício Para minimizar a perda de graus de liberdade, repita a aplicação anterior utilizando o seguinte modelo de regressão auxiliar eˆ yˆ yˆ 3 para testar H 0 : = 3 = 0 (o erro é homocedástico). Compare todos os resultados obtidos. 40

41 ESTIMADORES ROBUSTOS 4

42 INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Na prática é muito difícil conhecer a verdadeira forma como a heterocedasticidade se apresenta. Assim, precisamos buscar alguma metodologia que nos forneça resultados válidos na presença de heterocedasticidade cuja forma é desconhecida. 4

43 INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Recentemente, muito se tem desenvolvido com relação ao ajuste de erros padrões e estatísticas de testes para que os mesmos se tornem válidos na presença de heterocedasticidade. Estes procedimentos são conhecidos como ROBUSTOS pois são válidos, pelo menos com amostras grandes, sendo ou não a variância do erro constante. 43

44 Apenas para ilustração, suponha INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) em que, i, i =,,..., n, são parâmetros desconhecidos n n E Var ε ε' ε

45 Assim, do slide anterior, considerando mantidas as suposições,, 4, 5 e 6 (ou seja, somente a terceira suposição está sendo violada), teremos INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) 45 ) ( ) ( ) ( ' ' ' ' ˆ ˆ ˆ E E E E Var MQO MQO MQO b b b b b

46 Usando o resultado do slide 43 na expressão do slide 44, temos que INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Var ˆ b ( MQO) n x x ' i i i i White (980) demonstrou que uma estimativa bem simples das quantidades desconhecidas pode ser obtida a partir do cálculo de ê i (quadrado do resíduo de MQO). 46

47 Assim, INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Var ˆ b ( MQO) n eˆ x x ' i i i i Se tomarmos a raiz quadrada dos elementos da diagonal principal desta matriz teremos o que usualmente costuma se chamar de erro-padrão devido a White (ou erro padrão robusto). 47

48 INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Observações:. O erro-padrão robusto pode ser maior ou menor do que o erro-padrão não robusto (não sabemos se o viés é para cima ou para baixo);. Usando um método de estimação robusto, a estatística de teste t também será robusta. 48

49 EEMPLO Nesta questão foi utilizado o arquivo de dados HPRICE.wf. Os resultados seguem : price ˆ,7703 (9,47504) [37,38] 0,0007lotsize (0,00064) [0,005] 0,77 sqrft (0,034) [0,077] 3,855 bdrms (9,004) [8,4786] n 88 R 0,674 Observação: entre colchetes encontram-se os erros padrões robustos. Comente as principais diferenças encontradas ao utilizarmos o erro padrão robusto ao invés do usual. 49

50 INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) Como encontrar o erro padrão robusto usando o Eviews? 50

51 VOLTANDO À APLICAÇÃO Considere o seguinte modelo de regressão linear múltipla price b blotsize b3sqrft b4bdrms Ainda, utilizando a base de dados HPRICE.xls, estime os parâmetros do modelo de regressão de interesse, baseando-se em algum procedimento robusto. 5

52 Estimação via procedimento robusto: Clique no ícone estimate, na janela com o último modelo ajustado e, na seqüência clique em options. 5

53 Estimação via procedimento robusto: Em Coefficient Covariance Matrix, selecionar a opção White. 53

54 Estimação via procedimento robusto: 54

55 INFERÊNCIA APÓS A ESTIMAÇÃO VIA MÍNIMOS QUADRADOS (ESTIMADORES ROBUSTOS) OBSERVAÇÃO Usando os métodos de estimação robustos, é possível obter as estatísticas de testes, como a LM, robustas em relação à heterocedasticidade. Para mais detalhes, vide, por exemplo, Greene (008), Heij et al. (004) e Wooldridge (006, 3 ed., Seção 8.). 55

56 LEITURA COMPLEMENTAR I 56

57 ANÁLISE GRÁFICA A primeira forma de detectar a existência de heterocedasticidade é através da análise gráfica dos resíduos. Assim, sugere-se a construção dos seguintes gráficos de dispersão: i. resíduos ao quadrado versus cada uma das variáveis explicativas; ii. resíduos ao quadrado versus os valores ajustados da variável resposta. 57

