Econometria - Adriano Figueiredo PDF

Econometria Prof. Adriano M. R.
Figueiredo 1
UNIVERSIDADE FEDERAL DE MATO GROSSO
FACULDADE DE ECONOMIA
Econometria
Prof. Adriano Marcos Rodrigues Figueiredo
Verso de 21/01/20081
CUIAB - MT
1
Os direitos de reproduo pertencem ao autor e requer citao apropriada.
Econometria Prof. Adriano M. R. Figueiredo 2
SUMRIO
1. Introduo.......................................................................................................................... 3
2. Pressuposies do Modelo de Regresso Linear Clssico ................................................ 4
2.1. Pressuposio 1: A relao entre Y e X linear......................................................... 6
2.2. Pressuposio 2: O erro aleatrio tem mdia zero ..................................................... 9
2.3. Pressuposio 3: O erro aleatrio tem varincia constante (presena de
homocedasticidade) ............................................................................................................... 9
2.4. Pressuposio 4: Os erros aleatrios so independentes (ou no
autocorrelacionados) ............................................................................................................ 10
2.5. Pressuposio 5: As variveis explicativas so no aleatrias (so fixas) ............... 11
2.6. Pressuposio 6: O erro tem distribuio normal, com mdia zero e varincia
constante: ............................................................................................................................. 11
2.7. Pressuposio 7: Ausncia de relao linear exata entre as variveis
explicativas (no multicolinearidade) .................................................................................. 12
3 Estimao ........................................................................................................................ 13
Anexo 1: Estimao utilizando matrizes no Excel: ............................................................. 19
Anexo 2: Exerccios: ............................................................................................................ 20
4 Violaes nas Pressuposies Clssicas do Modelo de Regresso Linear ..................... 24
4.1. Pressuposio 1: A relao entre Y e X linear....................................................... 24
4.2. Pressuposio 2: O erro aleatrio tem mdia zero ................................................... 31
4.3. Pressuposio 3: O erro aleatrio tem varincia constante (presena de
homocedasticidade) ............................................................................................................. 37
4.4. Pressuposio 4: Os erros aleatrios so independentes (ou no
autocorrelacionados) ............................................................................................................ 53
4.5. Pressuposio 5: As variveis explicativas so no aleatrias (so fixas) ............... 65
4.6. Pressuposio 6: O erro tem distribuio normal, com mdia zero e varincia
constante: ............................................................................................................................. 65
4.7. Pressuposio 7: Ausncia de relao linear exata entre as variveis
explicativas (no multicolinearidade) .................................................................................. 68
4.8. Resumo ..................................................................................................................... 72
5 Referncias Bibliogrficas .............................................................................................. 73
6. Programas Recomendados .............................................................................................. 73
1. Introduo
A Econometria como a utilizao da estatstica aplicada economia tem como

instrumento fundamental a anlise de regresso, que consiste na obteno dos parmetros para
uma dada relao existente entre as variveis dependentes e independentes.
Na regresso linear simples (RLS), estima-se a relao existente entre apenas 2
variveis, uma dependente (endgena ou explicada), Y, e uma independente (exgena ou
explicativa ou explicadora), X, como uma funo matemtica qualquer: Y = f (X).
Na regresso linear mltipla (RLM), estima-se a relao existente entre mais de duas
variveis: Y = f (X1, X2, ..., Xn).
O modelo a ser estimado normalmente possui componente aleatrio, requerendo a
incluso de um erro que captar os efeitos das variveis importantes para explicar Y, mas que
no esto no modelo. Representa-se ento, o efeito das demais variveis explicativas por um
termo aditivo ui, denominado resduo ou erro. O modelo torna-se:
cuja expresso geral matricial
em que uma matriz de parmetros a serem estimados (incluindo o intercepto e os

coeficientes angulares) e um vetor de resduos ou erros aleatrios.
O formato matricial linear aberto ser:
Y1 1 X 11 L X 1k 0 1
Y 1 X L X 2 k 1 2
2 = 21
+
M M M O M M M

Yn 1 X n1 L X nk k n
Portanto, tm-se as matrizes assim nomeadas:

Y1 1 X 11 L X 1k 0 1
Y 1 X
L X 2k
1
Y= 2
;X = 21
; = ; = 2
M M M O M M M

Yn n x 1 1 X n1 L X nk n x ( k +1 ) k ( k +1 ) x 1 n n x 1
A disperso dos pontos em torno da reta o resultado de um grande nmero de
pequenas causas, cada uma delas produzindo um desvio positivo (+) ou negativo (). O desvio
ser a diferena entre o valor observado e o valor estimado da varivel dependente do modelo.
Portanto, tem-se ui devido a:
omisso de variveis
problemas de especificao
erros de medida da varivel dependente
Pode-se dizer que Y nunca pode ser previsto exatamente. Portanto, para cada valor de
X, existe uma distribuio de probabilidade dos valores de Y, com mdia
e varincia constante 2.
O objetivo da anlise de regresso estimar uma curva atravs da nuvem de pontos do
diagrama de disperso, sendo que a forma da curva deve ser pressuposta pelo pesquisador.
Neste caso, a teoria a respeito da relao estudada, a anlise da disperso dos pontos e os
estudos anteriores acerca desta relao ajudaro nesta definio.
2. Pressuposies do Modelo de Regresso Linear

Clssico
O modelo clssico de anlise de regresso construdo com base numa srie de

pressuposies referentes ao comportamento da populao. Estas pressuposies so descritas
no Quadro 1. Conhecidas essas pressuposies, ser possvel estimar os parmetros do
modelo, assim como a matriz de varincia e covarincia dos mesmos e a respectiva matriz
para os resduos.
Quadro 1. Pressuposies do Modelo de Regresso Linear Clssico Normal
Expresso Matemtica* Problema

Pressuposio (o que acontece se as
Notao Escalar Notao Matricial pressuposies no forem atendidas)
Yi=0 + 1 Xi1 + ... + k Xik + i No linearidade,

1. Relao Linear Y = X +
em que i =1, 2, 3,..., n Erro de especificao dos Xs
2 . Mdia do erro zero E(i) = 0 para todo i E() = 0, onde e 0 so vetores nX1 Erro de especificao
3. Varincia do erro constante E(i) = , para todo i Heterocedasticidade

E() = I
4. Erros independentes E(ij) = 0, i j Autocorrelao
X1, X2, ..., Xk so fixos Erros nas variveis,

5. Variveis explicativas so no- A matriz X no-estocstica
Cov(Xij, i) = 0 Varivel dependente defasada,
estocsticas ou fixas Cov(X, ) = 0
p/ j= 1, 2, 3, ..., n Relaes simultneas
Posto de X igual ao seu nmero de

6. Independncia linear entre as variveis Ausncia de relao linear entre os
colunas, isto , Multicolinearidade
explicativas Xs
(X) = p < n
i ~ N (0, )
7. Erro tem distribuio normal ~ N (0, I) Erros no-normais
i = 1, 2, 3, ..., n
* Em que Y = [Yi] um vetor nX1 das observaes da varivel dependente; X = [Xij] uma matriz nXp das observaes das variveis independentes; = [i]
um vetor nX1 dos erros aleatrios; = [j], j = 0, 1, 2, ..., k um vetor pX1 de parmetros a serem estimados; a varincia do erro, tambm a ser estimada; I
uma matriz identidade de ordem mXn; k o nmero de variveis independentes; p = K + 1 o nmero de parmetros; n o nmero de observaes; E
significa valor esperado ou esperana matemtica.
Agradeo a Andrea Francisca Conceio Mendes pela digitao desta tabela.
A seguir faz-se a descrio rpida das pressuposies do modelo clssico de regresso.
2.1. Pressuposio 1: A relao entre Y e X linear

Forma funcional
Esta pressuposio em princpio implica na considerao de uma reta estimada, ou seja,
uma funo linear nas variveis do tipo
Yi = 0 + 1 X 1i + 2 X 2i + K + k X ki + i
ou pela forma matricial:
Y = X +
em que Y o vetor de variveis explicadas, X uma matriz de variveis explicativas
(incluindo uma coluna de uns para o intercepto) e um vetor de resduos aleatrios.
Entretanto, deve-se atentar para outros tipos de linearidades implcitas na
pressuposio. Tm-se os seguintes tipos de linearidades: linearidade das variveis
explicativas (X) e linearidade dos parmetros (). A no-linearidade nas variveis s vezes
pode ser contornada por transformaes nas variveis, mas a no-linearidade dos parmetros
mais complicada e requer outros mtodos de estimao no-lineares.
fcil imaginar que o comportamento de um fenmeno econmico no segue a
relao retilnea, como por exemplo, as tradicionais relaes de oferta e demanda no
necessariamente sero retas que se cruzam. muito mais fcil admitir que o comportamento
de variveis econmicas seja curvilneo.
Quando as variveis explicativas so elevadas a alguma potncia diferente de um, a
funo que relaciona o comportamento dessas variveis com a varivel explicada ser
diferente de uma reta e os estimadores tradicionais de Mnimos Quadrados Ordinrios
(M.Q.O.) no mais sero vlidos.
Existem modelos que so chamados de intrinsecamente lineares, ou que podem se
tornar lineares por transformao das variveis. O caso mais comum na literatura econmica
o de funes do tipo Cobb-Douglas, ou seja,
Y = AX11 X 2 2 X 3 3 e
em que os parmetros podem assumir valores diferentes de um e, ainda, tem-se a

multiplicao de variveis explicativas. A funo acima pode ser linearizada transformando-
se as variveis em logaritmos, obtendo:
lnY = lnA + 1.lnX1 + 2.lnX2 + 3. lnX3 +

ou, simbolizando o ln por *:
Y * = 0 + 1X1* + 2 X *2 + 3 X *3 +
A funo linearizada pode ser estimada da forma tradicional lembrando que os

parmetros estimados sero agora da funo transformada, que no caso log-log (Cobb-
Douglas), equivalem s elasticidades. A funo transformada pode ser vista como linear nos
parmetros (os parmetros so todos em primeira potncia) e nas variveis transformadas
(X*=lnX).
Outros modelos no podem ser transformados e so os chamados intrinsecamente no-
lineares. Por exemplo, possvel perceber que a funo abaixo no pode ser linearizada:
Y = A1 + 2 e 3X1 + 4 e5X 2 + e
Esses modelos devem ser estimados por Mnimos Quadrados No-Lineares ou

