Heterocedasticidade

Aula 22, Introdução à Econometria

Prof. Moisés A. Resende Filho

Capítulo 8

19 de agosto de 2022

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 1 / 38

1. Hipóteses de Gauss-Markov

RLM.1 (linearidade nos parâmetros):

y = β0 + β1 x1 + + βk xk + u.
RLM.2 (amostra aleatória): há uma amostra
f(xi 1 , ..., xik , yi ) : i = 1, 2, ..., ng que representa a população, tal que
E (ui jxl 1 , . . . , xlk ) = 0, i, l = 1, 2, ..., n; i 6= l.
RLM.3 (colinearidade imperfeita): variação amostral e colinearidade
imperfeita, ou seja, n (k + 1) e Rj2 < 1, j = 0, 1, ..., k, com Rj2 o
R-dois da regressão de xj nas outras variáveis explicativas da RLM.
RLM.4 (média condicional zero do erro):
E (ui jxi 1 , . . . , xik ) = 0, i = 1, 2, ..., n, exogeneidade contemporânea.
RLM.5 (homocedasticidade): a variância do erro, condicional em
f(xi 1 , ..., xik ) : i = 1, ..., ng na amostra é σ2 ,uma constante positiva,
ou Var (ui jx1 , . . . , xk ) = Var (ui ) = σ2 , i = 1, 2, ..., n.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 2 / 38

Hipóteses de Gauss-Markov

Se atendidas, as hipóteses RLM.1 a RLM.4 asseguram que o

estimador MQO é LINEAR em y , pois b βj = ∑ni=1 wij yi com
b
r
wij = n ij 2 , NÃO VESADO, E (b
∑ i =1 b
rij
β ) = β , j = 0, 1, ..., k, e
j j

consistente, p lim(b
βj ) = βj , j = 0, 1, ..., k.
Adicionando RLM.5 ao conjunto de hipóteses RLM.1 a RLM.4,
temos as hipóteses de Gauss-Markov que, quando atendidas,
asseguram que o estimador MQO β̂j é o melhor estimador linear não
viesado (BLUE) de βj , ou seja, Var ( β̂j ) Var ( β̃j ) com β̃j um outro
estimador de βj não viesado e linear em y .
Quais as consequências do não atendimento da hipótese RLM.5?

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 3 / 38

2. Consequências da Violação de RLM.5

∑ = br y , j = 0, 1, ..., k ainda é linear, não

n

O estimador MQO b
ij i
1 βj = i 1

∑ = br
n
2
i 1 ij
viesado (LUE) e consistente, ou seja, ainda é um bom estimador de
βj . Contudo, como já não é mais o estimador de menor variância
(perde o B de BLUE), pode ser que exista um estimador melhor
que b βj ; e
r
b2
2 ep (bβj ) = σ
, j = 0, 1, ..., k deixa de ser um estimador válido
∑=
n
2 b
r
i 1 ij

de dp (b
βj ) e as estatísticas t, F e LM não têm mais distribuições t, F
2
e χ , não servindo mais para executar testes e construir intervalos de
con…ança.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 4 / 38

3. Inferência Robusta à Heterocedasticidade
No contexto de dados de seção cruzada, consideraremos que violar
RLM.5 é o mesmo que heterocedasticidade de forma
desconhecida, Var (ui jx1 , . . . , xk ) = σ2i .
Como os estimadores MQO são LUE e consistentes sob RLM1. a
RLM.4, podem ainda ser utilizados, desde que com erros-padrão e
estatísticas t, F e LM ajustados para heterocedasticidade.
Sob RLM.1 a RLM.4, o estimador MQO é

∑i =1 brij ui , j = 0, 1, ..., k,
n
b
βj = βj +
∑i =1 brij2
n

tal que, sob Var (ui jx1 , . . . , xk ) = σ2i ,

∑i =1 brij2 σ2i , j = 0, 1, ..., k.

n
Var (b
βj ) = 2
(1)
∑i =1 brij2
n

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 5 / 38

Inferência Robusta à Heterocedasticidade

Note que, se RLM.5. Var (u jx1 , . . . , xk ) = σ2 é válida, então, de (1)

temos que
σ2
Var (b
βj ) = n , j = 0, 1, ..., k,
∑i =1 brij2
como antes.
QUESTÃO: Como estimar σ2i ?