58 EEMPLO Nesta questão utilizaremos o arquivo de dados HPRICE.wf, para estimar o modelo a seguir: price b blotsize b3sqrft b4bdrms price: preço da casa (em milhares de dólares); lotsize: tamanho do terreno (em pés ); sqrft: àrea construída (em pés ); bdrms: número de quartos. Encontre as estimativas de mínimos quadrados dos parâmetros deste modelo e faça uma análise gráfica dos resíduos. Comente os resultados encontrados. 58

59 i) Estimação dos dos parâmetros do modelo, por MQO. 59

60 ii) Análise completa dos resíduos e comentários. H 0 : Os erros são normalmente distribuídos JB n 6 Ass ˆ n 4 Series: Residuals Sample 88 Observations 88 Cuˆ rt 3 Mean 8.07E-4 Median Maximum Minimum S td. Dev S kewness K urtosis Jarque-B era P robability

61 ii) Análise completa dos resíduos e comentários RESID ORDEM 6

62 ii) Análise completa dos resíduos e comentários RESID 00 0 RESID LOT SIZE 300 SQRFT RESID 00 0 RESID BDRMS PRICEAJUST 6

63 ii) Análise completa dos resíduos e comentários RESIDSQ RESIDSQ LOT SIZE SQRFT RESIDSQ RESIDSQ BDRMS PRICEAJUST 63

64 LEITURA COMPLEMENTAR II 64

65 ESTIMADOR DE MÍNIMOS QUADRADOS GENERALIZADOS (GLS) 65

66 ESTIMAÇÃO VIA MÍNIMOS QUADRADOS GENERALIZADOS Como já observamos, as técnicas inferenciais são componentes importantes em muitas análises de dados. Entretanto, na presença de heterocedasticidade, como discutido nos slides iniciais, toda a análise baseada em testes de hipóteses se torna inválida. 66

67 ESTIMAÇÃO VIA MÍNIMOS QUADRADOS GENERALIZADOS Nos próximos slides estaremos interessados em ajustar os erros-padrão e as estatísticas t e F, obtidos por mínimos quadrados, na presença de heterocedasticidade cuja forma é conhecida. 67

68 MÍNIMOS QUADRADOS GENERALIZADOS Pode-se demonstrar que no caso em que a matriz é conhecida, os parâmetros do modelo de regressão podem ser estimados a partir de um método chamado de Mínimos Quadrados Generalizados (GLS). 68

69 MÍNIMOS QUADRADOS GENERALIZADOS O objetivo do método é estimar os parâmetros do modelo, assim como fazíamos com OLS. Entretanto, agora precisamos levar em consideração a nova configuração da matriz de variâncias e covariâncias dos erros. Ou seja, aqui, será necessário encontrar uma forma adequada de transformar o modelo, de tal sorte a obtermos um termo de erro homocedástico. 69

70 MÍNIMOS QUADRADOS GENERALIZADOS Com esse objetivo em mente, tomaremos uma matriz, não singular, que chamaremos de matriz de transformação, e faremos a seguinte operação no modelo original Ψ y Ψ β Ψε, () 70

71 MÍNIMOS QUADRADOS GENERALIZADOS Dessa transformação, temos os seguintes resultados: E Ψε Ψ E ε 0, e Var ε E εε' ' Ω ', 7

72 MÍNIMOS QUADRADOS GENERALIZADOS Se a matriz for construída de maneira tal que Ω ' I Então, será possível aplicar OLS em (), pois Var ε E εε' ' Ω ' I. 7

73 Aplicando OLS em (), vem que: Mas, y ' ' ' ' ˆ ) ( GLS b Ω I ' pode ser reescrito como, Ω ' MÍNIMOS QUADRADOS GENERALIZADOS 73

74 MÍNIMOS QUADRADOS GENERALIZADOS Obtendo, assim bˆ ( GLS ) ' Ω ' Ω y () Ainda, não é difícil mostrar que, sob certas suposições, E bˆ ( GLS ) b 74

