Upload
lamhuong
View
219
Download
0
Embed Size (px)
Citation preview
Modelo de Regressão LinearECONOMETRIA INTERMÉDIA
Vítor Castro
FEUC - 1o Sem. 2010/2011
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 1 / 40
Objectivos
Recordar as hipóteses do modelo clássico de regressão linear;
Deduzir o estimador OLS e suas propriedades;
Efectuar testes de hipóteses;
Avaliar as consequências da má especicação do modelo;
Apresentar estimadores para o modelo generalizado;
Implementar testes para detectar heterocedasticidade.
Bibliograa:
Greene (2008), Cap. 1-8.
Wooldridge (2009), Cap. 1-12.Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 2 / 40
Modelo clássico de regressão linear
Usado para estudar a relação entre uma variável dependente e umaou mais variáveis independentes:
y = x1β1 + x2β2 + ...+ xK βK + ε
ε é um termo de erro aleatório:
captura efeitos de factores omitidos ou não captados pelo modelo;
captura erros de medição;
captura efeitos de factores não observáveis.
Objectivos:
estimar os parâmetros (β) desconhecidos do modelo;
usar os resultados para validar pressupostos teóricos;
e, eventualmente, usar o modelo para prever y .
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 3 / 40
Pressupostos do modelo
1 Linearidade: yi = xi1β1 + xi2β2 + ...+ xiK βK + εi .
2 Full rank: variáveis explicativas linearmente independentes (ausênciade multicolinearidade perfeita).
3 Exogeneidade: E [εi jxj1, xj2, ..., xjK ] = 0, 8i , j .
4 Erros homocedásticos e não autocorrelacionados:
E [ε2i jxj1, xj2, ..., xjK ] = σ2, 8i e E [εi εj jxj1, xj2, ..., xjK ] = 0, 8i 6= j