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 6 / 38

Inferência Robusta à Heterocedasticidade

White (Econometrica, 1980), mostra que sob RLM.1 a RLM.4 e para

qualquer forma de heterocedasticidade, o estimador válido de Var (b
βj )
é:
∑
n
rij2 u
b bi2
d b
Var ( βj ) = i =1 2 , j = 0, 1, ..., k (2)
SQRj
em que u bi é o i-ésimo resíduo da regressão MQO do MRLM em
RLM.1 e b rij é o i-ésimo resíduo da regressão auxiliar de xj nas demais
∑i =1 brij2 e .
n
variáveis explicativas do MRLM em RLM.1, SQRj
Os erros-padrão robustos à heterocedasticidade ep (b βj )robusto ou
erros-padrão de White-Huber-Eicher são a raiz quadrada de (2) e
são assintoticamente válidos, ou seja, válidos quando n ! ∞.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 7 / 38

Inferência Robusta à Heterocedasticidade

É comum corrigir (2) para graus de liberdade, fazendo

∑=
n
r 2 ub2
b
d (b
Var βj ) = i 1 ij i n
, mas se n ! ∞ tanto faz corrigir ou
SQR j2 n k 1
não para graus de liberdade.
Estatísticas t robustas para heterocedasticidade empregam
erros-padrão robustos, tal que:

b
βj βj
tbβ = , j = 0, 1, ..., k
j ep (b
βj )robusto

Estatísticas t, F e LM robustas para heterocedasticidade convergem

em distribuição para as distribuições t e F , quando n ! ∞.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 8 / 38

Inferência Robusta à Heterocedasticidade

Use os comandos Stata no arquivo cap8_01.do ao lado dos slides da

aula 21 na página web do curso como exemplo de estimação MQO
robusta à heterocedasticidade para o MRLM

lsalarioh = β0 + δ0 feminino + δ1 casado + δ2 (feminino casado ) +

2
+ β1 educ + β2 exper + β3 exper +
+ β4 perm + β5 perm2 + u (3)

em que feminino recebe 1 se o indivíduo é mulher e, caso contrário,

zero, casado recebe 1 se o indivíduo é casado e, caso contrário, zero,
educ é o número de anos de estudo formal e exper é o número de
anos de experiência pro…ssional.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 9 / 38

Inferência Robusta à Heterocedasticidade

Para executar inferência robusta à heterocedasticidade no Stata,

basta adicionar a opção robust ao comando reg, por exemplo, como
em reg lsalarioh [Link]##[Link] educ exper expersq perm
permsq, robust.
As estimativas obtidas com a opção robust estão na coluna (2) da
tabela do próximo slide.
Note que as estimativas MQO e R-dois são iguais nas colunas (1) e
(2), mas os erros-padrão e, eventualmente, os níveis de signi…cância
mudam.
Se há heterocedasticidade, a questão não é se os ep (b
β)
j na
robustos

coluna (2) são maiores ou menores que os ep (b

βj ) na coluna (1).
A questão é que os ep (bβj ) na coluna (1) são incorretos, ou seja,
geram razões t que não têm distribuição t e, assim, não servem para
fazer inferência ou construir intervalos de con…ança.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 10 / 38

Inferência Robusta à Heterocedasticidade

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 11 / 38

4. Testes para Homocedasticidade

Por que testar para homocedasticidade?

1 Porque usar os erros-padrão usuais é preferível sob RLM.1 a RLM.6,

pois as estatísticas têm distribuições exatas t e F , independentemente
do tamanho da amostra, enquanto ep (b βj )robustos são apenas
assintoticamente válidos; e
2 Porque os resultados dos testes podem nos ajudar a encontrar
um estimador melhor (com menor variância) que MQO.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 12 / 38

Testes para Homocedasticidade

Heterocedasticidade pode ocorrer por várias razões, mas admitiremos

que, se ocorre, é porque Var (u jx1 , . . . , xk ) depende das variáveis
explicativas no modelo, ou seja, de f(xi 1 , xi 2 , ..., xik ) : i = 1, ..., n g na
amostra.
Logo, nos concentraremos em testes de