75 Substituindo () em vem que y ' ' ' ' ˆ ) ( GLS b ε Ω Ω ε ε ) ( ' ' ' ' ' ' ' ' ' ' ˆ b b b b GLS MÍNIMOS QUADRADOS GENERALIZADOS 75

76 Logo,. ' ' ' ' ' ' ' ' ' ˆ ) ( Ω Ω ΩΩ Ω Ω Ω Ω ε Ω Ω ε Ω Ω b Var Var Var GLS MÍNIMOS QUADRADOS GENERALIZADOS 76

77 MÍNIMOS QUADRADOS GENERALIZADOS Observações (i) É possível demonstrar que o vetor de estimadores, via GLS, é o melhor estimador linear não tendencioso (BLUE) para o vetor de parâmetros do modelo de interesse. (ii) Quando os erros são homocedásticos, não é difícil ver que a matriz se reduz à matriz identidade, o que nos leva aos resultados de OLS. 77

78 MÍNIMOS QUADRADOS GENERALIZADOS Observações (cont.) (iii) Em muitos casos, na prática, e são desconhecidos. Assim sendo, uma das soluções é usar o método dos mínimos quadrados generalizados factíveis (FGLS). Aqui, inicialmente estimamos os parâmetros do modelo de interesse, por OLS, desconsiderando o problema da heterocedasticidade, geramos os resíduos e construímos a matriz de variâncias e covariâncias consistente estimada dos termos de erros. 78

79 MÍNIMOS QUADRADOS GENERALIZADOS Observações (cont.) (iv) É possível demonstrar que os estimadores de FGLS são consistentes para os estimadores de GLS). Aqui, inicialmente estimamos os parâmetros do modelo de interesse, por OLS, desconsiderando o problema da heterocedasticidade, geramos os resíduos e construímos a matriz de variâncias e covariâncias estimada dos termos de erros. 79

80 MÍNIMOS QUADRADOS GENERALIZADOS Observações (cont.) (v) É importante notar que, para a estimação dos parâmetros do modelo de interesse, é necessário encontrar a matriz, tal que = -. Feito isso, basta transformar o modelo original conforme (). 80

81 MÍNIMOS QUADRADOS GENERALIZADOS Observações (cont.) (vi) O vetor de estimadores para b, via GLS, pode ser obtido de maneira análoga àquela obtida nos slides anteriores, minimizando a quantidade S β ε' ε y β ' y β 8

82 Decomposição de Cholesky Suponha que = seja uma matriz de variâncias e covariâncias associada a um vetor de v.a. qualquer. Como é uma matriz simétrica e positiva definida, existe uma matriz triangular inferior B, com elementos na diagonal principal iguais a, e uma matriz diagonal D, cujos elementos da diagonal são todos positivos, tal que = BDB. 8

83 Decomposição de Cholesky Usando os resultados anteriores, é fácil ver que = TT em que T = BD /. De modo análogo, a matriz - pode ser decomposta como T T usando T = D -/ B. 83

84 LEITURA COMPLEMENTAR III 84

85 ESTIMADOR DE MÍNIMOS QUADRADOS PONDERADOS (WLS) 85

86 MÍNIMOS QUADRADOS PONDERADOS Considere o modelo y = b + b x b k x k +. () Seja x = (x,..., x k ) um vetor que denota todas as variáveis explicativas da equação anterior e assuma que Var( x) = h(x). 86 ()

87 MÍNIMOS QUADRADOS PONDERADOS em que h(x) é alguma função das variáveis explicativas que determina a heterocedasticidade. 87

88 MÍNIMOS QUADRADOS PONDERADOS Observação: ) Como a variância retorna sempre um valor positivo, então, h(x) > 0. ) O desvio padrão de, condicionado a x, é Pergunta: DP( x) h(x) Como poderemos utilizar () para estimarmos? bˆ j 88

89 MÍNIMOS QUADRADOS PONDERADOS IDEIA!! Seja o modelo dado em (), que contém erro heterocedástico; vamos transformar tal modelo, num modelo com erro homocedástico. 89

90 MÍNIMOS QUADRADOS PONDERADOS Como Var( x,..., x k ) E( x,..., x k ) h( x,..., x k ) a variância de h( x,..., x k ) (condicionada a x), é : 90