Mxima Verossimilhana No-Linear.
Algumas formas funcionais utilizadas em economia da produo podem ser:
n
Cobb-Douglas logaritmizada: log y = a 0 + a i log x i
i =1
n
CES: y = a 0 + a i x i
i =1
n n n
Generalizada Leontief: y = a 0 + a i x i + a ij x i x j
i =1 i =1 j=1
n n n
Translog: log y = a 0 + a i log x i + a ij log x i log x j
i =1 i =1 j=1
n n n
Quadrtica: y = a 0 + a i x i + a ij x i x j
i =1 i =1 j=1
A utilizao de uma forma mais complexa em detrimento de uma mais simples

depender da disposio dos dados e do rigor cientfico desejado. A funo Cobb-Douglas de
modo geral oferece um ajustamento satisfatrio e fcil de executar. As funes elasticidade
de substituio constante (CES), Generalizada Leontief, Transcendental Logartmica e
Quadrtica so generalizaes da funo Cobb-Douglas para contornar pressuposies
econmicas de substitutibilidade dos fatores e produtos ou ainda de concorrncia perfeita,
entre outras situaes.
Juntamente ao problema da forma funcional (linearidade dos parmetros e variveis),
quando se especifica um modelo, automaticamente esto sendo cometidos outros dois tipos de
erros que podero ou no comprometer a anlise. Um est associado omisso de uma
varivel relevante e outro associado incluso de varivel irrelevante.
Omisso de varivel relevante
Imagine que a reviso de literatura, reviso terica, indique que a quantidade
demandada (Q) de um produto seja funo do preo do produto (P) e da renda (R), e que o
comportamento da demanda do produto analisado na realidade est em conformidade com a
teoria. O modelo correto seria:
(A) Qt = 0 + 1.Pt + 2.Rt + t*
em que os so parmetros estimados e o resduo aleatrio.
Imagine agora que, por algum motivo, estimou-se a demanda em funo apenas do
preo do produto, fazendo:
(B) Qt = 0 + 1.Pt + t.
em que so parmetros e as demais variveis como anteriormente citadas.
A questo : quais as conseqncias sobre os estimadores de M.Q.O. (ou sobre os
estimados)? Qual o efeito sobre 0 e 1 em razo da excluso de R do modelo?
Se Pt for altamente correlacionado com Rt, a retirada de Rt trar um alto vis (alta
tendenciosidade) e os parmetros estimados sero muito diferentes do valor esperado:
estimado E()
ou seja, os parmetros estimados sero inconsistentes e no limite E() .
Os testes de hipteses no sero vlidos e as estimativas de varincias tambm sero
tendenciosas.
Incluso de varivel irrelevante
Imagine agora a situao inversa: o modelo estimado contempla mais variveis
explicativas do que as que deveriam estar no modelo correto. Imagine que o modelo deveria
ter apenas P e que foi estimado com P e Z, sendo Z uma varivel irrelevante no modelo.
(A) Qt = 0 + 1.Pt + t. modelo correto
(B) Qt = 0 + 1.Pt + 2.Zt + t* modelo estimado
e que Z no tem relevncia terica.
A questo : quais as conseqncias de , em razo da incluso de Zt, sobre ?
As conseqncias da incluso de uma varivel irrelevante sero menos problemticas
que no caso da omisso de uma varivel relevante. Primeiro, a presena das variveis
irrelevantes no viesa as outras estimativas. Segundo, aumentam-se a varincia dos
parmetros e o desvio-padro. Tende, portanto, a fazer com que seja no significativo,
mas aumenta o coeficiente R2.
2.2. Pressuposio 2: O erro aleatrio tem mdia zero
Significa que o erro tem uma distribuio de probabilidade centralizada em zero (com
mdia zero). O erro o efeito das variveis que no consigo explicar no modelo. A mdia
pode ser considerada como o valor esperado do erro, ou seja,
E (i) = 0 , i = 1, 2, ..., n
Ou na forma matricial,
E() = 0
Dado que E() = 0, ento E(Y) = E[ X + ] = E[ X] +E[ ] = E[ X] + 0

Portanto, E(Y) = X e o modelo fornece solues adequadas estatisticamente. Essa
pressuposio importante para ter confiana na estimao por = (XX)-1XY. Caso os
erros no tenham mdia zero, o estimador = (XX)-1XY ser tendencioso.
2.3. Pressuposio 3: O erro aleatrio tem varincia constante

(presena de homocedasticidade)
A varincia calculada com base no valor esperado do quadrado da diferena entre a

mdia e o valor esperado da mdia. Ou seja, a definio estatstica
V(ei) = E [ei E (ei)]2
V(ei) = E (ei2) = 2 (populacional) para todo i
ou seja, presena de Homocedasticidade nos resduos. A presena da homocedasticidade
implica que a varincia para todos os resduos a mesma.
O caso contrrio ser:
V(ei) = E (ei2) = i2 presena de Heterocedasticidade
O problema de heterocedasticidade tpico de dados de seo cruzada. Pode
significar, por exemplo, uma heterogeneidade da amostra. A disperso dos valores para cada
observao diferente entre as observaes. A amostra vem de uma populao onde os erros
no so homogneos.
2.4. Pressuposio 4: Os erros aleatrios so independentes (ou

no autocorrelacionados)
Neste caso pressupe-se que os erros de uma observao no afetam os erros do

perodo seguinte, e assim sucessivamente.
COV(ei ,ej) = E { [ei E(ei)] [ej E(ej)] }
E (ei, ej) = 0, i j
esta pressuposio denominada ausncia de autocorrelao. A violao desta
pressuposio um problema tpico de sries temporais.
Quando se trabalha com ajustamentos de sries temporais, essa pressuposio em geral
no obedecida, visto que nas sries temporais como, por exemplo, as sries de preos, de
salrios e de produo tm no seu comportamento o reflexo de movimentos cclicos e/ou
sazonais.
Algumas causas da autocorrelao nos resduos esto relacionadas a variveis no-
especificadas no modelo, forma funcional inadequada e inrcia temporal no fenmeno.
A principal conseqncia da violao desta pressuposio a ineficincia dos
estimadores de M.Q.O. mas, continuam no-tendenciosos. Nesta situao, da mesma forma
que para a heterocedasticidade, melhor utilizar o mtodo de Mnimos Quadrados
Generalizados (M.Q.G.).
2.4.1 Investigao acerca da Matriz de Varincia e Covarincia dos resduos

A anlise da Matriz de Varincia e Covarincia dos resduos, doravante chamada de
Var-cov(), permite interpretar as pressuposies de presena de homocedasticidade dos
resduos e presena da no autocorrelao dos resduos numa mesma matriz.
Seja o vetor de resduos do tipo:
1

= 2
M

n n x 1
Ento, sua transposta ser: ' = [ 1 2 L n ]1 x n . Assim, a matriz var-cov() ser:
21 1 2 L 1 n
2

2 1 2 L 2 n
Var Cov ( ) = E ( ) = E
M M O M
n 1 n 2 L 2n

2 0 L 0
2
0 L 0
E ( ) = I = E
2
M M O M

0 0 L 2
Assim, ao escrever que var-cov() = 2.I, ao mesmo tempo se diz que as varincias so
homocedsticas iguais a 2 (diagonal principal tem todos os valores iguais a 2, i=j) e que as
autocorrelaes entre resduos de observaes distintas so nulas (valores nulos fora da
diagonal principal, ij).
2.5. Pressuposio 5: As variveis explicativas so no aleatrias

(so fixas)
Neste caso, pressupem-se fixos os valores da varivel explicativa e observa-se o que
ocorre com a varivel dependente. Se o X aleatrio, mas independente do erro, pode-se
mostrar que os parmetros estimados sero no-tendenciosos.
Entretanto, se as variveis explicativas e os termos aleatrios forem correlacionados,
haver inconsistncia dos estimadores de mnimos quadrados ordinrios. Deve-se utilizar o
estimador de variveis instrumentais. O mtodo de Variveis instrumentais prev que
= (ZX)-1ZY , e Z uma matriz de instrumentos independentes dos erros aleatrios.
2.6. Pressuposio 6: O erro tem distribuio normal, com mdia

zero e varincia constante:
Esta pressuposio pode ser especificada da forma:
i N (0, 2) , i = 1, 2, ..., n
As conseqncias associadas a no-normalidade dos resduos so parmetros
estimados no-normais e no ser possvel fazer os testes de hipteses com distribuies
baseadas na normal, como os usuais testes t e F para avaliar a qualidade dos
ajustamentos, e para construir intervalos de confiana para os parmetros conforme exposto
ao longo do curso.
Os estimadores continuam sendo os Melhores Estimadores Lineares No-
Tendenciosos (MELNT).
2.7. Pressuposio 7: Ausncia de relao linear exata entre as

variveis explicativas (no multicolinearidade)
Considere a matriz de variveis explicativas como composta por colunas das variveis
X1, X2, ... , Xn e ainda uma coluna de 1 para incluir o intercepto.
A pressuposio prev a no existncia de qualquer relao linear, como por exemplo,
X1 = 2.X2
X1 + 3.X2 = X5
No mtodo de mnimos quadrados ordinrios, a existncia de uma relao linear entre
os Xs representa uma reduo no posto da matriz (X) e o determinante de XX ser prximo
de zero. No caso de uma relao linear exata, haver uma singularidade perfeita na matriz
XX e seu determinante ser prximo de zero.
Como o mtodo de mnimos quadrados ordinrios prev a inverso da matriz XX, o
determinante prximo de zero far com que os parmetros sejam indeterminados. A matriz
(XX)-1 no existir e no ser possvel estimar o modelo.
O problema da correlao entre as variveis explicativas pode ser visto da seguinte
maneira:
1) ausncia de correlao ou ausncia de multicolinearidade: a regresso mltipla d o mesmo
resultado que as regresses simples quando as correlaes parciais entre as variveis
explicativas forem nulas;
2) correlao perfeita ou multicolinearidade perfeita: a relao linear perfeita entre os Xs
causa a indeterminao de = (XX)-1XY pois (XX)-1 singular;
3) alto grau de correlao entre os Xs ou multicolinearidade imperfeita: multicolinearidade
Multicolinearidade: problema relacionado com fortes correlaes entre as variveis

explicativas no modelo de regresso
O enfoque diferente das outras pressuposies: um problema da amostra, enquanto
as outras pressuposies se referiam mais ao erro e populao, enquanto esta se refere mais
amostra. No se trata, portanto, de testar a pressuposio, mas sim de pensar como lidar com
o problema.
Conseqncias da multicolinearidade:
Tericas: conseqncias sobre as propriedades dos estimadores de M.Q.O.; a
multicolinearidade no afeta em nada as propriedades dos estimadores de M.Q.O.,
que continuam os melhores estimadores lineares no-tendenciosos (MELNT);
Prticas:
1. aumenta as varincias dos parmetros estimados:
aumenta V() = s2(XX)-1
(XX)-1 = (1/|XX|) . Adj(XX)
como |XX| 0 => (XX)-1 e V()
2. aumenta erro-padro
3. reduz t => induz no-significncia => estarei aceitando o fato de que ela
no importante no modelo em virtude da multicolinearidade
4. Estimativas muito sensveis: tirando uma ou duas observaes, as estimativas
alteram muito => melhor ter um modelo onde as alteraes no alteram
muito as estimativas, uma certa estabilidade do modelo em termos de
magnitudes e sinais
3 Estimao
A estimao dos parmetros do modelo linear pressupe a satisfao aos pressupostos

bsicos anteriormente mencionados. O princpio que norteia os clculos obter valores de
parmetros que minimizem a Soma do Quadrado dos Resduos - SQRes.
Ou seja, para o modelo
FORMA ALGBRICA: Min i2 = (Yi 0 1X1i 2X2i)2
FORMA MATRICIAL: Min ou Min SQRes
O problema matemtico de otimizar, ou seja, minimizar um produto de um vetor
linha por um vetor coluna. Portanto, deriva-se e iguala a zero obtendo a soluo para o vetor
de parmetros. Segue abaixo:
( Y X
' = Y X )( )

' = Y Y Y X X Y +
X X

( ' ) =0
= 2 X Y + 2 X X
Sistema de equaes normais dos
X X = X Y mnimos quadrados
= ( X X )1 X Y
Vlida para no
multicolinearidade de X
Portanto, o estimador dos parmetros pelo mtodo de Mnimos Quadrados Ordinrios

(MQO) :
1
(k+1 x 1) = ( X X )

X Y
Assim, com as matrizes X e Y posso obter os parmetros estimados.