5 Valores de xj1, xj2, ..., xjK xos ou aleatórios, mas respeitando ashipóteses 3 e 4.
6 Normalidade: εi jxj1, xj2, ..., xjK N(0, σ2)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 4 / 40
Modelo em notação matricial
X =
2664x11 x12 ... x1Kx21 x22 ... x2K... ... ... ...xn1 xn2 ... xnK
3775 = x.1 x.2 ... x.K=
2664x01x02...x0n
3775
y =
2664y1y2...yn
3775 , β =
2664β1β2...βK
3775 , ε =
2664ε1ε2...εK
3775y = Xβ+ ε
y = x.1β1 + x.2β2 + ...+ x.K βK+ε
yi = x0iβ+εi
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 5 / 40
Pressupostos do modelo em notação matricial
1 Linearidade: y = Xβ+ ε.
2 Full rank: variáveis explicativas linearmente independentes (ausênciade multicolinearidade perfeita).
3 Exogeneidade: E [εjX] = 0. [implica ainda que E [ε] = 0. Porquê?]
4 Erros homocedásticos e não autocorrelacionados: E [εε0jX] = σ2I
5 Valores de X xos ou aleatórios, mas respeitando as hipóteses 3 e 4.
6 Normalidade: εjX N(0, σ2I)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 6 / 40
Método dos mínimos quadrados
Modelo clássico de regressão linear: yi = x0iβ+εi
Regressão populacional: E [yi jxi ] = E [x0iβ+εi jxi ] = x0iβ
Estimativa de E [yi jxi ], para uma dada amostra e b: byi = x0ibResíduo: ei = yi x0ib
Destas denições resulta que: yi = x0iβ+εi = x0ib+ei
Possível estimador de β: OLS
Escolher b que minimiza a soma dos quadrados dos resíduos
n∑i=1
e2i = e0e =
n∑i=1
yi x0ib
2= (yXb)0 (yXb)
b = (X0X)1X0y
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 7 / 40
Propriedades algébricas
X0yX0Xb = X0(yXb) = X0e = 0
ou seja: x0.K e =n∑i=1xikei = 0
Se o modelo incluir constante, então acresce que:n∑i=1
ei = 0) e = 0
y = x0b =byVariação total: SST =
n∑i=1(yi y)2
Regressão com constante ) SST = SSR + SSE
Variação explicada pela regressão: SSR =n∑i=1(byi y)2
Variação atribuída aos erros: SSE =n∑i=1e2i = e
0eVítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 8 / 40
Coeciente de determinação
SST = SSR + SSE , 1 = SSRSST +
SSESST
Medida da qualidade do ajustamento:
Coeciente de determinação: R2 = SSRSST = 1
SSESST
Modelo sem constante ) R2 não centrado =
n∑i=1by 2i
n∑i=1y 2i
O R2 nunca diminui quando se adiciona uma variável ) Alternativas:
R2 ajustado: R2 = 1 n1nK (1 R2)
minimizar Amemiyas prediction criterion: PC = e0enK (1+
Kn )
minimizar Akaike information criterion: AIC = lne0en
+ 2K
n
minimizar Schwarz information criterion: BIC = lne0en
+ K ln(n)
n
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 9 / 40
Propriedades estatísticas dos estimadores OLS
Há vários estimadores possíveis; OLS é um deles.
A escolha do estimador depende das propriedades estatísticas dosvários candidatos em face do modelo a estimar.
Propriedades em amostras nitas:
centricidade, e¢ ciência e precisão.
No modelo clássico o estimador OLS de β é linear e cêntrico:
b = (X0X)1X0y = (X0X)1X0 (Xβ+ ε) = β+ (X0X)1X0ε
E [bjX] = β ) b é cêntrico (note ainda que E [b] = β. Porquê?)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 10 / 40
Propriedades estatísticas dos estimadores OLS
Variância do estimador OLS de β (fundamental para testes e IC):
Condicional (regressores xos):
V [bjX] = E [(b β)(b β)0jX]= E [(X0X)1X0εε0X(X0X)1jX]= (X0X)1X0E [εε0jX]X(X0X)1
= (X0X)1X0(σ2I)X(X0X)1
= σ2(X0X)1 (onde σ2 é a variância do termo de erro ε)
Incondicional (regressores estocásticos):
V [b] = EX [V [bjX]] +VX [E [bjX]] (decomposição da variância)
= EX [σ2(X0X)1] + VX [β]
= σ2EX [(X0X)1]
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 11 / 40
Propriedades estatísticas dos estimadores OLS
Teorema de Gauss-Markov:
No modelo clássico de regressão linear, o estimador OLS de β,isto é b, é o estimador com menor variância na classe dosestimadores lineares e cêntricos, quer X seja estocástico ou não,mas desde que as hipóteses do modelo se veriquem.
Greene (2008, pp. 49-50): Teoremas 4.2 e 4.3.
"The OLS estimator b is the Best Linear Unbiased Estimator(BLUE) under the assumptions of the classical linear regressionmodel."
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 12 / 40
Propriedades estatísticas dos estimadores OLS
Para se formular testes de hipóteses e IC sobre β:
é necessário estimar V [bjX] = σ2(X0X)1
para tal é necessário estimar σ2
possiveis estimadores de σ2:
bσ2 = ∑ni=1 e
2i
n = e0en (enviesado em amostras nitas)
s2 = ∑ni=1 e
2i
nK = e0enK (cêntrico em amostras nitas)
s corresponde ao erro-padrão da regressão (s.e.r.)
Assim, o estimador do erro-padrão (s.e.) de bk , vem:
se(bk ) =nhs2(X0X)
1ikk
o1/2
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 13 / 40
Testes de hipóteses e intervalos de conança
Com a hipótese da normalidade:
bjX Nh
β, σ2(X0X)1i
bk jX Nh
βk , σ2(X0X)1kk
i tk =
bkβkqs2(X0X)
1kk
t(nK )
Testar H0 : βk = 0 contra H1 : βk 6= 0.