H0 : Var (u jx1 , . . . , xk ) = σ2

que, sob RLM.4, é equivalente a

H0 : E (u 2 jx1 , . . . , xk ) = σ2

contra

H1 : Var (u jx1 , . . . , xk ) é função de variáveis explicativas

do MRLM em RLM.1

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 13 / 38

4.1. Teste Breusch-Pagan e Godfrey (BPG)

Se há heterocedasticidade, é da forma

u 2 = δ0 + δ1 x1 + δ2 x2 + + δk xk + v (4)

Logo, testamos se o erro é homocedástico, ou seja,

H0 : δ1 = δ2 = = δk = 0 (5)

contra
H1 : o erro é heterocedástico

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 14 / 38

Teste BPG

1 Estime a regressão MQO y = β0 + β1 x1 + + βk xk + u,

b;
armazenando a série dos resíduos u
2 b2 no lugar de u 2 , armazenando o R-dois,
Estime o modelo (4) com u
2
Rub2 e k; e
R 22 /k
3 Calcule a estatística F = (1 2
ub
R 2 ) / (n k 1)
Fk ,n k 1 e/ou
ub
LM = nRub22 χ2k
(teste BPG) e rejeite H0 em favor de H1 se o
p-valor do teste for su…cientemente pequeno.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 15 / 38

Teste BPG

Usando o modelo (3) como exemplo no Stata, com o comando estat

hettest, rhs
. * Teste para heterocedasticidade
. qui reg lsalarioh [Link]##[Link] educ exper expersq perm permsq

.
. *Teste Breusch-Pagan e Godfrey
. estat hettest, rhs

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: feminino casado [Link]#[Link] educ exper expersq perm permsq

chi2(8) = 21.14
Prob > chi2 = 0.0068

Como o p-valor do teste BPG é 0, 0068 e, assim, menor que 1%,

rejeitamos H0 : Var (u jx1 , . . . , xk ) = σ2 em favor de que o erro é
heterocedástico.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 16 / 38

4.2. Teste de White

O teste BPG apenas avalia (4), a forma linear da

heterocedasticidade nas variáveis explicativas do MRLM em
RLM.1.
Já o teste de White permite avaliar formas não lineares de
heterocedasticidade e apenas altera o passo 2 do teste BPG.
O passo 2 do teste de White consiste em estimar o modelo (4),
incluindo os quadrados das variáveis e todos as interações entre estas.
Por exemplo, se y = β0 + β1 x1 + β2 x2 + u, no passo 2, estimamos
b2 = δ0 + δ1 x1 + δ2 x2 + δ3 x12 + δ4 x22 + δ5 x1 x2 +v .
u
| {z }

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 17 / 38

Teste de White
Usando o modelo (3) como exemplo no Stata, com o comando
whitetst
. whitetst

White's general test statistic : 45.68726 Chi-sq(36) P-value = .1293

Alternativamente, com o comando Stata estat imtest

. estat imtest

Cameron & Trivedi's decomposition of IM-test

Source chi2 df p

Heteroskedasticity 45.69 36 0.1293

Skewness 4.75 8 0.7841
Kurtosis 2.17 1 0.1411

Total 52.60 45 0.2034

Como o p-valor do teste 0.1293 é maior que 5%, aceitamos

H0 : Var (u jx1 , . . . , xk ) = σ2 pelo teste de White.
Limitação: perde muitos graus de liberdade, o que reduz o poder do
teste.
Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 18 / 38
4.3. Teste de White Modi…cado por Wooldridge

Wooldridge propõe uma versão alternativa do teste de White.

1 b e dos valores estimados yb para estimar o

Use a série dos resíduos u
modelo ub2 = δ0 + δ1 yb + δ2 yb2 + v e obter o R-dois, Rub22 .
R 22 /2
2 Calcule a estatística F = (1 2
ub
R 2 ) / (n 2 1)
F2,n 2 1 ou
ub
LM = nRub22 χ22 e conclua com base no p-valor.