O estimador da varincia dos resduos ser s2, para os (n-p) Graus de Liberdade (GL =
nmero de observaes, n, menos o nmero de parmetros, p):
ee SQRes SQRes
s2 = = =
n p n p G.L.
A matriz de varincia-covarincia dos parmetros ser:

Var Cov( )= E (
)( )

mas
= ( X X )1 X Y

= ( X X )1 X ( X + ) = ( X X )1 X X + ( X X )1 X

= I . + ( X X )1 X

= ( X X )1 X

) = E ( X X )1 X ( X X )1 X
Var Cov(

( )(

)
) = E ( X X ) X X ( X X )
Var Cov(
1 1
Mas como X so fixas, independentes dos resduos, o valor esperado se reduz a:

) = ( X X )1 X E [ ] X ( X X )1
Var Cov(
) = ( X X )1 X 2 IX ( X X )1
Var Cov(
Ou seja,
) = 2 ( X X ) X X ( X X )
Var Cov(
1 1
) = 2 I ( X X )1
Var Cov(
) = 2 ( X X ) 1
Var Cov(
ou
) = s 2 ( X X )1
Var Cov(
Desta forma, tem-se as equaes essenciais para a estimao. Segue quadro resumo
abaixo, com os estimadores de MQO.
Quadro 2. Estimadores de Mnimos Quadrados Ordinrios.

Estimadores dos = ( X X )1 X Y Estimador da var-

parmetros cov dos resduos
ee SQRes SQRes
s2 = = =
n p n p G.L.
) = s 2 ( X X )1 Estimador da var-
Var Cov(
cov dos parmetros
O valor dos erros padres dos parmetros sero obtidos a partir da raiz da varincia
dos parmetros, ou seja, tirando-se a raiz da diagonal principal da var-cov().
Os parmetros devem ter anlise de significncia, por meio de um teste de hiptese do
tipo t-Student:
H0 : j = 0
H1 : j 0 ( bilateral )

tcalculado =
j
~ tn p
s G .L.
j
Os softwares economtricos em geral disponibilizam o valor da probabilidade (p-

value) associado ao valor de t calculado. Desta forma, pode-se comparar com nveis
predeterminados de significncia para rejeitar ou no a hiptese nula. Em geral, costuma-se
observar os p-values comparando a 10%, 5% ou 1% para concluir a respeito da hiptese nula.
Espera-se, para que a varivel X tenha efeito no-nulo sobre Y, que rejeite-se a hiptese nula
e que assim, os valores calculados dos parmetros permitam uma interpretao econmica
deste efeito.
Para auxiliar o entendimento, possvel decompor a variao de Y como abaixo:
+ (reta estimada)
Variao total = variao explicada por X + variao no-explicada
: variao devida regresso
SQTot=SQReg + SQRes
Em que SQTot a soma dos quadrados totais (relativa variao total), SQRes a
soma do quadrado dos resduos (relativa variao no explicada) e SQReg a soma dos
quadrados da regresso (relativa variao explicada por X).
SQTot = yi2 = yi2 + 2 yi e i + e i2 = ( Yi Y ) = Y Y nY 2

2
SQRes = ei2 = e' e = Y Y

X Y
( )
2
SQReg = yi2 = Yi Y = Y Y nY 2
SQTot = SQReg + SQRes
O coeficiente de determinao (R2 R-squared) utilizado para avaliar quanto da

variao total explicada. Define-se como:
Seu intervalo de variao de zero a um em condies normais: 0 < R2 < 1.

Se SQRes=SQT ento R2=0.
Se SQRes 0 ento R2=1.
Ou seja, mede quanto da Variao de Y est sendo explicada por Variaes de X, ou
seja, mede a qualidade do ajustamento. Procura-se estimar um modelo com o maior R2
possvel. Em geral, acredita-se ter um modelo bem ajustado para valores maiores que 0,8, mas
sempre se deve ter cautela quanto a esses indicadores usualmente aceitos.
Na forma matricial, o clculo ser;
X Y nY 2
X Y
Y Y
R2 = = 1
Y Y nY 2
Y Y nY 2
Outro indicador til, principalmente para comparaes entre modelos o R2 ajustado
(adjusted R-squared). Ele recebe este nome, pois se faz um ajustamento de SQRes e de SQTot
quanto aos graus de liberdade da respectiva variao. Assim, tem-se:
SQRes
R2 = 1
( n-p )
SQTot
( n-1)
Em gral, quanto maior o nmero de variveis X, maior o valor de R2, mas para o R2
ajustado esta regra no vale. Justamente para evitar a incluso equivocada de variveis
explicativas que se usa o R2 ajustado. Assim, a incluso de uma varivel irrelevante poder
elevar o valor de R2, mas no necessariamente elevar o valor de R2 ajustado.
2 2
Se n for grande e p pequeno em relao a n, a diferena entre R e R ser pequena.
Se n for pequeno e p grande em relao a n, a diferena entre ambos pode ser grande e o valor
ajustado ser mais importante.
Outro indicador o Teste F da regresso (F-statistic). Procura-se saber se o modelo
tem suporte estatstico. o Teste de significncia global da regresso: os Xs em conjunto
explicam Y de forma significativa. A hiptese nula de que todos os parmetros em conjunto
so nulos. A Hiptese alternativa prev pelo menos um parmetro no nulo.
H 0 : 1 = 0,2 = 0,...,k = 0
H1 : pelo menos um i 0
Define-se a estatstica de teste como:
SQReg
p-1
F= ~ Fp 1,n p
SQRes G .L.
n-p
Se Fcalculado > Ftabelado , ento rejeita-se H0 e concluo pela existncia de ao menos um X

explicando Y. Deseja-se um P-value (F de significao) menor que 10%, 5% ou 1%,
similarmente ao teste de t dos parmetros.
Esses indicadores em geral so obtidos em todos os softwares economtricos ou
estatsticos. Pode-se mencionar alguns: Excel, Eviews, Stata, SAS, SPSS, Gauss, MatLab,
TSP. Alguns sites podem auxiliar ao leitor:
http://www.oswego.edu/~economic/econsoftware.htm
http://www.economics.ltsn.ac.uk/software/econometrics.htm
http://emlab.berkeley.edu/eml/index.shtml
O anexo apresenta rotinas para execuo dos clculos usando matrizes no Excel. Um
software bastante interessante, plataforma livre e com verso em portugus o GRETL, no
link: http://gretl.sourceforge.net/gretl_portugues.html .
Anexo 1: Estimao utilizando matrizes no Excel:
1. Entrada dos dados:

a. Digitar matriz de dados X e Y no Excel
i. Gujarati p.279 X(10x2) e Y(10x1)
2. Copiar X e colar especial selecionando transpor, fazendo X (2x10)
3. Fazer multiplicao X.X (2x10).(10x2) = XX(2x2)

a. Seleciona a rea de sada (2x2)
b. Inserir frmula matemtica Matriz.mult
i. Matriz 1 = X
ii. Matriz 2 = X
c. Teclar OK
d. Teclar F2
e. Teclar Shift+Control+Enter todas ao mesmo tempo para aparecerem todos os
dados da matriz XX (2x2)
i. Gujarati p.284
4. Fazer inversa de XX fazendo (XX)-1

a. Selecionar rea de sada (2x2)
b. Inserir frmula matemtica Matriz.inverso
c. Matriz = XX
d. Teclar OK
e. Teclar F2
f. Teclar Shift+Control+Enter todas ao mesmo tempo para aparecerem todos os
dados da matriz (XX)-1 (2x2)
i. Gujarati p.285
5. Fazer XY (2x10).(10x1) = XY(2x1)

a. Selecionar rea de sada (2x1)
b. Inserir frmula Matriz.mult
i. Matriz 1 = X
ii. Matriz 2 = Y
c. Teclar OK
d. Teclar F2
e. Teclar Shift+Control+Enter todas ao mesmo tempo para aparecerem todos os
dados da matriz (XY) (2x1)
i. Gujarati p.285
6. Clculo de beta estimado

a. Betaest = (XX)-1(2x2) (XY)(2x1) = (XX)-1(XY)(2x1)
i. Selecionar sada 2x1
ii. Inserir frmula Matriz.mult
1. matriz 1 = (XX)-1
2. matriz 2 = (XY)
b. Teclar OK
c. Teclar F2
d. Teclar Shift+Control+Enter todas ao mesmo tempo para aparecerem todos os
dados da matriz (betaest) (2x1)
i. Gujarati p.285
7. Para obter Matriz de var-cov(betaest) fazer

a. ' = YY betaest. XY
i. Calcular YY pela funo Matriz.mult
ii. Calcular betaest. XY pela funo Matriz.mult
1. matriz 1 = betaest
2. matriz 2 = XY
iii. Fazer diferena i ii
b. Calcular sigma quadrado: s2 = /(n-k)
i. n-k = graus de liberdade
c. Calcular var-cov(betaest) = s2.(XX)-1 (2x2)
i. Fazer multiplicao de escalar por cada elemento de (XX)-1
8. Fazer a raiz quadrada dos elementos da diagonal, obtendo os erros padres dos
parmetros estimados: utilizar a funo RAIZ() do Excel.
9. Calcular o valor de t fazendo t = betaest/erropbeta . O valor da probabilidade do teste

pode ser obtido pela funo estatstica do Excel, fazendo DISTT(t;n-p;2) que
retornar o valor da probabilidade para P(t> t) para o valor t, para n-p graus de
liberdade e 2 caudas (bicaudal).
10. Calcular R2
a. R2 = SQE/SQT = (betaest.XY n.Y 2)/(YY - n. Y 2)
i. Y = mdia de Y
SQE SQ Re s
p 1 np
b. R 2 = = 1
SQT SQT
n 1 n 1
SQE
p 1
c. F = ~ Fp 1,n p ( GL )
SQ Re s
np
Anexo 2: Exerccios:
1. De acordo com a metodologia economtrica, responda verdadeiro (V) ou falso (F):
( ) A heterocedasticidade um problema no modelo de regresso clssico pois altera os

