e aí o olá meu nome é alexandre gori maia e essa é a segunda parte da aula de heterocedasticidade é o capítulo 12 do livro econometria conceitos e aplicações na primeira parte da aula eu apresentei os conceitos de ter os e da cidade suas consequências nas propriedades dos estimadores de mqo e como identificar lá pela análise gráfica e ter o teste de white nessa aula eu apresentarei as principais estratégias para a correção da heterocedasticidade que inclui o método de mínimos quadrados ponderados e o uso de estimadores robustos para a variância dos estimadores heterocedasticidade pode ser
corrigida aplicando-se o método denominado de mínimos quadrados ponderados ou mtp a ideia do mtp é transformar algebricamente a equação original para obter erros que sejam homocedasticos para facilitar a compreensão e demonstraria transformação do mp utilizando tanto áudio para e a esquerda quatro álgebra matricial a direita as duas estratégias se equivalem primeiro seja um modelo genérico de regressão linear múltipla conca variáveis independentes que podem ser representados na forma matricial pelo vetor y como uma função da matriz x o vetor de coeficientes beta mais o vetor de erro z primeiro eu assumirei que o cerro z sejam
heterocedásticos ou seja a variância ele e ou a esperança dos erros ao quadrado não é a mesma em todos os pontos e da regressão e eu posso saber representar essa variabilidade da variância dos erros por uma constante sigma 2 que multiplica um fator dei indicando como varia a variância em cada ponto me da regressão nós não temos matriciais isso equivale a afirmar que a variância do vetor de erro z que é representada por uma matriz quadrada apresentará na sua diagonal principal valores que podem variar em cada ponto me da regressão a diagonal principal dessa matriz
quadrada denominada de variâncias e covariâncias dos erros contém a variância para cada ponto da reta de regressão as partes superior e inferior dessa matriz representam as covariâncias entre os erros que é assumida por enquanto ser igual a zero a quebra desse pressuposto o será o tópico da próxima aula de autocorrelação é o primeiro passo do mp é descobrir qual a transformação algébrica que deve ser aplicada as variáveis originais y e x a ideia calcular novas variáveis representadas aqui genericamente por y asteriscos x asterisco e tal forma que os erros dessa nova relação representados por é
asterisco sejam homocedasticos essa transformação deve ainda preservar os coeficientes beta do modelo original é um pouco desenvolvimento algebrico eu digo eu demonstro que a transformação desejada consiste em dividir os dois lados da equação por 1 sobre raiz quadrada do componente ver a minha nova variável dependente será então y dividido pela raiz do fator que ir e as variáveis independentes serão as variáveis x originais divididas por raiz e vee após a transformação intercepto alpha deixa de estar associado a constante um e passa estar associado a uma nova variável que é um sobre raízes aí as duas
propriedades importantes dessa transformação a primeira é que eu preserva os coeficientes betas do modelo original a segunda é que eu consigo demonstrar que os erros e indeferidos por aí se daí serão como se bascos e para demonstrar que esses novos erros são homocedasticos passa eu provar que a variância de veículo dividida por raiz de veículos será uma constante como a variância é igual a esperança dos erros ao quadrado eu desenvolver ei essa última expressão e eu chegarei então a igualdade sigma 2 moral da história os erros a equação transformada são homocedasticos e eu posso aplicar
e michael nessa equação com as variáveis transformadas para estimar os coeficientes betas da equação original para obter a equivalente matricial eu multiplicaria os dois lados da equação de regressão por uma matriz quadrada denominada de lambada contendo na sua diagonal os valores de um sobre a raiz quadrada de ver aí eu demonstro então que a matriz variância-covariância desses novos erros e o vetor em multiplicado pela matriz lâmpada seria uma matriz quadrada com os valores constantes de sigma 2 na diagonal principal ou seja a variância e covariância dos erros seria uma matriz indicadora que contém valores unitários
na diagonal principal multiplicada pela constante e cima dois capturando a ideia do método de mt é a ponderar as variáveis x y e x pela raiz quadrada do fator que determina a variabilidade dos erros que é o fator veículo e segundo aplicar m que o nas variáveis transformadas para estimar os coeficientes betas em outras palavras sejam modelo de regressão com erros retroceda secos em que a matriz e variância e covariância dos erros seja definida pela matriz ver esses a constantes sigma 2 é a ideia é transformar as variáveis y e x de tal forma e
tal forma aqui a nova equação elimine a matriz ver da variância dos erros e essa transformação equivale a dividir os valores de y e x pela raiz quadrada do fator viii até que se aumente equivale a multiplicar o vetor y e a matriz x pela matriz quadrada lambda que contém na diagonal principal os valores de um sobre a raiz de veículo zero nas partes inferior e superior da diagonal e eu posso então demonstrar que essa ponderação elimina o componente e ter osasco dos erros ou seja a variância dos erros da equação ponderada será uma constante