Vantagem: mais fácil de implementar que o teste de White usual e

impõe menor perda de graus de liberdade.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 19 / 38

Teste de White Modi…cado por Wooldridge

Usando o modelo (3) como exemplo no Stata,

. scalar list Festat Fcrit5 Fpvalor Qestat Qcrit5 Qpvalor
Festat = 2.0824865
Fcrit5 = 3.0129575
Fpvalor = .12565211
Qestat = 4.155769
Qcrit5 = .10258659
Qpvalor = .12519478

Como os p-valores Fp-valor =0.12565211 e Qpvalor=0.12519478 são

ambos maiores que 5%, aceitamos H0 : Var (u jx1 , . . . , xk ) = σ2 .
Em suma, pelo teste BPG, rejeitamos, mas pelo teste de White e
White-Wooldridge aceitamos homocedasticidade.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 20 / 38

5. Mínimos Quadrados Ponderados (MQP)

Use a informação sobre a forma da heterocedasticidade para

obter um estimador BLUE, fazendo com que as estatísticas t e F
baseadas neste estimador passem a ter distribuições exatas t e F .
Consideremos a forma constante multiplicativa de
heterocedasticidade

Var (u jx1 , . . . , xk ) = σ2 h (x1 , . . . , xk ) (6)

em que h (.) > 0 é uma função de x1 , . . . , xk que gera apenas valores

estritamente positivos e σ2 é um parâmetro populacional
desconhecido.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 21 / 38

Mínimos Quadrados Ponderados (MQP)

Admitindo a forma de heterocedasticidade (6) , multiplique os dois

lados do MRLM

y = β0 + β1 x1 + + βk xk + u
p
por 1/ hi , com hi h (xi 1 , . . . , xik ).
Com isto, obtemos o MRLM transformado
y 1
pi = p ( β0 + β1 xi 1 + + βk xik + ui )
hi hi
β x x ui
= p 0 + β1 pi 1 + + βk pik + p (7)
hi hi hi hi

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 22 / 38

Mínimos Quadrados Ponderados (MQP)

De forma mais compacta, o MRLM transformado (7) é

yi = β0 xi 0 + β1 xi 1 + + βk xik + ui ,
p p p
com yi = yi / hi , xi 0 = 1/ hi , xij = xij / hi , j = 1, ..., k e
hi h (xi 1 , . . . , xik ).

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 23 / 38

Mínimos Quadrados Ponderados (MQP)

Note que, como

Var (ui jxi 1 , . . . , xik ) = E (ui 2 jxi 1 , . . . , xik ),

então,
p 2
E (ui 2 jxi 1 , . . . , xik ) = E ( ui / hi jxi 1 , . . . , xik )
= (1/hi ) E (ui2 jxi 1 , . . . , xik )
= (1/hi ) σ2 h(xi 1 , . . . , xik )
= σ2

Ou seja, u 2 é homocedástico por construção se a

heterocedasticidade for, de fato, da forma constante multiplicativa,
E (ui2 jxi 1 , . . . , xik ) = σ2 h (xi 1 , . . . , xik ) com h (.) corretamente
especi…cada.
Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 24 / 38
Mínimos Quadrados Ponderados (MQP)

A estimação MQO aplicada ao modelo transformado (7) é um caso

de mínimos quadrados generalizados (MQG).
No MQG para heterocedasticidade, os estimadores são chamados de
mínimos quadrados ponderados (MQP), p pois são uma p aplicação
de MQO aos p dados ponderados yi = yi / hi , xi 0 = 1/ hi e
xij = xij / hi , j = 1, 2, ..., k.
Logo, observações com menor variância do erro têm maiores
pesos (importância).
p
MQO é o caso particular em que hi = 1 para todo i = 1, 2, ..., n.
p
Comop E (ui jxi 1 , . . . , xik ) = E (ui / hi jxi 1 , . . . , xik ) =
(1/ hi )E (ui jxi 1 , . . . , xik ) = 0, se o modelo satisfaz RLM.1 a RLM.4,
o modelo transformado também satisfaz. Logo, se o erro do modelo
transformado for, de fato, homocedástico, o estimador MQG/MQP
será BLUE.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 25 / 38

5.1. Exemplo de Aplicação de MQP

Utilizaremos nesta seção os comandos Stata no arquivo cap8_02.do

ao lado dos slides da aula 21 na página web do curso.
Com os dados em [Link], obtemos as seguintes estimativas MQO
do MRLM
poupi = β0 + β1 rendai + ui , (8)
. reg poup renda, cformat(%9.3f) pformat(%5.4f) sformat(%8.3f)

