Verifique, explicando, de forma minuciosa, se as seguintes afirmações são verdadeiras, falsas ou duvidosas.
O teste
de significância para os estimadores
e
de MQO do modelo,
requer que as distribuições amostrais desses estimadores sigam a distribuição normal.
O teste
Passo 1
O enunciado pede para verificar se a afirmação abaixo é verdadeira, falsa ou duvidosa, e explicar minuciosamente:
“Ao testar a significância dos estimadores
e
por meio do teste
no modelo
, é necessário que as distribuições amostrais desses estimadores sigam a distribuição normal.”
Informações que o enunciado nos dá:
- O modelo é
. - Os estimadores considerados são
e obtidos por MQO (mínimos quadrados ordinários). - A afirmação relaciona o uso do teste
com a normalidade das distribuições amostrais de e .
Passo 2
Primeiro: o que é o teste
de que se fala, em termos práticos?
- Em regressão linear simples, para testar
(com ou ), costuma-se formar a estatística
- Aqui
é o estimador MQO, e é o erro padrão estimado (raiz quadrada da estimativa da variância amostral de ).
Expliquei cada símbolo:= estimador; = valor sob hipótese nula; = estimativa do desvio padrão de .
O que o teste faz na prática:
- Se a distribuição de
for conhecida (por exemplo Student com graus de liberdade apropriados), comparamos o valor observado com valores críticos e decidimos rejeitar ou não .
Passo 3
Quando obtemos distribuição exata Student-
para
(caso clássico, amostra pequena)?
Condições suficientes ( clássicas ) para que exista uma distribuição
exata:
- Erros
independentes e identicamente distribuídos (i.i.d.) com média zero e variância . - Os erros
têm distribuição normal: . - Regressoras não aleatórias ou, se aleatórias, satisfazem certas condições de independência/exogeneidade com
.
Sob essas condições clássicas temos duas propriedades úteis:
- A versão padronizada do estimador é normal:
onde
é a verdadeira raiz da variância do estimador (dependendo de
e da amostra).
- A estimativa dos quadrados residuais escalada tem distribuição qui-quadrado:
onde
é o estimador não enviesado de
e
é o número de observações.
Além disso, quando os erros são normais, a quantidade normalizada
é independente de
. Daí, pelo teorema que combina normal e qui-quadrado independentes, a estatística
segue exatamente a distribuição Student-
com
graus de liberdade (no caso de regressão linear simples). Essa é a razão pela qual, em livros, quando assumem normalidade dos erros, dizem que o
tem distribuição Student-
exata.
Resumo curto desta etapa: se os erros são normais (além das outras hipóteses clássicas), então os estimadores
são exatamente normais e o
tem distribuição Student-
exata.
Passo 4
E se os erros NÃO são normais? O teste
fica proibido?
Aqui entra a ideia de assintótica / Teorema do Limite Central (TLC):
- Em grande amostra, sob condições leves (exogeneidade, erros com média zero e variância finita, algumas regularidades sobre
), o estimador MQO é assintoticamente normal:
Isto significa que, mesmo sem normalidade dos
, para
grande
se comporta aproximadamente como normal.
- Se a estimativa do erro padrão
for consistente para a verdadeira variância (p.ex. usando o estimador usual quando há homocedasticidade, ou usando erros padrão heterocedásticos-robustos quando há heterocedasticidade), então a estatística converge em distribuição para uma normal padrão:
Portanto, em amostras grandes, pode-se usar a distribuição normal (ou aproximar por
com muitos graus de liberdade) para obter testes válidos, mesmo sem normalidade exata dos erros.
Conclusão desta etapa: normalidade exata das distribuições amostrais de
não é necessária para aplicar testes de significância em amostras grandes — a assintótica garante uso do teste (com cuidados sobre os erros padrão).
Passo 5
Outros pontos práticos importantes (que afetam se o
é válido ou não):
- Heterocedasticidade: se
não é constante, a fórmula usual de (assumindo homocedasticidade) fica errada. Nesse caso: - Em pequena amostra, mesmo que os
sejam normais, se a variância variar com a estatística com o erro padrão usual NÃO terá t-distribuição e os testes podem ser inválidos. - Em grande amostra, usando erros padrão robustos (heterocedasticity-consistent), a estatística tem distribuição assintoticamente normal.
- Em pequena amostra, mesmo que os
- Dependência serial (em dados temporais): também quebra as hipóteses que garantem as fórmulas exatas; é preciso ajustar os erros padrão (e/ou usar métodos específicos).
- Amostra pequena vs grande: a diferença entre exigir normalidade exata (para validade exata do
de Student com graus) e aceitar aproximação assintótica (quando grande) é central.
Passo 6
Resumindo de forma direta, clara e sem rodeios (mas com a explicação já dada):
- A afirmação original é imprecisa. Ela dá a entender que o teste
sempre “requer” que as distribuições amostrais de e sejam normais. Isso não é verdade como enunciado absoluto. - O que é verdade é:
- Para que a estatística
tenha distribuição Student- exata em amostras pequenas, é suficiente (e usualmente assumido) que os erros sejam normais; nesta situação os estimadores têm distribuição normal exata. - Porém, se a amostra for grande, a normalidade exata das distribuições de
não é necessária: pela assintótica é aproximadamente normal e o (com erros padrão consistentes) é aproximadamente normal, permitindo testes válidos sem normalidade exata. - Além disso, a presença de heterocedasticidade ou dependência muda as fórmulas dos erros padrão e, portanto, afeta a validade do
se não forem tomadas medidas (p.ex. usar erros padrão robustos).
- Para que a estatística
Passo 7
Interpretação prática para a prova (ou para uma decisão rápida):
- Se estiver em uma situação de amostra pequena e o enunciado não garante normalidade dos erros, NÃO se pode afirmar que o
seja exato — então não aceite a afirmação como verdadeira sem verificar a hipótese de normalidade. - Se a amostra for grande, pode-se usar o teste com base na aproximação normal (ou usar erros padrão robustos), então a afirmação como regra fixa é falsa/enganosa.
Resposta
Duvidosa.