Dada as hipóteses da coluna 1 da tabela a seguir, demonstre que as premissas apresentadas na coluna 2 são suas equivalentes e descreva o significado de cada uma dessas hipóteses.
Hipóteses do modelo clássico
| Hipóteses do modelo clássico | |
|
|
|
|
|
|
|
|
|
|
|
|
Passo 1
O que o enunciado pede e o que foi dado.
-
O enunciado apresenta o modelo de regressão linear simples (implícito) com erro e pede para demonstrar que cada hipótese da coluna 2 é equivalente à hipótese correspondente da coluna 1, e descrever o significado de cada hipótese.
-
Vou tomar explicitamente o modelo (isso é padrão no contexto):
-
As hipóteses que aparecem nas duas colunas são (uma por linha):
- Coluna 1:
.\quad Coluna 2: - Coluna 1:
para .\quad Coluna 2: para . - Coluna 1:
.\quad Coluna 2:
- Coluna 1:
-
Objetivo: provar, passo a passo, que cada linha da coluna 2 é equivalente à linha correspondente da coluna 1 (ou seja, cada uma implica a outra), e explicar o significado econômico/estatístico de cada hipótese.
Passo 2
Equivalência entre
e
.
- Começo definindo o resíduo (erro) a partir do modelo:
Isto é apenas rearranjar o modelo.
-
Primeiro, mostro que
. - Use a propriedade da esperança condicional:
e se é função conhecida de (por exemplo é conhecida dado ). - Aplique isso a
:
- Se
, então
- Use a propriedade da esperança condicional:
-
Agora a implicação inversa:
. - Reescreva
e tome esperança condicional:
- Se
, então o lado direito é zero, logo .
- Reescreva
-
Interpretação didática e intuitiva:
- A condição
significa que, para cada valor observado de , o erro tem média zero — isto é, sabendo não se consegue prever um desvio sistemático em . Em termos práticos, não há omissão sistemática de variável dependente relacionada a : o modelo condicional está centrado corretamente. - A condição equivalente
diz diretamente que a função de regressão condicional de em relação a é linear com intercepto e coeficiente . São duas maneiras de dizer a mesma coisa: uma coloca o foco no erro (média zero), a outra no próprio (forma da média condicional).
- A condição
Passo 3
Equivalência entre
para
e
para
.
-
Antes de mostrar cálculo, devo explicitar uma suposição padrão usada aqui: vou usar a formulação clássica com
tratados como não-aleatórios (fixos nas repetições da amostra). Esta é a maneira mais simples e usual de apresentar a equivalência; se for aleatório, precisa-se de hipóteses adicionais de exogeneidade e independência entre e para a equivalência — a ideia é a mesma, mas o enunciado clássico geralmente assume fixos ou, equivalente, condicionar em . Por isso trabalho com como constantes conhecidas ao calcular covariâncias. -
Com
fixos, calcule a covariância entre e (para ):
- Se
e são fixos (constantes), então e são constantes e têm covariância zero com qualquer variável. Assim os três primeiros termos são zero e sobra:
-
Portanto, sob a suposição de
fixos: - Se
então . - Reciprocamente, se
então (porque pela mesma igualdade ).
- Se
-
Observação sobre o caso
aleatório: se não for tratado como fixo, para garantir é preciso que os termos envolvendo não gerem covariância com os erros (por exemplo, etc.). Essa é a versão “exogeneidade e ausência de correlação espacial/temporal entre regressores e erros”. Em muitas apresentações básicas assume-se fixo para simplificar. -
Interpretação didática:
-
para significa que os erros são não correlacionados entre diferentes observações — não há dependência serial (se os índices representam tempo) nem correlação cruzada entre unidades. Em séries temporais isso é ausência de autocorrelação; em dados em painel ou amostrais é ausência de correlação entre observações. - A forma equivalente
(sob fixo) diz que, depois de remover os efeitos determinísticos , não sobra correlação entre observações. É outra maneira de dizer que não há “transferência” de informação do erro entre unidades.
-
Passo 4
Equivalência entre
e
.
- Parto da definição:
. Tomando variância condicional em :
- Como
é conhecido quando condicionamos em (é função determinística de ), sua variância condicional é zero. Logo
-
Portanto:
- Se
então . - E inversamente, se
então .
- Se
-
Interpretação didática:
- A condição
é a hipótese de homocedasticidade condicional: a variabilidade do erro é a mesma para todos os valores de (não depende de ). Em outras palavras, os pontos estão igualmente “espalhados” em torno da reta esperada, independentemente do valor de . - A forma equivalente
diz que a dispersão de ao redor da média condicional é constante em . Se isso falha (variação depende de ), diz-se que há heterocedasticidade, o que afeta a eficiência do OLS e validação dos erros-padrão.
- A condição
Passo 5
Sumário prático e consequências para inferência (ou seja, por que isso importa na prova).
-
As três hipóteses juntas (média condicional zero; erros não correlacionados; variância condicional constante) são parte das hipóteses clássicas que garantem que o OLS é BLUE (Gauss–Markov: melhor estimador linear insesgado) e que os erros padrão convencionais são válidos para testagem e construção de intervalos, quando também se assume normalidade dos erros se for necessária inferência exata.
-
Significados resumidos:
- Unbiasedness/exogeneidade:
(ou equivalente sobre ) — o regressor não está correlacionado com a média do erro; evita viés por omissão correlacionada com . - Ausência de correlação entre erros:
para — elimina autocorrelação/clustering; caso contrário, os erros-padrão precisam ser ajustados. - Homocedasticidade:
— garante que a variância de é constante; se false, OLS continua não-viesado mas não é mais eficiente e os erros-padrão padrão são incorretos.
- Unbiasedness/exogeneidade:
-
Exemplos rápidos (intuitivos):
- Se
: por exemplo, falta uma variável relevante correlacionada com ; então a reta estimada vai sistematicamente errar — viés. - Se
(em séries temporais): acontecimentos em um período afetam erros em outro — autocorrelação — erros-padrão precisam de correção (Newey–West, por exemplo). - Se
aumenta com : os pontos mais à direita têm maior dispersão — heterocedasticidade — use erros-padrão robustos (White) para inferência correta.
- Se