erros-padres dos parmetros.
( ) A expresso = ( X ' X ) X ' Y permite o clculo dos parmetros por MQO.
1
( ) A existncia de resduos autocorrelacionados implica em interdependncia entre os

mesmos.
( ) A aceitao da hiptese nula do teste t-Student dos parmetros implica na existncia de
efeitos da varivel X sobre Y no modelo Y = f(X) +
( ) sempre desejvel acrescentar variveis ao modelo de regresso at o limite de dez
regressores.
( ) A expresso para obteno dos parmetros por Mnimos Quadrados Ordinrios,
= ( X ' X )1 X ' Y pode ser utilizada para um modelo logaritmizado linear.
( ) A pressuposio de no-autocorrelao dos resduos implica em covarincias nulas
entre os mesmos.
( ) A estimao realizada pela Ferramenta de Anlise de Dados de Regresso no Excel
fornece os mesmos parmetros estimados que em = ( X ' X ) X ' Y .
1
( ) A idia bsica da estimao economtrica obter os parmetros de tal forma que a

soma dos erros seja, na mdia, nula, e a soma de seus quadrados seja mnima.
( ) A expresso para obteno dos parmetros por Mnimos Quadrados Ordinrios,
= ( X ' X )1 X ' Y refere-se a um modelo linearizado qualquer.
( ) A heterocedasticidade dos resduos implica em varincias constantes dos resduos ao
longo da amostra.
( ) A estimao realizada pelas operaes matriciais no Excel fornecem os mesmos
parmetros estimados que a Ferramenta de Anlise de Dados de Regresso do referido
software.
( ) A especificao do modelo no precisa ser feita antes da estimao, pois as vezes ser
necessrio excluir alguma varivel do modelo.
( ) A fase de estimao do modelo consiste em determinar os parmetros da equao
estimada.
( ) Todo modelo estimado pode ser utilizado para fazer previses da varivel explicada.
( ) A econometria pode favorecer todas as reas da economia, pois sempre possvel
explicar tudo que se quer com a econometria.
( ) O modelo de regresso linear simples um caso especfico do modelo de regresso
linear mltiplo, podendo estimar os parmetros matricialmente nos dois casos.
2. Cite e comente a pressuposio de linearidade do modelo de regresso clssico.
3. O mtodo de estimao de Mnimos Quadrados Ordinrios um dos mais utilizados para

estimar parmetros economtricos. Explique o que significa e o raciocnio por trs desse
mtodo.
4. Cite e comente a pressuposio de presena de homocedasticidade dos resduos do

modelo de regresso clssico.
5. Suponha que se tem dados municipais para o modelo lnQi = o + 1.lnJUROSi1 +

2.lnRDi2 + i, em que Q a quantidade demandada de moeda no municpio i, em
milhares de reais; JUROS a taxa de juros interbancria (CDI) em valores nominais; RD a
renda disponvel per capita em reais; s so parmetros do modelo e o erro aleatrio tal
que ~ N(0,s2). Pergunta-se:
a) Como voc faria para obter os valores dos s num ambiente computacional do Microsoft
Excel? Quais os passos necessrios para execuo da estimao?
b) possvel fazer por meio matricial? Quais os passos necessrios para execuo da
estimao?
6. Seja um exemplo da verso modificada da Curva de Phillips macroeconmica,

relacionando o ndice de salrios como varivel dependente (W) como funo dos preos
(IGP), da taxa de desemprego (U) e do produto nacional bruto (PNB) como variveis
independentes. O modelo ser do tipo: Wt = 0 + 1 IGPt + 2 PNB t + 3 U t + t . Interprete
os resultados abaixo e avalie comparativamente os dois resultados. Fonte: dados mensais
de W, U e IGP-DI, coletados no www.ipeadata.gov.br e realizaram-se mdias anuais. O PIB
per capita anual foi obtido diretamente do mesmo site.
Dependent Variable: LOG(W)

Method: Least Squares
Date: 03/22/06 Time: 11:05
Sample: 1980 2004
Included observations: 25
Variable Coefficient Std. Error t-Statistic Prob.
C -17.74151 3.737840 -4.746459 0.0001
LOG(IGP) -0.020270 0.002273 -8.918010 0.0000
LOG(PIB) 2.450833 0.407685 6.011589 0.0000
LOG(U) 0.425183 0.068249 6.229885 0.0000
R-squared 0.818600 Mean dependent var 5.414171
Adjusted R-squared 0.792686 S.D. dependent var 0.181513
S.E. of regression 0.082646 Akaike info criterion -2.002847
Sum squared resid 0.143439 Schwarz criterion -1.807827
Log likelihood 29.03559 F-statistic 31.58878
Durbin-Watson stat 1.724283 Prob(F-statistic) 0.000000
Dependent Variable: W
Date: 03/22/06 Time: 11:10
Sample: 1980 2004
C -290.8117 327.1702 -0.888870 0.3841
IGP -0.326847 0.193898 -1.685664 0.1067
PIB 0.046182 0.034176 1.351321 0.1910
U 21.07782 8.048040 2.619000 0.0160
S.E. of regression 37.48923 Akaike info criterion 10.23163
Sum squared resid 29514.30 Schwarz criterion 10.42665
Log likelihood -123.8954 F-statistic 2.403666
7. Seja um exemplo do PIB Real (REALGDP) como funo do Consumo Real (REALCONS),
Investimento Real (REALINVS), Gastos Reais do Governo (REALGOVT), e Transaes
Lquidas Reais com o Exterior (REALINT), OBS a varivel de tendncia. Encontre o R2, R2
ajustado, os coeficientes, erros-padres e valores de t para completar os resultados e
analise-os a seguir:
Dependent Variable: REALGDP

Date: 03/09/06 Time: 08:29
Sample: 1950:1 2000:4
REALCONS 1.123936 44.48754 0.0000
REALINVS 0.516396 0.044046 11.72401 0.0000
REALGOVT 0.538837 0.056164 9.594029 0.0000
REALINT 1.089732 -1.558385 0.1207
OBS 1.928942 0.370999 0.0000
C 121.9011 24.04763 5.069154 0.0000
R-squared Mean dependent var 4562.646
Adjusted R-squared S.D. dependent var 2113.962
4 Violaes nas Pressuposies Clssicas do Modelo de

Regresso Linear
O modelo clssico de anlise de regresso construdo com base numa srie de pressuposies
referentes ao comportamento da populao. Estas pressuposies foram descritas nas sees
anteriores e aqui se discute principalmente a forma de testar a hiptese e a operacionalizao da
soluo.
4.1. Pressuposio 1: A relao entre Y e X linear
Deteco do problema:
Entre outros estes, o teste RESET de Ramsey (1969)2 um dos mais aplicados na literatura.
O nome vem do pesquisador Ramsey para o Regression Specification Error Test ou teste de erro de
especificao da regresso (No Eviews, ver na janela da equao o teste de estabilidade (Stability
Tests) e definir o nmero de termos estimados).
O teste baseado na regresso aumentada
Y = X + Z +
em que X so as variveis explicativas e Z so variveis dependentes estimadas e elevadas a uma
potncia
Z = [ Yest2 Yest3 Yest4] exemplo para trs fitted terms (termos acrescentados na regresso
aumentada).
A idia olhar a significncia dos para ver se os termos acrescentados so relevantes no
modelo, indicando erro de especificao.
Procedimento do teste:
1) estima-se Y = X +
2) obtm-se os valores previstos de Y e gera-se Yest2 Yest3 ou mais se
desejar. Recomenda-se no mximo at 3 termos, ou seja, at Yest4.
3) Ajusta-se a regresso aumentada, colocando-se os X e as variveis do item 2 :
Y = f ( X, Yest2, Yest3 )
4) Com as regresses de 1 e de 3, observam-se os valores de R2 novo (de 3) e R2
velho (de 1) e calcula-se a estatstica de teste:
2
Ramsey, J. B. (1969) Tests for Specification Errors in Classical Linear Least Squares Regression Analysis, Journal
of the Royal Statistical Society, Series B, 31, 350371.
5) Estatstica de Teste;
2 2
Rnovo Rvelho
nmero de novos regressores (m)
F= 2
1 Rnovo
n nmero parametros no novo mod elo (p)
F ~ Fm,n-p
m o nmero de novos regressores
n-p o nmero de observaes menos o nmero de parmetros no
novo modelo
6) Comparar o F do item 5 com o F da tabela, para o nvel de significncia,

numerador m e denominador n-p. Como a hiptese nula de que no h
erro de especificao, espera-se que a hiptese nula no seja rejeitada, ou
seja, que F seja muito pequeno.
O teste RESET indica apenas se o modelo est especificado incorretamente, mas no diz
qual seria a soluo. A soluo para um problema seria incluir outras variveis relevantes no
modelo, retirar as irrelevantes, ou mudar a forma funcional. Portanto, o bom senso indica que
melhor incluir variveis do que excluir, pois a excluso pode causar vis, enquanto a incluso tende
a melhorar o modelo, a no ser pela possibilidade de no-significncia dos parmetros.
Implementao no Eviews:
No Eviews, aps a estimao dos parmetros, abre-se a janela da equao e depois clica-se
em View, e posteriormente em Stability Tests. A opo do teste RESET aparecer em outra janela
perguntando quantos termos ajustados sero includos (fitted terms). O aluno deve estabelecer
quantos termos (sugere-se at 3) e clica-se em ok. O programa gerar a estatstica de teste RESET
de Ramsey, mas aqui a hiptese nula um pouco diferente do teste calculado anterior, pois o
programa testa se todos os parmetros so zeros, o que indicar que no h erro. Portanto, se a
probabilidade de F do Eviews for abaixo do nvel de significncia (por exemplo, 10%) (F alto),
pode-se dizer que rejeita-se a hiptese nula e existe um erro de especificao. Se o F for baixo,
aceita-se que =0 e, portanto, no h erro de especificao.
No exemplo, mostra-se que existe erro de especificao.
Tabela 1. Exemplo de sada do Eviews para o Ramsey RESET Test.
Ramsey RESET Test:
F-statistic 5.281559 Probability 0.001932
Log likelihood ratio 15.74446 Probability 0.001279
Test Equation:
Dependent Variable: QSOJA
Date: 06/06/03 Time: 14:57
Sample: 1988:09 1998:05
FERTILIZANTE 304.1298 135.0469 2.252031 0.0263
TRATOR 18591.29 8231.767 2.258481 0.0259
MO 115237.7 51069.36 2.256493 0.0260
C -230604.7 101861.3 -2.263908 0.0255
FITTED^2 2.664804 1.165269 2.286857 0.0241
FITTED^3 -0.005642 0.002453 -2.300025 0.0233
FITTED^4 4.43E-06 1.92E-06 2.302617 0.0232
Outra forma olhar os diferentes modelos e comparar o R2 ajustado. Quanto mais prximo
de 1 melhor ser a estimao. deficiente para o caso de varivel omitida.
Outras opes so observar os coeficientes do critrio de Akaike e Schwarz, fornecidos na
sada da estimao do Eviews. Menores coeficientes AIC e SIC indicam melhores ajustamentos da
regresso, mas s podem ser comparados se as unidades das variveis das diferentes regresses
forem as mesmas (por exemplo, no se aplica numa comparao entre Y e outra com LogY). Deve-
se olhar todos os critrios para melhor anlise dos resultados.
O Critrio de Informao de Akaike (ou AIC de Akaikes Information Criterion) ou o
Critrio de Informao de Schwarz ou Bayesiano (ou SIC de Schwarzs Information Criterion ou
em alguns livros BIC de Bayesian Information Criterion) so expressos no Eviews da forma j
logaritmizada como:
em que k o nmero de regressores incluindo-se o intercepto; n o nmero de observaes; l o

log Verossimilhana da regresso; e so os resduos estimados do modelo.
No formato mais simplificado exposto por Greene (2002), tem-se:
Anexo
Fazendo o teste RESET para investigar se existe erro de especificao:
1) fazer a estimao original a ser testada