tk =bk
se(bk ) t(nK )
rejeitar se jtk j > tα/2
tα/2 é o percentil 100(1 α/2) da distribuição t(nK )
ou rejeitar se p-value < α
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 14 / 40
Testes de hipóteses e intervalos de conança
Intervalo de conança para βk , a um grau de conança de 1 α:
[bk tα/2se(bk ), bk + tα/2se(bk )]
Estatística t ! testar um só coeciente (teste individual)
Testar a signicância global da regressão ! teste F
Testar todos os coecientes, excepto a constante β1:
H0 : β2 = β3 = ... = βK = 0 contra H1 : 9βj 6= 0, j = 2, ..,K
F = R 21R 2
nKK1 F(K1, nK )
rejeitar se F > Fα
Fα é o percentil 100(1 α) da distribuição F(K1, nK )
ou rejeitar se p-value < α
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 15 / 40
Propriedades Assintóticas
Comportamento dos dados em grandes amostras:
plimn!∞
X0Xn
= Q (matriz denida positiva e q admite inversa)
plimn!∞
X0en
= 0
Estimador OLS: b = β+X0Xn
1 X0εn
Logo: plim
n!∞(b) = β+Q1.0 = β (estimador consistente)
Atendendo ao teorema do limite central:
pn (b β)
d! N0, σ2Q1
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 16 / 40
Propriedades Assintóticas
pn (b β)
d! N0, σ2Q1
Distribuição assintótica: b a N
β, σ2
n Q1
Distribuição usada como aproximação em amostras nitas
σ2 desconhecido ! usar s2
Q desconhecido ! usar X0Xn
Assim, σ2
n Q1 estimado por s2 (X0X)1
s2 (X0X)1 ! estimador apropriado da matriz de Var-Cov assintótica de b
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 17 / 40
Propriedades assintóticas
Distribuição assintótica de uma função c(b) continuamente derivável,com G = ∂c(β)
∂β0
Método Delta - expansão em série de Taylor em torno de β:
c(b) = c(β) +G.(b β) + δ
onde δ corresponde aos termos de ordem superior
δ ! 0, em amostras grandes, se plim (b) = β
Método Delta ) c(b) a Nhc(β), G
σ2
n Q1G0i
Assim, G
σ2
n Q1G0 estimado por
∂c(b)
∂b0
hs2 (X0X)1
i ∂c(b)
∂b0
0
∂c(b)∂b0
hs2 (X0X)1
i ∂c(b)
∂b0
0! estimador da matriz de Var-Cov
assintótica de c(b)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 18 / 40
Propriedades assintóticas
Normalidade dos erros ) OLS assintoticamente eciente
Denição de eciência assintótica
Um estimador é assintoticamente eciente se:
é convergente/consistente
tem distribuição assintoticamente normal
tem uma matriz de variâncias-covariâncias assintóticanão superior à de qualquer outro estimador convergentee assintoticamente normal
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 19 / 40
Inferência estatística - Testes
y = Xβ+ ε
Teste de restrições lineares supondo normalidade dos erros
Impor J restrições lineares: Rβ = q
R (J K ) e q (J 1)
Modelos encaixados (nested)
H0 : Rβ = q
teste F : F =(Rβq)0fR[s2(X0X)1]R0g1(Rβq)
J F(J , nK ) rejeitar se F > Fα
Fα é o percentil 100(1 α) da distribuição F(J , nK )
ou rejeitar se p-value < α
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 20 / 40
Inferência estatística - Testes
Fórmulas alternativas:
F = e0ee0ee0e
nKJ F(J , nK )
F = R 2R 21R 2
nKJ F(J , nK )
nesta 2a fórmula, cuidado com transformações da variável dependente
nesse caso (transformações em y), usar a 1a (i.e., com resíduos)
e - resíduos do modelo restrito (com as restrições impostas)
R2 - coeciente de determinação do modelo restrito
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 21 / 40
Inferência estatística - Testes
Aplicação: teste de Chow
Modelo restrito: y = Xβ+ ε (n observações:)
primeiras n1 observações: y1 = X1β1+ε1