sigma dois o primeiro passo do método de mtb então transformaram as variáveis originais que serão ponderados pela raiz o fator veio matricialmente eu represento essa ponderação pelo produto da matriz quadrada a lambida com o vetor y e a matriz x e após a ponderação eu posso simplesmente aplicar em michael as variáveis transformadas ou seja utilizarei passam dele aqui ó para o beta chapéu substituindo as variáveis originais y e x pelos produtos lambda y e lâmina x para estimar os coeficientes do vetor beta ou alternativamente eu posso obter os estimadores de mtp diretamente por essa equação
essa equação nada mais é que a equação do estimador de e michael substituindo o vetor y pelo produto lambda y e substituindo a matriz x pelo produto do ano da x as duas alternativas equivalem eu acho o senhor diálogo é válido para estimar a soma dos quadrados e as variâncias dos estimadores ou seja eu aplico as mesmas equações e michael substituindo as variáveis originais y e x pelos produtos lambda y e lâmina x fim da primeira parte da aula eu demonstrei que há dois problemas associados aos estimadores de mqo na presença de heterocedasticidade o primeiro
é a ineficiência do estimador de níquel ou seja a variância do beta chapéu não seria a menor possível entre os possíveis estimadores não tendenciosos liberto e a segunda é o viés lá em cima dor de sua variância fiesc preci si mesmo para motos grandes e os estimadores mt por outro lado corrigem todos esses problemas ou seja serão não tendenciosos e os mais eficientes ali em deus estivadores e suas variâncias serem também não tendenciosos e todavia a grande limitação do método de rtt é conhecer um fator veículo em algumas situações esse fato é definido teoricamente mas
a realidade é muito difícil conhecer o a priori esse é um exemplo 12.5 do livro os dados são os mesmos dos exemplos anteriores e o objetivo é analisar a relação entre gastos com alimentação y e renda x as estimativas de michael já foram obtidas e o teste de white indicou fortes evidências de ter os e da cidade nos erros a análise gráfica da dispersão dos resíduos quadráticos também sugeriu uma provável relação linear entre a variabilidade dos erros e a variável renda e eu acho que irei então que a variabilidade dos erros seja proporcional à renda
ou seja a variância dos erros seja dada por uma constante sigma 2 multiplicada pelo valor da renda o matricialmente isso significa que a matriz variância-covariância seria representada pelo produto entre uma matriz e fatores de correção ver com os valores da renda da diagonal principal e uma constante e sigma 2 e aí obter as estimativas de mínimos quadrados ponderado scenic perco o primeiro passo é transformar algebricamente a equação original dividindo os dois lados da equação pelo fator de ponderação que no nosso caso é igual à raiz quadrada viver ou seja raiz quadrada do valor da reta
matricialmente isso significa a multiplicar o vetor y e a matriz x pela matrizes de ponderação lambda a matriz quadrada lambda será igual a inversa da raiz quadrada da matriz ver e o segundo passo para obter as estimativas dnp é aplicar n que o as variáveis transformadas apesar de as estimativas de mp diferirem apenas marginalmente das estimativas de michael essas possuem duas vantagens principais na presença de heterocedasticidade a primeira vantagem é a eficiência ou seja a variância do estimador de mtb é menor que a variância do estimador de michael na presença de heterocedasticidade a segunda vantagem
é que o estimador da variância dele aqui p e não tendencioso enquanto o derreter óleo é tendencioso o mesmo para amostras grandes na presença de heterocedasticidade ou seja apenas inferências feitas com as estimativas mpt seriam válidas nesse caso e por outro lado uma limitação principal do estimador d-link ip é depender do conhecimento a priori da matriz e fatores ver que dificilmente ocorre na vida real agora resolver aí o mesmo exercício 12.5 não é utilizando duas estratégias que se equivalem objetivo é apenas facilitar a compreensão das transformações que estão sendo realizadas pelo é a primeira estratégia
é transformar as variáveis originais e em seguida aplicar em aqui ó eu chamarei y10 a nova variável dependente que será igual a variável para os gastos com alimentação dividida pela raiz quadrada do fator de correção aqui no nosso caso é o valor da renda variável x 1 será pareado independente igual a variado original renda dividida pela raiz quadrada da rede e fizer é uma variável criada pela transformação algébrica que passará a estar associada ao coeficiente alfa o intercepto do modelo original eu posso a transformação eu utilizo a função lm do erre para aplicar e miqueas
novas variáveis modelo transformado não possui mais uma constante pois a inter certo será agora dado pelo coeficiente associado a variável x 0 parece mais um modelo sem constantino r eu adiciono 0 a equação da regressão e as estimativas obtidas são as estimativas de ntp para a relação entre gastos com alimentação e renda as estimativas dos erros-padrão seriam não tendenciosas e as referências para os coeficientes nos a ssp seriam válidas na presença de ter o cidade cidade a segunda estratégia é ainda mais simples basta utilizar a função lm do r com a opção lei que define
