Distribuição Amostral do Estimador MQO na RLM

Aula 12, Introdução à Econometria

Prof. Moisés A. Resende Filho

Capítulo 04, parte 1

20 de julho de 2022

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 1 / 23

1. Hipóteses de Gauss-Markov

RLM.1: o processo gerador dos dados ou RLM é linear nos

parâmetros,

yi = β0 + β1 xi 1 + β2 xi 2 + . . . + βk xik + ui , i = 1, 2, ..., n

RLM.2: é viável obter uma amostra

f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, 2, ..., ng aleatória, tal que

E (ui jxl 1 , ..., xlk ) = 0, i, l = 1, 2, ..., n; i 6= l

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 2 / 23

Hipóteses de Gauss-Markov

RLM.3: ausência de colinearidade perfeita das variáveis explicativas,

ou seja,
∑i =1 brij2 6= 0, j = 0, 1, ..., k
n

com brij , i = 1, 2, ..., n os resídulos da regressão de xj nas demais

variáveis explicativas da RLM.
RLM.4: exogeneidade contemporânea do erro ou erro é média
independente de xi 1 , xi 2 , ..., xik , ou seja,

E (ui jxi 1 , xi 2 , ..., xik ) = 0, i = 1, 2, ..., n

RLM.5: o erro é homocedástico, ou seja, a variância de u condicional

em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g na amostra é uma constante σ2 ,

Var (u jx1 , ..., xk ) = Var (u ) = σ2

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 3 / 23

2. Consequências das Hipóteses de Gauss-Markov

Sob RLM.1 a RLM.3, é possível obter uma estimativa com o

estimador MQO de dois estágios

∑i =1 brij yi , j = 0, 1, ..., k,
n
b
βj = (1)
∑i =1 brij2
n

com brij o resíduo da regressão auxiliar de xj nas demais variáveis

explicativas da RLM.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 4 / 23

Consequências das Hipóteses de Gauss-Markov

∑i =1 brij2 = 0 e, portanto, de
n
RLM.3 elimina a possibilidade de
∑ni=1 b
rij2
Rj2 = 1 SQT j = 1, j = 1, 2, ..., k.
Sob RLM.1 a RLM.4, o estimador MQO é não viesado, Teorema
3.1: E (b
βj ) = βj , j = 0, 1, ..., k.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 5 / 23

Consequências das Hipóteses de Gauss-Markov
Se xk é omitido,
β̃j = b
βj + βk e
b δj , j = 0, 1, ..., k 1 (2)
|{z}
erro da estimativa MQO

e, condicional em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g na amostra,

E ( β̃j ) = βj + βk e
δj , j = 0, 1, ..., k 1 (3)
|{z}
viés de MQO

em que e δj é o coe…ciente de xj , j = 0, 1, ..., k 1 na regressão de xk

nas demais variáveis explicativas da RLM em RLM.1.
Se b
βk eδj 6= 0, obtemos estimativas erradas o tempo todo.
e
Se βk δj 6= 0, as estimativas MQO β̃j , j = 0, 1, ..., k 1 são, em
média, erradas, ou seja, são viesadas.
No caso de βk 6= 0 e e δj = 0,
E (u jx1 , x2 , ..., xk 1 ) = E (u jx1 , x2 , ..., xk ) = 0 e não há viés - caso
chamado de regressão ortogonal.
Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 6 / 23
Consequências das Hipóteses de Gauss-Markov

Sob RLM.1 a RLM.5 e condicional em

f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, 2, ..., ng na amostra, o estimador da
variância do estimador de MQO é

σ2
Var (b
β0 ) = (4)
∑ni=1 b
ri20
e
σ2
Var (b
βj ) = , j = 1, 2, ..., k (5)
SQTj (1 Rj2 )
em que SQTj = ∑ni=1 (xij x̄j )2 , b
rij é o resíduo da regressão de xj nas
∑ni=1 b
rij2
demais variáveis explicativas da RLM e Rj2 = 1 SQT j , o seu R-dois.
Sob RLM.1 a RLM.5, o estimador MQO é BLUE - Teorema 3.4, o
Teorema de Gauss-Markov.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 7 / 23

Consequências das Hipóteses de Gauss-Markov

Sob RLM.1 a RLM.5, conhecemos os dois primeiros momentos da

distribuição amostral do estimador MQO condicional em
f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, 2, ..., ng na amostra, quais sejam:

E (b
βj ) = βj , j = 0, 1, ..., k (6)

e
σ2
Var (b
βj ) = , j = 0, 1, ..., k (7)
∑ni=1 b
rij2
Ainda,
SQR
σ̂2 = (8)
n (k + 1)
é o estimador não viesado de σ2 .