Source SS df MS Number of obs = 100

F(1, 98) = 6.49
Model 66368437 1 66368437 Prob > F = 0.0124
Residual 1.0019e+09 98 10223460.8 R-squared = 0.0621
Adj R-squared = 0.0526
Total 1.0683e+09 99 10790581.8 Root MSE = 3197.4

poup Coef. Std. Err. t P>|t| [95% Conf. Interval]

renda 0.147 0.058 2.548 0.0124 0.032 0.261

_cons 124.842 655.393 0.190 0.8493 -1175.764 1425.449

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 26 / 38

Exemplo de Aplicação de MQP

Ademais, rejeitamos H0 a 1% pelo teste Breusch-Pagan e Godfrey,

. estat hettest, rhs

Breusch-Pagan / Cook-Weisberg test for heteroskedasticity

Ho: Constant variance
Variables: renda

chi2(1) = 14.22
Prob > chi2 = 0.0002

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 27 / 38

Exemplo de Aplicação de MQP

Admitimos que
Var (ui jrenda) = σ2 rendai ,
tal que hi = h (xi 1 , . . . , xik ) = rendai .
Logo, estimaremos por MQO o MRLM transformado
poupi 1 1 1
p = β0 p + β1 rendai p + ui p
rendai rendai rendai rendai
1/2
= β0 rendai + β1 rendai1/2 + ui
1/2
em que ui ui rendai e Var (ui jrenda) = σ2 , o erro é
homocedástico.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 28 / 38

5.2. MQP no Stata

A estimativa MQP do MRLM (8) é

. reg poup renda [aw = 1/renda], cformat(%9.3f) pformat(%5.4f) sformat(%8.3f)
(sum of wgt is .0138769612253021)

Source SS df MS Number of obs = 100

F(1, 98) = 9.14
Model 58142339.8 1 58142339.8 Prob > F = 0.0032
Residual 623432468 98 6361555.8 R-squared = 0.0853
Adj R-squared = 0.0760
Total 681574808 99 6884594.02 Root MSE = 2522.2

poup Coef. Std. Err. t P>|t| [95% Conf. Interval]

renda 0.172 0.057 3.023 0.0032 0.059 0.284

_cons -124.953 480.861 -0.260 0.7955 -1079.205 829.299

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 29 / 38

MQP no Stata

(1) (2)
poup poup

renda 0.147** 0.172***

(0.0575) (0.0568)

Constant 124.8 -125.0

(655.4) (480.9)

Observations 100 100

R-squared 0.062 0.085
Adjusted R-squared 0.053 0.076

Standard errors in parentheses

* p<0.10, ** p<0.05, *** p<0.01

Note que as estimativas MQP dos parâmetros, erros-padrão e R-dois

mudam.
No caso, a mudança de sinal do intercepto pode ser devido à uma
provável violação de RLM.4.
Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 30 / 38
6. MQG Factível (MQGF)

A maior di…culdade na aplicação de MQG/MQP é que, como na

prática quase nunca sabemos a forma da heterocedasticidade, MQO
pode ser até mais e…ciente que MQP.
Soluções Potenciais:

1 Utilize MQP, pois é não viesado e consistente, juntamente com

inferência robusta à heterocedasticidade.
2 Utilize um procedimento Mínimos Quadrados Generalizados Factível
(MQGF), juntamente com inferência robusta à heterocedasticidade.

Note que MQP será um procedimento MQGF neste contexto, pois

admitimos que não conhecemos a forma da heterocedasticidade.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 31 / 38

MQG Factível (MQGF)

Um estimador MQGF é aquele que usa no lugar de hi estimativas

b
hi , i = 1, ..., n, como no exemplo de aplicação a seguir.
Passo 1. Admitindo que

Var (u jx1 , . . . , xk ) = σ2 exp(δ0 + δ1 x1 + + δk xk ) (9)

estime o modelo

y = β0 + β1 x1 + + βk xk + u

b e a série yb dos valores previstos de

e armazene a série dos resíduos u
y.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 32 / 38

MQG Factível (MQGF)

Passo 2. Estime o modelo

b2 ) = α0 + δ1 yb + δ2 yb2 + v
log(u

e obtenha a série

b α0 + b
hi = exp b δ1 yb + b
δ2 yb2

Alternativamente, podemos substituir yb e yb2 por x1 , . . . , xk .