últimas n2 observações: y2 = X2β2+ε2
H0 : β1 = β2 (estrutura mantém-se), K restrições
F = e0e(e01e1+e
02e2)
e01e1+e02e2
(n1+n2)2KK F(K , n1+n22K )
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 22 / 40
Inferência estatística - Testes
Teste de restrições lineares sem supor normalidade dos erros
Testes t e F poderão ser usados, mas vistos como aproximações
Testes t e F melhoram à medida que o tamanho da amostra (n)aumenta
Assumindo que o dados são "bem comportados", vimos atrás que:
b a N
β, σ2
n Q1, onde σ2
n Q1 é estimado por s2 (X0X)1
Grande amostras ! estatística de Wald:
Testar J restrições lineares ) H0 : Rβ = q
W = (Rβ q)0nRhs2 (X0X)1
iR0o1
(Rβ q) = JF a χ2(J)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 23 / 40
Inferência estatística - Testes
Teste de restrições não lineares
Uma restrição: H0 : c(β) = q
z = c (b)qr∂c (b)
∂b00[s2(X0X)1]
∂c (b)
∂b0 a N(0, 1)
tem distribuição assintótica normal
Várias (J) restrições: H0 : c(β) = q
W = (c(b)-q)0
∂c(b)∂b0
0 hs2 (X0X)1
i ∂c(b)
∂b0
1(c(b)-q) a χ2(J)
tem distribuição assintótica χ2(J)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 24 / 40
Teste à normalidade
Teste Jarque-Bera:
H0 : z tem distribuição normal
JB = n6A
2 + n24 (B 3)2 χ2(2)
Assimetria (skewness): A =1n ∑n
i=1(ziz )3bσ3 Achatamento (kurtosis): B =
1n ∑n
i=1(ziz )4bσ4 bσ2 = 1
n ∑ni=1(zi z)2
Versão corrigida: JB = nr6 A
2 + nr24 (B 3)2 χ2(2)
r representa o número de parâmetros estimados
Teste à normalidade dos termos de erro: z = e (notar que e = 0)
Alternativa: teste Doornik-Hansen (tem propriedades ligeiramentesuperiores em amostras pequenas)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 25 / 40
Previsão
Para determinado vector x0, prever y0: y0 = x00β+ ε0
Dada a estimativa b ) previsão para y0: by0 = x00bErro de previsão:
e0 = y0 by0 = x00(β b) + ε0
Variância do erro de previsão:
V [e0jX, x0] = σ2 +V [x00(β b)jX, x0] = σ2 + x00hσ2 (X0X)1
ix0
Intervalo de previsão:
[by0 tα/2se(e0), by0 + tα/2se(e0)]
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 26 / 40
Omissão de variáveis relevantes e inclusão de irrelevantes
Modelo correcto: y = X1β1+X2β2+ε
mas estimou-se: y = X1β1+ν
então: b1= (X01X1)
1X01y = β1+(X01X1)
1X01X2β2 + (X01X1)
1X01ε
E [b1jX] = β1+ (X01X1)
1X01X2| z β2 ) enviesamento por omissão de
X2 = X1δ+ε ) bδ variáveis relevantes
Modelo correcto: y = X1β1+ν
mas estimou-se: y = X1β1+X2β2+ε
E [b1jX] = β1 ) Cêntrico, apesar da inclusão de variáveis irrelevantes
Mas, redução na precisão das estimativas, em particular se X2 estáfortemente correlacionado com X1 ) maior variância do estimador
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 27 / 40
Modelo de regressão generalizado
y = Xβ+ ε
E [εjX] = 0E [εε0jX] = Σ = σ2Ω
No modelo clássico: Ω = I (erros homocedásticos e sem autocorrelação)
Com Ω = I, o estimador OLS é:
o mais eciente estimador linear e cêntrico (BLUE)
Consistente e com distrib. assintótica normal (CAN)
Assintoticamente eciente (AE), se εjX N(0, σ2I)
Mas se Ω 6= I, o estimador OLS:
é cêntrico, consistente, com distrib. assintótica normal
mas deixa de ser eciente ) a inferência usual não é apropriada
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 28 / 40
Modelo de regressão generalizado
E [εε0jX] =
2664E [ε1ε1jX] E [ε1ε2jX] ... E [ε1εn jX]E [ε2ε1jX] E [ε2ε2jX] ... E [ε2εn jX]
... ... ... ...E [εnε1jX] E [εnε2jX] ... E [εnεn jX]
3775
E [εε0jX] =
2664σ11 σ12 ... σ1nσ21 σ22 ... σ2n... ... ... ...