91 Como MÍNIMOS QUADRADOS PONDERADOS 9

92 MÍNIMOS QUADRADOS PONDERADOS Logo, dividindo () por h( x,..., xk ), i,,..., n, teremos h( x y,..., x k ) b h( x,..., k x... b k ) b h( x x k,..., h( x x k x ),..., x k h( x ),..., x 9 k )

93 ou, MÍNIMOS QUADRADOS PONDERADOS y * b x * b x * x * k k... b * Observação: ) A interpretação dos parâmetros do modelo deve ser feita a partir de (). ) Este último modelo satisfaz às suposições usuais, se o modelo () também as satisfizer, exceto pela de homocedasticidade dos erros. 93

94 VOLTANDO AO EEMPLO Voltando ao arquivo HPRICE.wf. Estime os parâmetros do modelo price b b lotsize b sqrft b bdrms 3 4 via WLS e realize um teste adequado para verificar se os erros se tornaram homocedásticos. 94

95 VOLTANDO AO EEMPLO Utilizando os dados do arquivo HPRICE.wf. Estime os parâmetros do modelo log( price) b b log( lotsize) b3 log( sqrft) b4bdrms e realize um teste adequado para verificar se os erros são homocedásticos. Ainda, faça um teste que analise a especificação da forma funcional. Comente os resultados. 95

96 VOLTANDO AO EEMPLO Voltando ao arquivo HPRICE.wf. Para o modelo price b b lotsize b sqrft b bdrms 3 4 proponha alterações, de tal sorte a capturar, de maneira mais adequada, a informação sobre o preço de determinadas residências cujos valores das variáveis (resposta e explicativas) podem ser considerados como discrepantes. Ainda, faça uma análise completa dos resíduos. Comente. 96

97 EERCÍCIO Considere o modelo y i b x i u i com E(u i ) = 0 e Var(u i x i ) = x i. Dados os valores de e Y para uma dada amostra de cinco observações Y 5,0 7,5 0,0,5 5,0 a) Obtenha os estimadores lineares não viciados de variância mínima de e b. b) Teste a hipótese H 0 : b = contra H A : b >. 97

98 MÍNIMOS QUADRADOS PONDERADOS FACTÍVEIS (FWLS) Caso os erros do modelo de regressão sejam heterocedásticos, o caso mais comum é aquele em que a forma da heterocedasticidade é desconhecida. Sendo assim, precisamos encontrar uma estimativa para a quantidade h(x), que seja gerada a partir de um estimador com boas propriedades. 98

99 MÍNIMOS QUADRADOS PONDERADOS FACTÍVEIS (FWLS) Em Wooldridge (003), temos uma sugestão bastante geral para a quantidade anterior, que é dada por Var( i x) = exp( + x + + k x k ). Note que, sob tal proposta, h(x) > 0, o que é uma vantagem da proposta. 99

100 MÍNIMOS QUADRADOS PONDERADOS FACTÍVEIS (FWLS) De resultados anteriores, temos que em que, Então, se E(v) =, i = exp( + x + + k x k ) E( x) =. ln( i ) = + x + + k x k + u [] 00

101 MÍNIMOS QUADRADOS PONDERADOS FACTÍVEIS (FWLS) em que, E(u) = ; u é independente de x. Como sabemos, as estimativas para i podem ser obtidas diretamente dos quadrados dos resíduos do modelo de interesse, cujos parâmetros foram estimados por OLS. 0

102 MÍNIMOS QUADRADOS PONDERADOS FACTÍVEIS (FWLS) Assim, ao estimarmos os parâmetros de [], conseguiremos uma estimativa para a função h(), que é obtida de em que ĥ = exp(ĝ), [] g = ln( ). Finalmente, usamos [] para encontrar as estimativas de WLS e os respectivos erros padrões do modelo de interesse. 0

103 VOLTANDO AO EEMPLO Voltando ao arquivo HPRICE.wf. Estime os parâmetros do modelo price b b lotsize b sqrft b bdrms 3 4 via proposta discutida anteriormente e realize um teste adequado para verificar se os erros se tornaram homocedásticos. 03