2) na janela Equation, entrar em View, Stability Tests, Ramsey Reset Test como na figura a
seguir:
3) na janela RESET Specification, colocar o nmero de variveis a serem adicionadas no teste

(nmero de variveis dos valores previstos de Y)
se inserir apenas Y 2 (FITTED^2) ento digitar 1

se inserir apenas Y 2 (FITTED^2) e Y 3 (FITTED^3) ento digitar 2
se inserir apenas Y 2 (FITTED^2) e Y 3 (FITTED^3) e Y 4 (FITTED^4) ento digitar 3
assim sucessivam ente
O RESULTADO SAIR CONFORME A LTIMA IMAGEM A SEGUIR

4.2. Pressuposio 2: O erro aleatrio tem mdia zero
A maior dificuldade que no existe teste formal para essa pressuposio. similar a um
erro de especificao do modelo, como por exemplo, com variveis relevantes omitidas do modelo.
O modelo com uma correta especificao provavelmente no ter problemas com mdia dos
resduos no nula.
Normalmente se faz o teste simples de H0: mdia igual a zero para investigar a violao
ou no da pressuposio. Valores elevados para a probabilidade indicaro a aceitao da hiptese
nula e confirmao da pressuposio.
Anexo:
Roteiro para testar mdia dos resduos nula:
Tabela dos resduos
observao observado previsto resduos

obs Actual Fitted Residual
1971Q3 11484.0 10943.9 540.083
1971Q4 9348.00 9417.85 -69.8452
1972Q1 8429.00 9502.75 -1073.75
1972Q2 10079.0 9184.43 894.568
1972Q3 9240.00 8884.84 355.164
1972Q4 8862.00 9288.01 -426.006
1973Q1 6216.00 7311.47 -1095.47
1973Q2 8253.00 7595.20 657.800
1973Q3 8038.00 8297.50 -259.501
1973Q4 7476.00 7559.49 -83.4900
1974Q1 5911.00 5955.55 -44.5506
1974Q2 7950.00 6004.86 1945.14
1974Q3 6134.00 6802.14 -668.142
1974Q4 5868.00 6544.46 -676.458
1975Q1 3160.00 3992.40 -832.395
1975Q2 5872.00 5035.14 836.855
Na janela do Workfile, na serie Resid, possvel fazer o teste t para a mdia dos erros igual a
zero:
Na janela View da Series: Resid, escolher a opo Tests for Description Stats, Simple
Hypothesis Tests:
A janela do simple Hypothesis tests permitir especificar se a mdia igual a zero,

especificando zero e teclando ok:
Hypothesis Testing for RESID

Date: 03/16/06 Time: 17:12
Sample: 1971Q3 1975Q2
Test of Hypothesis: Mean = 0.000000
Sample Mean = -4.16e-16

Sample Std. Dev. = 0.144606
Method Value Probability
t-statistic -1.15E-14 1.0000
Como o valor da probabilidade implica na aceitao da hiptese nula, ou seja,

H0: mdia = 0
4.3. Pressuposio 3: O erro aleatrio tem varincia

constante (presena de homocedasticidade)
A presena de heterocedasticidade no gera vis ou tendenciosidade nos parmetros

angulares. Entretanto, os parmetros de M.Q.O. no sero os mais eficientes (pois o M.Q. O.
superestimar o verdadeiro erro-padro e presena de heterocedasticidade) e a estimao
dever ser feita por Mnimos Quadrados Generalizados (M.Q.G.), que consiste em um
M.Q.O. para variveis transformadas que satisfazem as hipteses usuais de mnimos
quadrados. A mecnica passa pela diviso de todas as variveis, por exemplo, pelo respectivo
desvio-padro do resduo, ou caso o desconhea, pela varivel explicativa correlacionada ao
resduo.
Procede-se da seguinte forma. Primeiro realiza-se o teste de Glejser, que entre outros
como o de Goldfeld-Quandt, apresenta-se mais eficiente e auxilia na implementao da
correo do problema. Esse teste permite que se indique a exata relao existente entre a
varivel X e os resduos (Diaz, 2000)3.
Passos:
1. estimar o modelo inicial: Y = X +
2. com os resduos de 1, estimar as regresses auxiliares:
a. |ei| = 0 + 1Xi
b. |ei| = 0 + 1Xi2
c. |ei| = 0 + 1(1/Xi)
d. |ei| = 0 + 1(Xi)
e. |ei| = 0 + 1Xih
em que h denota uma potncia.
Se o 1 for diferente de zero em alguma das regresses auxiliares (pelo teste
usual de t), ento rejeita-se a hiptese nula de que no h heterocedasticidade.
Portanto, existe heterocedasticidade. Caso todas as regresses tenham 1= 0,
ento no existe heterocedasticidade.
3
DIAZ, M.D.M. Problemas economtricos no modelo linear geral. In: VASCONCELLOS, M.A.S.; ALVES, D.
(Coords.) Manual de econometria. So Paulo:Atlas, 2000. p.105-137.
Conhecido o resultado do teste de Glejser, utiliza-se a varivel da regresso auxiliar
que acusou o problema para ponderar as variveis, transformando-as, e procedendo a
estimao de M.Q.G., ou seja, M.Q.O. nas variveis transformadas.
Este problema de presena de heterocedasticidade tambm pode ser detectado por
meio de anlise grfica. Pode-se estimar a funo e fazer o grfico dos resduos ao longo da
amostra:
ei x Xi
ei x Yi ou Yi,estimado
A estimao por M.Q.G. ser para o modelo:
P.Y = PX + P
e o vetor de parmetros estimados ser
= (XPPX)-1XPPY
que o mesmo que estimar o M.Q.O. para Y* = X* + *.
Os resduos podem ser obtidos no Eviews fazendo, na janela de uma equao,
Procs/make residual series. O programa pergunta o nome da srie a conter os resduos e uma
vez feito isso s especificar a srie como varivel.
O mtodo como descrito acima uma alternativa apresentada em vrios livros de
econometria, mas como a transformao fazendo Y/Xi pode gerar uma correlao espria,
indicando uma correlao entre Y/X que na realidade no ocorreria entre Y e X caso no
fosse feita a transformao, sugere-se ento o teste e a correo de White4.
Por exemplo, para uma regresso da forma
Yi = 1 + 2 X2i + 3X3i + i
o teste de White implementado manualmente da seguinte forma:
a) estima-se a regresso inicial e obtm-se os resduos ei;
b) faz-se uma regresso auxiliar do tipo
ei2= 1 + 2 X2i + 3X3i + 4 X2i2+ 5X3i2 + 6 X2i.X3i + i
ou seja, o quadrado dos resduos estimados como funo das variveis explicativas, dos
quadrados das variveis explicativas e do produto cruzado das variveis explicativas. Deve-se
incluir o termo do intercepto (1) mesmo que na regresso original no o tenha.
4
White, Halbert (1980) A Heteroskedasticity-Consistent Covariance Matrix and a Direct Test for
Heteroskedasticity, Econometrica, 48, 817838.
c) Analisa-se o R2 da regresso auxiliar multiplicado pelo tamanho da amostra (n)
comparando com o valor da tabela qui-quadrado para graus de liberdade iguais ao nmero
total de regressores da equao auxiliar. No nosso exemplo,
n. R2 ~ 2 com gl = 5 (X2i, X3i , X2i2, X3i2 , X2i.X3i)
Se n.R2 > 2 tabelado, ento existe heterocedasticidade.
Se n.R2 < 2 tabelado, ento 2 = 3 = 4 = 5 = 6 = 0 , e no existe
heterocedasticidade.
Deve-se tomar cuidado com este teste, pois ele prev a incluso de termos adicionais
que, em presena de muitas variveis X, poder comprometer o modelo com relao aos seus
graus de liberdade.
A correo do modelo neste caso pode ser feita utilizando os estimadores de matrizes
de covarincias heterocedstico-consistentes de White, que podem ser obtidos rapidamente
pelo software Eviews.
A operacionalizao no Eviews bastante simples. Primeiro o estudante deve estimar
o modelo e, na janela da equao estimada, selecionar View/Residual Tests e depois clicar em
White Heteroskedasticity (no cross terms ou cross terms). A diferena das duas opes que
na primeira no inclui termos multiplicativos das variveis Xi.Xj. Na primeira opo, se
economizam graus de liberdade mas representa uma distoro do teste original. Na segunda
opo, no rigor cientfico, incluem-se termos cruzados e, em presena de muitos regressores,
pode causar problemas de reduzidos graus de liberdade.
Sugere-se utilizar a primeira opo quando tiver mais de 5 regressores Xi, e a segunda
quando tiver menos de 5, pois com os termos cruzados, ocorreria uma incluso de mais outros
5 termos.
Para a mesma regresso da Tabela 1, mostram-se os resultados do teste de White para
termos cruzados e sem termos cruzados. Procure distinguir as diferenas nos resultados.
A hiptese nula do teste que no h heterocedasticidade, ou seja, de que os erros
so homocedsticos e independentes dos regressores, e que a especificao do modelo
correta. Assim, desejvel ter a aceitao da hiptese nula, com probabilidade acima de
10%, e baixo valor de n.R2.
Tabela 2. Teste de White no cross terms

White Heteroskedasticity Test:
Obs*R-squared 16.24547 Probability 0.012495
Test Equation:
Dependent Variable: RESID^2
Date: 06/06/03 Time: 17:59
Sample: 1988:09 1998:05
C 9515.997 6550.445 1.452725 0.1491
FERTILIZANTE -810.4509 551.7908 -1.468765 0.1448
FERTILIZANTE^2 18.85117 15.37210 1.226324 0.2227
TRATOR -2061.748 2106.302 -0.978848 0.3298
TRATOR^2 245.7209 236.7449 1.037914 0.3016
MO 76907.49 29850.12 2.576455 0.0113
MO^2 -230942.8 103719.0 -2.226620 0.0280
Sum squared resid 8.66E+08 Schwarz criterion 18.93956
Tabela 3. Teste de White cross terms
Test Equation:
Date: 06/06/03 Time: 18:01
Sample: 1988:09 1998:05
C -20557.49 9888.589 -2.078910 0.0400
FERTILIZANTE 445.3517 600.7180 0.741366 0.4601
FERTILIZANTE^2 25.26911 15.80557 1.598748 0.1128
FERTILIZANTE*TRA -120.1672 87.69892 -1.370224 0.1735
TOR
FERTILIZANTE*MO -13077.63 3137.312 -4.168419 0.0001
TRATOR 864.9398 3116.365 0.277548 0.7819
TRATOR^2 309.3549 253.6114 1.219799 0.2252
TRATOR*MO -22449.97 12081.31 -1.858240 0.0659
MO 426444.0 90390.39 4.717802 0.0000
MO^2 -365960.5 130236.2 -2.809975 0.0059
Observe que no exemplo dado, existem indcios de que h heterocedasticidade.