os fatores de ponderação eu preciso apenas tomar um cuidado especial em relação a esse parâmetro no r e o bar antro da opção leite será igual a inversa da matriz ver como nossa matriz v é dada pelos valores da renda a inversa será igual a 1 sobre renda a estimativa são idênticas às obtidas pela estratégia anterior essa estratégia porém além de ser mais simples é também a mais adequada pois as suas estatísticas de qualidade do ajuste como o coeficiente de determinação são válidas na estratégia anterior eu precisaria de correções adicionais para obter essas medidas como
usualmente eu desconheço o fator de correção de ir da variância dos erros uma alternativa seria estimá-lo a partir da relação entre os resíduos quadráticos obtidos por ele aqui ó e as variáveis independentes do modelo os passos seriam análogos aos do método de mínimos quadrados ponderados com a diferença de agora eu ensinar os valores de ver ao invés de assumir os teoricamente e essa estratégia é denominada de método de mínimos quadrados generalizados factíveis o método de mínimos quadrados generalizados engloba várias estratégias de transformação da equação com o objetivo de obter estimativas que sejam consistentes o método
de ntp nada mais é que um caso particular do método de mínimos quadrados generalizados e quando a transformação algébricas baseia no comportamento observado dos resíduos ao invés de pressupostos teóricos sobre o comportamento dos erros o mtg passa a ser denominado de mínimos quadrados generalizados factíveis mcgf os estimadores tem nike gf são válidos apenas assintoticamente ou seja para amostras grandes para amostras pequenas tanto os estimadores dos coeficientes quanto de suas variâncias podem ser tendenciosos detalhes sobre o método de henrique gs podem ser consultados no livro e não serão abordados nesse vídeo é uma das estratégias mais
populares para a correção de heterocedasticidade é o uso de estimadores robustos da variância lá em cima do robusto aí ter os e da cidade significa que esse é assintoticamente válido na presença ou não de heterocedasticidade para facilitar a compreensão apresentarei o estimador robusto da variância no caso da regressão linear simples depois a generalizar e para o caso da regressão linear múltipla suponha que a variação dos erros desse modelo de regressão linear simples seja heterocedastica o estimador de níquel para o coeficiente beta continua sendo não tendencioso na presença de interesse da cidade o problema é que
além de insuficiente o estimador da variância de beta chapéu seria tendencioso é a solução seria então preservar o resultado obtido para o estimador beta chapéu de michael mas utilizar um estimador diferente para sua variante eu estou representando esse simulador por s2 beta chapéu asterisco que aparece na equação a direita a esquerda nós temos a real variância do estimador beta chapéu as duas equações convergem quando ele é grande ou seja o estimador robusto da variância s2 do beta chapéu asterisco é não tem nem cioso assintoticamente raciocínio análogo é válido no caso da regressão linear múltipla com
alguma sofisticação algébrica há várias propostas e estimadores robustos das variâncias na presença de heterocedasticidade és equação que eu apresentei é denominada da literatura de estimador robusto de white apesar de um estimador ser válido assintoticamente pode ser tendencioso para amostras pequenas e esse é um exemplo 12.7 do livro eu já obtive as estimativas de michael para os coeficientes da regressão dos gastos com alimentação em função da renda essas estimativas são não tendenciosas mesmo na presença de e quebrou-se da cidade eu não irei modificadas o problema é que motiva de michael para a variância de beta chapéu
dada por 0,031 ao quadrado que seria tendenciosa na presença de heterocedasticidade em objetivo é então obter uma estimativa aparece a variância que seja válida para realizar inferências que utilizaram em cima dor robusto da variância de white a estimativa será dada por 0,038 ao quadrado e a partir dessa estimativa da variância eu posso realizar as inferências estatísticas por exemplo a estatística t para testar a hipótese nula de que beta = 0 será igual a 3,36 e essa estimativa é validação praticamente ou seja para mostra as grandes como a minha mostra contém apenas 40 observações eu devo
ter muita cautela na análise nessas situações a sugestão é apresentar as duas estimativas das variâncias robusta em não robusta e destacar as vantagens e limitações de cada uma duas funções para obter o estimador da variância que seja robusto o interesse da cidade a primeira e a função coeftest que apresenta os resultados nos testes t para os coeficientes de um modelo eu passo como parâmetro o objeto nqo1 que contém as estimativas de nick para o modelo ea matriz de variância e covariância dos erros que será definida por uma segunda função denominada ver cove hc essa função
ver cove hc estimam atriz de variância e covariância que seja robusta a interesse da cidade e os parâmetros da função são objeto contendo os resultados do ajuste de michael e o parâmetro hc0 que definem a equação do estimador robusto de white e as estimativas dos betas são as mesmas de michael o que muda são as estimativas dos erros-padrão e consequentemente as referências para os coeficientes e aí e aí e aí e aí