σn1 σn2 ... σnn
3775
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 29 / 40
Modelo de regressão generalizado
Teorema 8.1 (Greene, 2008, p. 150) - Propriedades em amostrasnitas do estimador OLS no modelo generalizado
Se E [εjX] = 0, então: o estimador OLS é cêntrico
V [bjX] = E [(b β)(b β)0jX]= E [(X0X)1X0εε0X(X0X)1jX]= (X0X)1X0(σ2Ω)X(X0X)1
= σ2(X0X)1(X0ΩX)(X0X)1
se εjX N(0, σ2Ω), então:
bjX Nh
β, σ2(X0X)1(X0ΩX)(X0X)1i
logo o estimador habitual para a variância s2(X0X)1 é inadequado
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 30 / 40
Modelo de regressão generalizado
Teorema 8.2 (Greene, 2008, p. 151) - Consistência (ouconvergência) do estimador OLS no modelo generalizado
Se Q = plimX0Xn
for for nita e denida positiva
e se plimX0εn
= 0, então:
plim (b) = β (o estimador OLS é consistente)
Teorema 8.3 (Greene, 2008, p. 153) - Normalidade assintótica doestimador OLS no modelo generalizado
Se X e Ω forem "bem comportados":
e se os elementos fora da diagonal de Ω decrescem rápido, então:
b a Nh
β, σ2
n Q1plim
X0ΩXn
(X0X)1Q1
iVítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 31 / 40
Modelo de regressão generalizado
estimador habitual para a variância: s2(X0X)1
VCV no modelo generalizado: σ2(X0X)1(X0ΩX)(X0X)1
Procedimentos para uma estimação eciente:
1. Se Ω for conhecida ) usar GLS
2. Se a estrutura de Ω for conhecida ) usar FGLS
3. Heterocedasticidade com estrutura de Ω desconhecida ) usarWhite heteroscedasticity consistent estimator (HCCME)
4. Heterocedasticidade e autocorrelação com estrutura de Ωdesconhecida ) usar Newey-West heteroscedasticity andautocorrelation consistent estimator (HAC)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 32 / 40
Modelo de regressão generalizado
1. Ω conhecida, simétrica e denida positiva ) usar GLS
existe decomposição: Ω1 = P0P tal que PΩP0 = I
Py = PXβ+Pε , y = Xβ+ ε
E [εε0jX] = E [Pεε0P0jX] = Pσ2ΩP0 = σ2I
Aplicar OLS sobre o modelo transformado: y = Xβ+ ε
bβ = (X0X)1X0y = (X0P0PX)1X0P0Py = (X0Ω1X)1X0Ω1y
estimador GLS ou de Aitken: minimiza (yXβ)0 Ω1 (yXβ)
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 33 / 40
Modelo de regressão generalizado
Teorema 8.4 (Greene, 2008, p. 155) - Propriedades do estimador GLS
Se E [εjX] = 0, então:
E [bβjX] = E h(X0X)1X0yjXi= β+E
h(X0X)
1X0εjXi= β (cêntrico)
Se plimX0Xn
é nita e denida positiva
e se plimX0εn
= 0, então plim
bβ = β (consistência)
V [bβjX] = σ2(X0X)1 = σ2(X0Ω1X)
Demonstra-se que: bβ a Nh
β, σ2(X0Ω1X)i
bβ é BLUE no modelo de regressão generalizadoVítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 34 / 40
Modelo de regressão generalizado
2. Estrutura de Ω conhecida: Ω = Ω(θ) ) usar FGLS
Sendo bθ estimador consistente de θ, usar bΩ = Ω(bθ)Com plimbθ = θ, usar bΩ é assintoticamente equivalente a usar Ω
bbβ = (X0 bΩ1X)1X0 bΩ1y (estimador FGLS)
Teorema 8.5 (Greene, 2008, p. 158) - Eciência do estimador FGLS:
Para que o estimador FGLS seja assintoticamente eciente, bθnão tem que ser eciente, apenas terá que ser convergente
Então, estimador FGLS terá as mesmas propriedades assintóticas q GLS
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 35 / 40
Modelo de regressão generalizado
3. Heterocedasticidade com estrutura de Ω desconhecida ) usarWhite heteroscedasticity consistent estimator (HCCME)
Usar OLS para estimar β, mas s2(X0X)1 inadequado
Alternativa: (X0X)1∑ni=1 e
2i xix
0i
(X0X)1
4. Heterocedasticidade e autocorrelação com estrutura de Ωdesconhecida ) usar Newey-West HAC
Usar OLS para estimar β, mas s2(X0X)1 inadequado
Alternativa: n(X0X)1 bΦ(X0X)1 bΦ = bΓ0 +∑n
υ=1
1 υ
q+1
bΓυ + bΓ0υ bΓυ =
1n ∑n
i=υ+1
xieieiυx0iυ
[Gretl: q = 3
4n13 ou q = 4
n100
29 ]
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 36 / 40
Testes à heterocedasticidade
Teste de White
H0 : σ2i = σ2, 8i (homocedasticidade)
H0 : σ2i 6= σ2 (heterocedasticidade)
Estimar: yi = β1 + xi2β2 + ...+ xiK βK + εi e guardar ei
Estimar: e2i = γ1 +∑Kj=2 xijγj +∑K
j=2 ∑Kl=j xijxil δjl + υi
Obter o R2 desta regressão auxiliar: R2e2
Estatística do teste: nR2e2a χ2(P)
P é o número de regressores na regressão auxiliar excluindo a contante.
nR2e2 > χ2α(P)) Rejeitar H0: homocedasticidade, a α%
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 37 / 40
Testes à heterocedasticidade
Teste de Breush-Pagan
H0 : σ2i = σ2, 8i (homocedasticidade)
H0 : σ2i = σ2f (γ0 + γ0zi ) (heterocedasticidade)
onde z é um vector de variáveis independentes
o modelo é homocedástico se γ = 0
Estimar: yi = β1 + xi2β2 + ...+ xiK βK + εi e guardar ei e bσ2Estimar: e2ibσ2 = γ0 +∑P
j=1 zijγj + υi
Obter a soma dos quadrados desta regressão auxiliar: SSRe2
Estatística do teste: 12SSRe2
a χ2(P)
12SSRe2 > χ2α(P)) Rejeitar H0: homocedasticidade, a α%
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 38 / 40
Testes à heterocedasticidade
Teste de Koenker
O teste de Breush-Pagan é sensível ao pressuposto da normalidade Koenker sugere um teste baseado num estimador mais robusto de ε2i
H0 : σ2i = σ2, 8i (homocedasticidade)
H0 : σ2i = σ2f (γ0 + γ0zi ) (heterocedasticidade)
Estimar: yi = β1 + xi2β2 + ...+ xiK βK + εi e guardar ei e bσ2Calcular: V = 1
n ∑ni=1
e2i bσ22
Estimar: e2ip0.5V
= γ0 +∑Pj=1 zijγj + υi e obter SSRe2
Estatística do teste: 12SSRe2
a χ2(P)
12SSRe2 > χ2α(P)) Rejeitar H0: homocedasticidade, a α%
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 39 / 40
Corrigir a heterocedasticidade
Se a sua forma (Ω) é conhecida:
usar GLS (neste caso também chamado de WLS)
Se a sua forma (Ω) é desconhecida:
usar White HCCME (erros-padrão robustos) ) conviver c/ problema
usar FGLS (estimar Ω : bΩ = Ω(bθ)) ou Máxima Verosimilhança (método de estimação alternativo)
FGLS também usado na correcção da autocorrelação:
Cochrane-Orcutt, Prais-Winsten, Hildreth-Lu
Vítor Castro ([email protected]) Modelo de Regressão Linear FEUC - 1o Sem. 2010/2011 40 / 40