Sabendo anteriormente que ocorre erro de especificao e que os dados originais so de srie
temporal, conclui-se pela existncia de erro de especificao, mas deve-se analisar com maior
detalhe a questo da homocedasticidade, pois esta geralmente no ocorre em sries temporais,
mas sim em seo cruzada. Talvez o resultado do teste possa estar mais ligado dependncia
dos resultados em relao aos regressores.
Num outro exemplo, com os dados de Gujarati (2000:p.388), para gastos com P&D
em relao as vendas, obteve-se o teste de White com cross terms e os resultados a seguir.
Primeiro apresenta-se os resultados da estimao sem a correo para heterocedasticidade,
faz-se o teste de White e depois re-estima-se o modelo com a correo de White.
Tabela 4. Resultados da estimao inicial.
Dependent Variable: RD
Date: 06/06/03 Time: 18:38
Sample: 1 18
SALES 0.031900 0.008329 3.830033 0.0015
C 192.9931 990.9858 0.194749 0.8480
Tabela 5. Teste de White para o exemplo de Gujarati, p.388.

Test Equation:
Date: 06/06/03 Time: 18:32
Sample: 1 18
C -6219665. 6459809. -0.962825 0.3509
SALES 229.3508 126.2197 1.817077 0.0892
SALES^2 -0.000537 0.000449 -1.194952 0.2507
R-squared 0.289583 Mean dependent var 6767046.
Adjusted R-squared 0.194861 S.D. dependent var 14706011
S.E. of regression 13195639 Akaike info criterion 35.77968
Neste caso, com os dados em seo cruzada (indstrias dos EUA), no foi possvel
deixar de rejeitar a hiptese nula de homocedasticidade ao nvel de 10% de significncia,
como observado pelo valor da probabilidade de Obs*R-squared = 0,073811, menor que 0,10.
Existe problema de heterocedasticidade nos resduos.
Mostram-se agora os resultados com a correo de White, obtidos no Eviews fazendo
alterao na janela da estimao, clicando em Options e selecionando a caixa
heteroskedasticity, e clicando em White. Os resultados so:
Tabela 6. Resultados da estimao com a correo de White para heterocedasticidade.
Dependent Variable: RD
Date: 06/06/03 Time: 18:42
Sample: 1 18
White Heteroskedasticity-Consistent Standard Errors & Covariance
SALES 0.031900 0.010147 3.143815 0.0063
C 192.9931 533.9317 0.361457 0.7225
Observe que agora na sada do Eviews, indica-se que foi utilizada a opo White
Heteroskedasticity-Consistent Standard Errors & Covariance, e pode-se comparar os
resultados com os da Tabela 4, sem essa opo de White. De modo geral, nesse exemplo, os
erros-padres estavam subestimados. Pode-se observar que o modelo com heterocedasticidade
apresenta vis nos erros padres, podendo ser negativo ou positivo, dependendo do estudo.
Quanto aos parmetros, no ocorrem alteraes.
Aps a correo de White no cabe mais a nova realizao do teste, pois os resultados
j foram obtidos com os resduos alterados pelo critrio de White.
Anexo
Roteiro para estimao no Eviews Heterocedasticidade
Gujarati, Tabela 11.5 (Table11-5.wf1), p. 388 Teste de Glejser
1. estimar modelo normalmente:
Estimation Command:
=====================
LS (PD) (VENDAS) C
Estimation Equation:
=====================
PD = C(1)*VENDAS + C(2)
Substituted Coefficients:
=====================
PD = 0.03190033243*VENDAS + 192.9931098
Dependent Variable: PD
Date: 03/04/05 Time: 16:00
Sample: 1 18
VENDAS 0.031900 0.008329 3.830033 0.0015
C 192.9931 990.9858 0.194749 0.8480
Gerar sries de resduos em Procs/Make residual series:
Fazer srie de resduos absolutos: me=@abs(e)
Estimar me em funo de Vendas: ou seja, mdulo dos resduos em funo de

vendas:
Dependent Variable: ME
Date: 03/04/05 Time: 18:18
Sample: 1 18
VENDAS 0.011939 0.005704 2.093059 0.0526
C 578.5710 678.6950 0.852476 0.4065
Sum squared resid 57132868 Schwarz criterion 18.12955
Me em funo da raiz de vendas:
Date: 03/04/05 Time: 18:18
Sample: 1 18
SQR(VENDAS) 7.971957 3.363146 2.370387 0.0307
C -507.0202 1007.684 -0.503154 0.6217
Me em funo de 1/vendas:
Date: 03/04/05 Time: 18:20
Sample: 1 18
1/(VENDAS) -19924566 12318138 -1.617498 0.1253
C 2273.702 604.6990 3.760056 0.0017
Correo:
Fazer PD/(SQR(Vendas)) em funo de 1/(SQR(Vendas)) e de (SQR(Vendas))

Dependent Variable: PD/SQR(VENDAS)

Date: 03/04/05 Time: 18:23
Sample: 1 18
1/SQR(VENDAS) -246.6769 381.1285 -0.647228 0.5267
SQR(VENDAS) 0.036798 0.007114 5.172315 0.0001
Mtodo de White:
TESTE

Test Equation:
Date: 03/04/05 Time: 18:32
Sample: 1 18
C -6219665. 6459809. -0.962825 0.3509
VENDAS 229.3508 126.2197 1.817077 0.0892
VENDAS^2 -0.000537 0.000449 -1.194952 0.2507
R-squared 0.289583 Mean dependent var 6767046.
Adjusted R-squared 0.194861 S.D. dependent var 14706011
S.E. of regression 13195639 Akaike info criterion 35.77968
Rejeita-se a hiptese nula , portanto temos presena de erros heterocedsticos a

10% de significncia. No teramos se fosse considerado 5%!!!!
Correo de heterocedasticidade pelo mtodo de White:
Dependent Variable: PD
Date: 03/04/05 Time: 18:29
Sample: 1 18
White Heteroskedasticity-Consistent Standard Errors & Covariance
C 192.9931 533.9317 0.361457 0.7225
VENDAS 0.031900 0.010147 3.143815 0.0063
Observar que os erros-padres entre a regresso principal e a regresso com

correo de White se alteraram, ou seja, a correo de White retirou os vieses nos
erros-padres estimados.
4.4. Pressuposio 4: Os erros aleatrios so independentes

(ou no autocorrelacionados)
A principal conseqncia da violao desta pressuposio a ineficincia dos

estimadores de M.Q.O. mas, continuam no-tendenciosos. Nesta situao, da mesma forma
que para a heterocedasticidade, melhor utilizar o mtodo de Mnimos Quadrados
Generalizados (M.Q.G.).
Imagine um modelo mais comum, com autocorrelao de 1. Ordem:
t = t 1 + t
em que o parmetro de autocorrelao e um termo de erro bem comportado, ou seja,
no autocorrelacionado normal de mdia zero e varincia 2, ou tambm chamado de rudo
branco (white noise).
O coeficiente de autocorrelao pode ser obtido pela expresso
Cov( t , t 1 )
=
[Var( t )]1 / 2 [Var( t 1 )]1 / 2
O teste mais comum para detectar a presena de erros autocorrelacionados o Teste de
Durbin-Watson. A hiptese nula a ser testada que
Ho: = 0 => no h autocorrelao
Contra a hiptese alternativa

H1: 0 => > 0 autocorrelao positiva => < 0 autocorrelao negativa
A estatstica de teste o chamado DW, calculado como:

T
( t t 1 )
2
DW = t =2
T
= 2(1 )

2
t
t =1
em que
=0 DW = 2 => ausncia de autocorrelao
= +1 DW = 0 => autocorrelao positiva e perfeita
= -1 DW = 4 => autocorrelao negativa e perfeita
Portanto, deseja-se DW prximo de 2, ou seja, ausncia de autocorrelao.

A anlise requer a comparao dos valores de DW com valores tabelados, que
prevem duas distribuies de probabilidade entrelaadas: uma distribuio inferior e outra
superior. Elas determinam reas de aceitao e rejeio da hiptese nula, como na figura a
seguir:
em que
dL = limite inferior => vem da tabela para n observaes e k variveis explanatrias
dU = limite superior => vem da tabela para n observaes e k variveis explanatrias
Exemplo:
Para k = 3 (referente a um modelo com X1, X2 e X3), para n = 30 observaes, a tabela de
DW para 5% de significncia nos fornece dL = 1,21 e dU=1,65, e portanto,
4-dL = 4 1,21 = 2,79
4 dU = 4 1,65 = 2,35
Para 0<DW<1,21 = rejeio de Ho e autocorrelao positiva
Para 1,21<DW<1,65 = rea inconclusiva
Para 1,65<DW<2,35 = aceitao de Ho e no-autocorrelao
Para 2,35<DW<2,79 = rea inconclusiva
Para 2,79<DW<4 = rejeio de Ho e autocorrelao negativa
As deficincias neste mtodo so:

presena de reas inconclusivas
s testa autocorrelao de primeira ordem
deve incluir intercepto na regresso
o teste no vlido quando o modelo tem varivel dependente defasada como
varivel explicativa
Uma alternativa para contornar essas deficincias via teste h de Durbin, para casos
de varivel dependente defasada como varivel explicativa. O teste calculado por
T
h= ~ N(0,1) = comparar com o limite de 1,96 p/ 5%
1 T.Var ()
em que
T nmero de observaes
parmetro da varivel dependente defasada.
Outro procedimento que contorna as deficincias do teste DW e tem sido incorporado

maioria dos softwares economtricos o teste de Breusch-Godfrey de autocorrelao
superior, ou de Multiplicador de Lagrange para Correlao Serial (Serial Correlation LM
Test).
Este teste bastante til para detectar autocorrelao de ordens maiores que a
primeira, ou seja, para AR(P>1) em que P a ordem da autocorrelao. A hiptese nula ser
H0: no autocorrelao dos resduos
H1: t = AR(P) ou t = MA(P)
Por exemplo, suponha o seguinte processo autoregressivo:
t = 1 t 1 + 2 t 2 + 3 t 3 + K + p t p + t
A hiptese nula ser de que todos os coeficientes de autocorrelao so

simultaneamente nulos, ou seja, todos os i = 0 e no h autocorrelao de qualquer ordem.
A estatstica de teste ser um multiplicador de Lagrange do tipo
2 e' X 0 (X '0 X 0 ) 1 X '0 e