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 8 / 23

Consequências das Hipóteses de Gauss-Markov

No entanto, para testarmos hipóteses sobre βj , usando

procedimentos exatos de teste ou procedimentos de “amostras
…nitas”, precisamos conhecer, além da média e variância do
estimador MQO, também a sua distribuição amostral condicional
em f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, 2, ..., n g na amostra.
No …nal das contas, queremos ser capazes de formular hipóteses
sobre o valor do parâmetro populacional e utilizar os dados para
inferir se estas são verdadeiras ou não.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 9 / 23

Consequências das Hipóteses de Gauss-Markov

Por exemplo, com os dados obtidos com o comando Stata bcuse

attend,clear e o modelo econométrico

…nal = β0 + β1 skipped + β2 priGPA + β3 ACT + u

em que …nal 2 [0, 40], skipped 2 [0, 30], priGPA 2 [0, 4],
ACT 2 [0, 32] é o escore no teste ACT (American College Testing ),
um teste padronizado aplicado a alunos do segundo grau nos EUA
que é usado como parâmetro para admissão pelas universidades
americanas, gostaríamos de testar a seguinte hipótese nula

H0 : β1 = 0,

ou seja, se não há efeito de faltas em Introdução à Microeconomia

na MSU na nota da prova …nal do curso.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 10 / 23

Consequências das Hipóteses de Gauss-Markov

Finalmente, o estimador MQO, condicional em

f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., ng, é função linear de ui , pois como
visto anteriormente, sob RLM.1 e RLM.3,

β̂j = βj + ∑i =1 wij ui , j = 0, 1, ..., k

n
(9)

em que wij são pesos que dependem de

b
rij
f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., ng, pois wij eb
rij é o resíduo
∑=
n
r2
b
i 1 ij
da regressão de xj nas demais variáveis explicativas.
Obtivemos (9), substituindo
yi = β0 + β1 xi 1 + β2 xi 2 + . . . + βk xik + ui da RLM.1 em
∑ = br y , j = 0, 1, ..., k, sabendo que
n

b
βj = i 1
ij i

∑ = br
n
2
i 1 ij
= 0, l = 0, 1, ..., k; l 6= j e ∑ni=1 brij xij = ∑i =1 brij2 .
n
∑ni=1 b
rij xil

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 11 / 23

Consequências das Hipóteses de Gauss-Markov

Pela equação (9), o estimador MQO é uma função linear de ui , tal

que, β̂j condicional em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g herda a
distribuição de fui : i = 1, 2, .., n g, uma amostra aleatória da
distribuição populacional de u, se u é normalmente distribuído -
Hipótese RLM.6, a ser estabelecida a seguir.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 12 / 23

3. Normalidade do Erro

Hipótese RLM.6 Normalidade do erro: o erro populacional u tem

função densidade de probabilidade normal com média zero por RLM.4, e
variância σ2 constante por RLM.5,

ui Normal (0, σ2 ), i = 1, 2, ..., n

ou, simplesmente,
u Normal (0, σ2 )

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 13 / 23

Normalidade do Erro

RLM.6 é uma hipótese especí…ca sobre a função densidade de

probabilidade (fdp) populacional, tal que a fdp normal de u tem forma de
sino
.4
.3
.2
.1
0

-4 -2 0 2 4
u

Comando Stata graph twoway (function y=normalden(x,0,1), range(-4 4))

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 14 / 23

Normalidade do Erro

É comum assumirmos normalidade dos erros, mas a razão para tanto

nem sempre se justi…ca.
O argumento a favor da normalidade do erro é que u é uma soma
de fatores independentes não observáveis, ou seja,

u = a1 + a2 + ... + am

com m grande o su…ciente para que se possa utilizar o teorema do

limite central.
No entanto, e se, de fato,

u = a1 a2 ... am ?

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 15 / 23

Normalidade do Erro

Saber se a hipótese de normalidade de u é verdadeira é uma questão

a ser testada caso a caso, por exemplo, com o teste Jarque-Bera.
Em última análise, como no caso da hipótese RLM.5, mantemos a
hipótese RLM.6 por conveniência, por ser muito complicado fazer
inferência em amostras …nitas sem RLM.6.
As hipóteses RLM.1 a RLM.6 são chamadas de hipóteses do
Modelo Clássico de Regressão Linear (MCRL) para regressões
de dados de seção cruzada.
Em termos práticos, as hipóteses do MCRL = fhipótese de
Gauss-Markov + hipótese de normalidade do errog.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 16 / 23