Passo 3. Estime o modelo transformado
y β x x ui
pi = p0 + β1 pi 1 + + βk pik + p
b
hi b
hi bhi b
hi b
hi

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 33 / 38

MQG Factível (MQGF)

Estimar hi com os mesmos dados do modelo original torna MQGF

viesado e, portanto, não pode ser BLUE.
No entanto, MQGF é consistente e assintoticamente mais
e…ciente que MQO se bhi for um estimador consistente de hi , o que
torna MQGF uma alternativa atrativa a MQO quando se está
trabalhando com amostras grandes.
Em suma, quando não temos certeza sobre a forma de
Var (u jx1 , . . . , xk ), devemos usar MQGF ou MQP juntamente com
inferência robusta à heterocedasticidade.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 34 / 38

MQG Factível (MQGF)

É natural que as estimativas de MQO e MQGF sejam diferentes.

Contudo, devemos descon…ar se forem estatisticamente signi…cantes e
muito diferentes, em especial, se tiverem sinais diferentes.
Neste caso, provavelmente, além de RLM.5, outras hipóteses de
Gauss-Markov também foram violadas, em especial, RLM.4.
Veja exemplo a seguir executado com os comandos Stata no arquivo
cap8_02.do na página web do curso e para o modelo

poup = β0 + δ0 black + β1 renda + β2 size + β3 educ + β4 age + u

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 35 / 38

6.1. MQG no Stata
(1) MQO, (2) MQO e robust, (3) MQP com aw = 1/renda, (4) MQP
com aw = 1/renda e robust, (5) MQGF e robust.
(1) (2) (3) (4) (5)
poup poup poup poup poup

renda 0.109 0.109 0.101 0.101* 0.106**

(0.0714) (0.0869) (0.0773) (0.0551) (0.0490)

size 67.66 67.66 -6.869 -6.869 -5.776

(223.0) (214.4) (168.4) (121.3) (109.9)

educ 151.8 151.8 139.5 139.5 109.9

(117.2) (170.5) (100.5) (111.1) (85.97)

age 0.286 0.286 21.75 21.75 24.55

(50.03) (43.27) (41.31) (34.20) (32.33)

black 518.4 518.4 137.3 137.3 219.4

(1308.1) (861.1) (844.6) (560.4) (498.6)

Constant -1605.4 -1605.4 -1854.8 -1854.8 -1728.4

(2830.7) (2931.6) (2351.8) (2126.8) (1751.0)

Observations 100 100 100 100 100

R-squared 0.083 0.083 0.104 0.104 0.098
Adjusted R-squared 0.034 0.034 0.057 0.057 0.050

Standard errors in parentheses

* p<0.10, ** p<0.05, *** p<0.01

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 36 / 38

MQG Factível (MQGF)

Conclusão: se há violação de apenas RLM.5, os estimadores MQO

(colunas (1) e (2)) e MQP (colunas (3) e (4)) são estimadores não
viesados e consistentes, o que não se con…rma diante das mudanças
nos sinais do coe…ciente de size entre estimações. Logo, além de
RLM.5, outra hipótese de Gauss-Markov, provavelmente RLM.4, está
sendo violada.
Por exemplo, variáveis relegadas ao erro podem estar correlacionadas
com variáveis explicativas do modelo.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 37 / 38

7. Sumário das Potenciais Correções para
Heterocedasticidade

1 Se não conhecemos a forma da heterocedasticidade, use MQO e

inferência robusta à heterocedasticidade;
2 Se a forma da heterocedasticidade é constante multiplicativa e
conhecida, use MQP, pois é não viesado e melhor que MQO, e
inferência sem correção para heterocedasticidade;
3 Se a forma da heterocedasticidade é constante multiplicativa e
desconhecida, use MQP e inferência robusta à
heterocedasticidade;
4 Se a forma da heterocedasticidade é constante multiplicativa e
desconhecida, use um estimador, provavelmente viesado, mas
consistente e assintoticamente mais e…ciente que MQO, e inferência
robusta à heterocedasticidade, ou seja, use MQGF e inferência
robusta à heterocedasticidade.

Moisés Resende Filho (ECO/UnB) Heterocedasticidade 19/08/2022 38 / 38