LM = (n p)R = (n p)
0
~ 2p
e' e
O procedimento ser:
1. estimar o modelo de regresso pelo mtodo usual de MQO e obter resduos t;

2. estimar o modelo de t como funo das demais variveis X do modelo a e
tambm de variveis t defasadas (t-1 t-2 ... etc), utilizando para estas defasagens
os resduos obtidos em a;
3. obter o valor de R2 desta regresso b;
4. A estatstica de teste ser LMBG = (n-p).R2 ~ 2p graus de liberdade. P o nmero
de defasagens includas na regresso b.
Se a estatstica de teste LMBG > valor crtico de 2p ento se rejeita a hiptese nula e
existe autocorrelao serial de ordem P, ou seja, pelo menos um i 0. Neste teste, pode-se
ter variveis X ou mesmo Y defasadas, o que representa uma vantagem sobre o teste DW.
Estimao solucionando o problema de autocorrelao:

Estima-se o modelo inicial por M.Q.O. e depois segue um procedimento iterativo at
alcanar a convergncia nos parmetros. Abaixo esto os passos da estimao de Cochrane-
Orcutt:
1) Estima-se modelo inicial por MQO e obtm DW
2) Calcula-se = 1 0,5.DW
3) Estima equao transformada:
Yt Yt 1 = 1 (1 ) + 2 (X t X t 1 ) + t
ou
Y* = 1* + 2.X1* + t*
4) Recalcula-se (2) e verifica-se a convergncia para .
5) Repetem-se os passos (2) a (4) at que a convergncia seja menor que 0,01.
A implementao no Eviews prev a insero de um termo AR(1) na especificao das
variveis da equao. O programa far a estimao considerando a correo para o
autoregressivo de primeira ordem.
Anexo
Autocorrelao
Para a equao da taxa de retorno RR em funo do crescimento (Growth) e da

inflao (Inflation):
Dependent Variable: RR
Date: 03/07/05 Time: 20:19
Sample: 1954 1981
GROWTH 3.943315 1.293445 3.048693 0.0054
INFLATION -2.499426 1.082101 -2.309789 0.0294
C 3.531812 8.111369 0.435415 0.6670
DW = 1,8965
Teste de Breusch-Godfrey: SERIAL CORRELATION LM TEST

Especificar nmero de variveis a adicionar em Xo, ou seja, se 1 (AR(1)), se 2
(AR(2)):
Breusch-Godfrey Serial Correlation LM Test:

Test Equation:
Dependent Variable: RESID
Date: 03/07/05 Time: 20:23
GROWTH -0.371429 1.426117 -0.260448 0.7968
INFLATION -0.131592 1.125693 -0.116898 0.9080
C 1.737633 8.657860 0.200700 0.8427
RESID(-1) -0.014931 0.211928 -0.070455 0.9444
RESID(-2) -0.177451 0.222006 -0.799306 0.4323
R-squared 0.027070 Mean dependent var -3.68E-15
Adjusted R-squared -0.142136 S.D. dependent var 13.66610
No h evidencias de autocorrelao no modelo, pois Obs*R-squared=0.75 com

Probabilidade de 0.68, indicando aceitao de Ho: no-autocorrelao
Exercicio Gujarati, p.447-448:
Dependent Variable: LOG(PCDOM)

Date: 03/07/05 Time: 21:10
Sample: 1951 1980
LOG(IPI) 0.467509 0.165987 2.816541 0.0093
LOG(PCBOLSA) 0.279443 0.114726 2.435745 0.0223
LOG(CONST) -0.005152 0.142947 -0.036038 0.9715
LOG(PALU) 0.441449 0.106508 4.144737 0.0003
C -1.500441 1.003020 -1.495923 0.1472
Neste caso, DW=0.9549
Para gl=30, k=4, dl=1,143 e du=1,739, portanto, DW<dl => rejeita Ho, tenho
indicao de autocorrelao positiva
Teste LM para AR(1):

Test Equation:
Date: 03/07/05 Time: 21:12
LOG(IPI) -0.104877 0.146079 -0.717946 0.4797
LOG(PCBOLSA) 0.089288 0.102299 0.872811 0.3914
LOG(CONST) 0.045395 0.123362 0.367981 0.7161
LOG(PALU) -0.009785 0.091346 -0.107125 0.9156
C -0.368385 0.867570 -0.424617 0.6749
RESID(-1) 0.567066 0.179076 3.166620 0.0042
R-squared 0.294688 Mean dependent var 8.14E-17
Existe problema pois rejeita-se Ho a 1%. Existe AR(1)

Para AR(2):
Test Equation:
Date: 03/07/05 Time: 21:13
LOG(IPI) -0.036780 0.134421 -0.273620 0.7868
LOG(PCBOLSA) 0.028677 0.095271 0.301008 0.7661
LOG(CONST) 0.082020 0.112179 0.731149 0.4721
LOG(PALU) -0.017166 0.082432 -0.208239 0.8369
C -0.552588 0.785758 -0.703255 0.4890
RESID(-1) 0.795135 0.184599 4.307363 0.0003
RESID(-2) -0.489015 0.191703 -2.550900 0.0179
Tambm existe problema para AR(2). Ficou mais expressivo o problema de
autocorrelao.
Para AR(3):
Test Equation:
Date: 03/07/05 Time: 21:25
LOG(IPI) -0.029746 0.137274 -0.216691 0.8304
LOG(PCBOLSA) 0.025964 0.096960 0.267780 0.7914
LOG(CONST) 0.078075 0.114254 0.683340 0.5015
LOG(PALU) -0.025278 0.085213 -0.296644 0.7695
C -0.512105 0.802317 -0.638283 0.5299
RESID(-1) 0.854409 0.219535 3.891895 0.0008
RESID(-2) -0.592317 0.278293 -2.128395 0.0447
RESID(-3) 0.126950 0.244219 0.519819 0.6084
Ainda tem, mas menos que para AR(2). Observe que o termo de RESID(-3) j no
significativo. Optar por corrigir para AR(2).
Estimao com AR(1) e AR(2):
Dependent Variable: LOG(PCDOM)

Date: 03/07/05 Time: 21:31
Sample(adjusted): 1953 1980
Included observations: 28 after adjusting endpoints
Convergence achieved after 9 iterations
LOG(IPI) 0.440700 0.165083 2.669563 0.0143
LOG(PCBOLSA) 0.291534 0.103733 2.810420 0.0105
LOG(CONST) 0.102063 0.175677 0.580969 0.5674
LOG(PALU) 0.429664 0.118912 3.613298 0.0016
C -2.197667 1.211239 -1.814395 0.0839
AR(1) 0.773165 0.187424 4.125212 0.0005
AR(2) -0.531683 0.192075 -2.768097 0.0115
Inverted AR Roots .39+.62i .39 -.62i
Comparar com resultados da primeira regresso! Melhores indicadores!

Anexo: Tabela de Durbin-Watson para 5% de significncia, reproduzida a partir de Gujarati,
Damodar. Basic Econometrics. McGraw-Hill, 2004.
Exemplo: Se n = 40 e k = 4, dL = 1,285 e dU = 1,721. Se o valor de DW calculado menor

que 1,285, existe evidncia de autocorrelao serial de primeira ordem e positiva; se DW for
maior que 1,721 e menor que 4-dU = 2,279, ento no existe evidncia de autocorrelao de
primeira ordem, mas se DW estiver entre os limites dL e DU, ou entre 4-dU e 4-dL ento
existe uma rea inconclusiva sobre autocorrelao.
4.5. Pressuposio 5: As variveis explicativas so no

aleatrias (so fixas)
Se as variveis explicativas e os termos aleatrios forem correlacionados, haver
inconsistncia dos estimadores de mnimos quadrados ordinrios. Deve-se utilizar o estimador
de variveis instrumentais. O mtodo de Variveis instrumentais prev que
= (ZX)-1ZY , e Z uma matriz de instrumentos independentes dos erros aleatrios.
No se tem testes formais para investigar esta pressuposio. O que feito em geral
investigar as correlaes entre as variveis explicativas e os termos aleatrios via matriz de
correlaes entre eles.
Outra alternativa fazer o Teste de exogeneidade das variveis utilizando o
procedimento de Hausmann.
4.6. Pressuposio 6: O erro tem distribuio normal, com

mdia zero e varincia constante:
O teste para deteco mais usual o Bera-Jarque, ou teste BJ, o qual testa a simetria e
a curtose da distribuio dos resduos em relao curva normal.
A curtose est associada ao achatamento da distribuio, quanto mais chata menor o
valor da curtose (K). Exemplo: K>3 (distribuio mais em p), K<3 (distribuio mais
chata).
A curtose (em ingls kurtosis) definida pela expresso:
4
1 Yi Y
t =1 Var
N
K=
N ( )
A simetria (do ingls skewness) dada pela expresso:

3
1 Yi Y
t =1 Var
N
S=
N ( )
N 1
2 = Var ( ) = s

N
A estatstica do teste BJ ser:
BJ =
1
6
[
(n p ) S 2 + 1
4
(K 3)2 ] ~ 2gl = 2
Se rejeitar H0:erros normais, tenho que descobrir qual a distribuio real dos
resduos e fazer nova deduo do estimador dos parmetros.
Em geral, para amostras grandes, aplica-se o Teorema do Limite Central
argumentando que no limite tem-se a normalidade da distribuio dos resduos.
Roteiro para testar no Eviews:

1) estimar a regresso
2) no menu equation, acionar View/Residual Tests/histogram
3) a anlise fornece o histograma com uma tabela de estatsticas descritivas da serie de
resduos, contendo o skewness (simetria) e a kurtosis (curtose). Se K for prximo de 3,
ento prxima da normal.
Exemplo 1: se K=2,95 e 2tab = 1,76 e o p-value=0,41, para H0: erro normal, ento p-value
maior que 0,10 indica a aceitao de H0, ou seja, os erros so normais.
Exemplo 2:
Ex12_22, Gujarati (p.447):
Std. Dev = 0,085542
Skewness = 0,047155
Kurtosis = 2,367936
BJ = 0,47 e p-value = 0,78 => aceita H0: erros normais
Anexo
Erros Normais: Equation/View/Residual Tests/Histogram Normality Test
4.7. Pressuposio 7: Ausncia de relao linear exata entre

as variveis explicativas (no multicolinearidade)
A deteco do problema passa por diversas anlises:

1. Ocorrncia de R2 alto e ts no-significativos;
2. Altas correlaes simples entre as variveis explicativas, por exemplo, acima de 0,8;
3. Altas correlaes parciais entre os Xs: verificar o coeficiente de correlao parcial quando
algumas variveis so consideradas constantes;
4. Regresses auxiliares: fazer a regresso considerando o Xi como varivel dependente das
demais variveis Xj
X1 = f(X2, X3, X4, ... , Xn)
X2 = g(X1, X3, X4, ... , Xn)
X3 = h(X1, X2, X4, ... , Xn)
Etc
Esta alternativa permite identificar quais variveis esto mais relacionadas. Se o R2 da
regresso auxiliar for alto, ento se tem a indicao de multicolinearidade;
5. Regra de Klein: a multicolinearidade no prejudicial se
R2Y X1, X2, ... , Xk > R2 Xi X2, ... , Xk
6. Verificar a estabilidade das estimativas

Y = f(X1)
Y = f(X1,X2)
Y = f(X1, X2, X3)
As solues para a presena de multicolinearidade passam pela retirada de variveis

problemticas, ou omisso de variveis, deixando aquela mais relevante para a pesquisa. As
regresses auxiliares auxiliaro na escolha entre as variveis para decidir qual ser retirada do
modelo. O problema com a omisso de variveis a insero de erro de especificao. Outra
opo aumentar o tamanho da amostra, caso possvel. O aumento da amostra o mesmo que
reduzir a micronumerosidade e com isto ganha-se observaes que tendem a no estar
observando uma perfeita relao com outras variveis. Uma terceira opo transformar as
variveis problemticas, fazendo razes entre elas (Xi/Xj), como os preos relativos. A
limitao com este procedimento que se perde a relao direta, ficando apenas com
parmetros que refletem relaes para a razo.
O clculo das correlaes parciais no direto nem simples quando se tratar de
regresso mltipla. Uma alternativa usar pacotes que j contm a rotina, como por exemplo
o Stata, fazendo uso de comandos como a seguir, para o exemplo dado em Greene
(2002:p.30): . pcorr y year g interest p
Partial correlation of y with
Variable | Corr. Sig.

-------------+------------------
year | -0.9385 0.000
g | 0.9693 0.000
interest | -0.5410 0.069
p | 0.0153 0.962
Ou seja, retorna as correlaes parciais de y com respeito a cada varivel da lista (year,
g, interest, p).
Outro mtodo a anlise do Fator de varincia inflacionria (FVI), ou no ingls
Variance Inflation Factor (VIF), ou ainda, Fator de inflao da Varincia (Gujarati, 2006:
p.282), para cada varivel explicativa. Neste caso, faz-se a estimao de
e obtm-se o para cada varivel. O FVI da varivel i ser:
Se o conjunto de variveis explicativas for independente, no-correlacionado, o FVI

ser igual a um ( ). O gretl estabelece uma comparao de FVI com 10, ou seja,
valores superiores a FVI= 10 indicariam multicolinearidade entre estas variveis. J Santana

(2003: p.244) recomenda o valor de FVI = 5. J Greene (2002: p.58) cita autores os quais
recomendam ateno para valores de FVI maiores que 20. Acredito ser mais prudente ficar
com o valor de FIV = 5, a favor da segurana! Gujarati (2006: p.284) faz uma anlise
interessante para averiguar a tolerncia implcita no modelo.
A seguir tem-se uma sada do Gretl. Na janela da estimao do modelo, clicando em
Testes e em Colinearidade, tem-se a sada do teste de FVI (ou Factores de Inflaccionamento
da Varincia VIF no Gretl).
No exemplo reproduzido acima, as variveis ndex e G apresentam multicolinearidade

preocupante, com valores da ordem de 24, bem acima dos 10,0 recomendados pelo Gretl.
Naquele caso, a varivel G o crescimento do PIB e ndex uma varivel tendncia, que
normalmente apresentam colinearidade.
4.8. Resumo
Pressuposio Teste Hiptese Nula: H0 Problema
1. Relao Linear / especificao RESET de Ramsey H0: No h erro de especificao Se rejeitar H0
2 . Mdia do erro zero Teste de hiptese simples (t) H0: mdia igual a zero Se rejeitar H0
H0: 1=0 => varivel de 1 no

Glejser Se rejeitar H0
causa heterocedasticidade
3. Varincia do erro constante
H0:=0 => no h
White Se rejeitar H0
heterocedasticidade
Durbin-Watson (DW) H0: erros no autocorrelacionados Se rejeitar H0
4. Erros independentes h-Durbin H0: erros no autocorrelacionados Se rejeitar H0
LM de Breusch-Godfrey H0: erros no autocorrelacionados Se rejeitar H0
5. Variveis explicativas so no-

Matriz de correlao No h correlao
estocsticas ou fixas
6. Independncia linear entre as variveis Equaes auxiliares e regra de H0: R

2
Y X1, X2, ... , Xk
2
> R Xi X2, ... , Xk R
2
Y X1, X2, ... , Xk
2
< R Xi X2, ... , Xk
explicativas Klein
7. Erro tem distribuio normal Bera-Jarque H0: erros so normais Se rejeitar H0

* Em que Y = [Yi] um vetor nX1 das observaes da varivel dependente; X = [Xij] uma matriz nXp das observaes das variveis independentes; = [i]
um vetor nX1 dos erros aleatrios; = [j], j = 0, 1, 2, ..., k um vetor pX1 de parmetros a serem estimados; a varincia do erro, tambm a ser estimada; I
uma matriz identidade de ordem mXn; k o nmero de variveis independentes; p = K + 1 o nmero de parmetros; n o nmero de observaes; E
significa valor esperado ou esperana matemtica.
5 Referncias Bibliogrficas
GREENE, W. Econometric analysis. 5th Edition. New Jersey: Prentice-Hall, 2002.
GUJARATI, D.N. Econometria Bsica. 4.ed. So Paulo: Campus, 2006.
HILL, C.; GRIFFITHS, W.; JUDGE, G. Econometria. So Paulo: Saraiva, 1999.
KENNEDY, P. A guide to econometrics. Cambridge: The MIT Press, 1998.
MATOS, O.C. Econometria Bsica: teoria e aplicaes. So Paulo: Atlas, 1995.
PINDYCK, Robert S.; RUBINFELD, Daniel L. Econometria: modelos e previses. 4.ed.

Rio de Janeiro: Elsevier/Campus, 2004.
SANTANA, Antnio Cordeiro. Mtodos Quantitativos em Economia: elementos e

aplicaes. Belm: UFRA, 2003.
VASCONCELLOS, M.A.S.; ALVES, D. (coords.). Manual de econometria. So Paulo:

Atlas, 2000.
6. Programas Recomendados
GRETL - http://gretl.sourceforge.net/gretl_portugues.html
EVIEWS - http://www.eviews.com/
STATA - http://www.stata.com/
LIMDEP - http://www.limdep.com/

Econometria - Adriano Figueiredo PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Econometria - Adriano Figueiredo PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Econometria Prof. Adriano M. R.

A Econometria como a utilizao da estatstica aplicada economia tem como

cuja expresso geral matricial

em que uma matriz de parmetros a serem estimados (incluindo o intercepto e os

Portanto, tm-se as matrizes assim nomeadas:

2. Pressuposies do Modelo de Regresso Linear

O modelo clssico de anlise de regresso construdo com base numa srie de

Quadro 1. Pressuposies do Modelo de Regresso Linear Clssico Normal

Expresso Matemtica* Problema

Yi=0 + 1 Xi1 + ... + k Xik + i No linearidade,

3. Varincia do erro constante E(i) = , para todo i Heterocedasticidade

X1, X2, ..., Xk so fixos Erros nas variveis,

Posto de X igual ao seu nmero de

2.1. Pressuposio 1: A relao entre Y e X linear

em que os parmetros podem assumir valores diferentes de um e, ainda, tem-se a

lnY = lnA + 1.lnX1 + 2.lnX2 + 3. lnX3 +

ou, simbolizando o ln por *:

A funo linearizada pode ser estimada da forma tradicional lembrando que os

Esses modelos devem ser estimados por Mnimos Quadrados No-Lineares ou

A utilizao de uma forma mais complexa em detrimento de uma mais simples

2.2. Pressuposio 2: O erro aleatrio tem mdia zero

Dado que E() = 0, ento E(Y) = E[ X + ] = E[ X] +E[ ] = E[ X] + 0

2.3. Pressuposio 3: O erro aleatrio tem varincia constante

A varincia calculada com base no valor esperado do quadrado da diferena entre a

2.4. Pressuposio 4: Os erros aleatrios so independentes (ou

Neste caso pressupe-se que os erros de uma observao no afetam os erros do

2.4.1 Investigao acerca da Matriz de Varincia e Covarincia dos resduos

Ento, sua transposta ser: ' = [ 1 2 L n ]1 x n . Assim, a matriz var-cov() ser:

2.5. Pressuposio 5: As variveis explicativas so no aleatrias

2.6. Pressuposio 6: O erro tem distribuio normal, com mdia

Esta pressuposio pode ser especificada da forma:

2.7. Pressuposio 7: Ausncia de relao linear exata entre as

Multicolinearidade: problema relacionado com fortes correlaes entre as variveis

A estimao dos parmetros do modelo linear pressupe a satisfao aos pressupostos

Portanto, o estimador dos parmetros pelo mtodo de Mnimos Quadrados Ordinrios

Assim, com as matrizes X e Y posso obter os parmetros estimados.

A matriz de varincia-covarincia dos parmetros ser:

Mas como X so fixas, independentes dos resduos, o valor esperado se reduz a:

Quadro 2. Estimadores de Mnimos Quadrados Ordinrios.

Os softwares economtricos em geral disponibilizam o valor da probabilidade (p-

Variao total = variao explicada por X + variao no-explicada

: variao devida regresso

SQTot = yi2 = yi2 + 2 yi e i + e i2 = ( Yi Y ) = Y Y nY 2

SQRes = ei2 = e' e = Y Y

SQTot = SQReg + SQRes

O coeficiente de determinao (R2 R-squared) utilizado para avaliar quanto da

Seu intervalo de variao de zero a um em condies normais: 0 < R2 < 1.

Se Fcalculado > Ftabelado , ento rejeita-se H0 e concluo pela existncia de ao menos um X

Anexo 1: Estimao utilizando matrizes no Excel:

1. Entrada dos dados:

2. Copiar X e colar especial selecionando transpor, fazendo X (2x10)

3. Fazer multiplicao X.X (2x10).(10x2) = XX(2x2)

4. Fazer inversa de XX fazendo (XX)-1

5. Fazer XY (2x10).(10x1) = XY(2x1)

6. Clculo de beta estimado

7. Para obter Matriz de var-cov(betaest) fazer

9. Calcular o valor de t fazendo t = betaest/erropbeta . O valor da probabilidade do teste

1. De acordo com a metodologia economtrica, responda verdadeiro (V) ou falso (F):

( ) A heterocedasticidade um problema no modelo de regresso clssico pois altera os

( ) A existncia de resduos autocorrelacionados implica em interdependncia entre os

( ) A idia bsica da estimao economtrica obter os parmetros de tal forma que a

2. Cite e comente a pressuposio de linearidade do modelo de regresso clssico.

3. O mtodo de estimao de Mnimos Quadrados Ordinrios um dos mais utilizados para