Normalidade do Erro

O processo estocástico

ui iidN (0, σ2 ), i = 1, 2, ..., n

em que iidN denota identicamente e independentemente distribuído com

fdp Normal de média zero e variância σ2 é mais que su…ciente para
garantir que:
1 Toda amostra f(xi 1 , xi 2 , ..., xik , yi ) : i = 1, 2, ..., n g obtida do modelo
yi = β0 + β1 xi 1 + . . . + βk xik + ui , i = 1, 2, ..., n é aleatória, ou seja,
RLM.2 E (ui jxl 1 , xi 2 , ..., xlk ) = E (ui ) = 0, i, l = 1, 2, ..., n; i 6= l.
2 E (ui jxi 1 , xi 2 , ..., xik ) = E (ui ) = 0, i = 1, 2, ..., n, ou seja, RLM.4; e
3 Var (u jx1 , x2 , ..., xk ) = Var (u ) = σ2 , RLM.5.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 17 / 23

Normalidade do Erro

Ao adicionarmos RLM.6 às hipóteses RLM.1 a RLM.5, garantimos

independência de ui de f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g, o que é
mais que su…ciente para garantir independência condicional em
f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., ng da média e da variância de u.
Portanto, ao adicionarmos RLM.6 às hipóteses RLM.1 a RLM.5,
tornamos, de fato, justi…cado chamar xj , j = 1, 2, ..., k de variáveis
independentes.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 18 / 23

4. Distribuição Amostral do Estimador MQO
Um fato importante sobre variáveis aleatórias iidN é que uma
combinação linear destas é também normalmente distribuída (vide
propriedade Normal.4, p.49 do arquivo pdf do Apêndice B de
Wooldridge (2011)).
Disto segue que, como β̂j = βj + ∑ni=1 wij ui , j = 0, 1, ..., k, se
ui iidN (0, σ2 ), i = 1, 2, ..., n,
β̂j Normal βj , Var ( β̂j ) , j = 0, 1, ..., k
b
rij
com wij eb
rij o resíduo da regressão de xj nas demais
∑=
n
r2
b
i 1 ij
variáveis explicativas da RLM e
σ2
Var (b
β0 ) =
∑ni=1 b
ri20
e
σ2
Var ( β̂j ) = , j = 1, 2, ..., k
SQTj (1 Rj2 )
Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 19 / 23
Distribuição Amostral do Estimador MQO

Teorema 4.1 Distribuição Amostral Normal: sob RLM.1 a RLM.6 e

condicional em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g,

β̂j Normal βj , Var ( β̂j ) , j = 0, 1, ..., k (10)

σ2 σ2
com Var (b
β0 ) = ∑ni=1 b
ri20
e Var ( β̂j ) = SQT j (1 R j2 )
,j = 1, 2, ..., k.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 20 / 23

Distribuição Amostral do Estimador MQO

Subtraindo de β̂j a sua média e dividindo pelo desvio padrão de β̂j ,

obtemos zβ̂ , uma variável aleatória normal padrão,
j

β̂j βj
zβ̂ = Normal (0, 1), j = 0, 1, ..., k
j dp ( β̂j )

No entanto, como σ2 é desconhecido, utilizamos em seu lugar o

estimador não viesado de σ2 ,

∑ni=1 u
bi2
σ̂2 =
n (k + 1)

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 21 / 23

Distribuição Amostral do Estimador MQO

Teorema 4.2. A Distribuição t do Estimador Padronizado: sob

RLM.1 a RLM.6 e condicional em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g na
amostra, o estimador MQO padronizado

β̂j βj
tβ̂ tn (k +1 ) , j = 0, 1, ..., k (11)
j ep ( β̂j )

com ep ( β̂0 ) = ∑n σ̂ br 2 , ep ( β̂j ) = p σ̂

, j = 1, 2, ..., k,
i =1 i 0 SQT j (1 R j2 )
r
n
ub2
σ̂ = n∑i(=k1+1i ) , (k + 1) o número de parâmetros estimados por MQO no
modelo y = β0 + β1 x1 + . . . + βk xk + u e n (k + 1) o número de graus
de liberdade da distribuição t de student.

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 22 / 23

Distribuição Amostral do Estimador MQO

Leia tβ̂ tn (k +1 ) como a estatística tβ̂ tem distribuição t de

j j
student.
tβ̂ tem distribuição t de student por ser o resultado da divisão de
j
β̂j βj
uma variável aleatória normal padrão zβ̂ = dp ( β̂j )
por uma
j
ep ( β̂j )
variável aleatória qui-quadrado dp ( β̂j )
, sendo estas duas variáveis
independentes (vide p.50 do apêndice B de Wooldridge (2011)).

Moisés Resende Filho (ECO/UnB) Distribuição Amostral do Estimador MQO 20/07/2022 23 / 23