Verifique, explicando, de forma minuciosa, se as seguintes afirmações são verdadeiras, falsas ou duvidosas.
O teste t de significância para os estimadores \hat{\beta}_{1} e \hat{\beta}_{2} de MQO do modelo, Y_{i}=\beta_{1}+ \beta_{2} X_{i}+u_{i} requer que as distribuições amostrais desses estimadores sigam a distribuição normal.

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 \hat{\beta}_{1} e \hat{\beta}_{2} por meio do teste t no modelo \;Y_{i}=\beta_{1}+\beta_{2}X_{i}+u_{i}\;, é necessário que as distribuições amostrais desses estimadores sigam a distribuição normal.”
Informações que o enunciado nos dá:
  • O modelo é \;Y_{i}=\beta_{1}+\beta_{2}X_{i}+u_{i}\;.
  • Os estimadores considerados são \hat{\beta}_{1} e \hat{\beta}_{2} obtidos por MQO (mínimos quadrados ordinários).
  • A afirmação relaciona o uso do teste t com a normalidade das distribuições amostrais de \hat{\beta}_{1} e \hat{\beta}_{2}.

Passo 2

Primeiro: o que é o teste t de que se fala, em termos práticos?
  • Em regressão linear simples, para testar H_0:\beta_j=\beta_{j,0} (com j=1 ou j=2), costuma-se formar a estatística
t_j=\frac{\hat{\beta}_j-\beta_{j,0}}{\widehat{\operatorname{se}}(\hat{\beta}_j)}.
  • Aqui \hat{\beta}_j é o estimador MQO, e \widehat{\operatorname{se}}(\hat{\beta}_j) é o erro padrão estimado (raiz quadrada da estimativa da variância amostral de \hat{\beta}_j).
    Expliquei cada símbolo: \hat{\beta}_j = estimador; \beta_{j,0} = valor sob hipótese nula; \widehat{\operatorname{se}}(\hat{\beta}_j) = estimativa do desvio padrão de \hat{\beta}_j.
O que o teste faz na prática:
  • Se a distribuição de t_j for conhecida (por exemplo Student t com graus de liberdade apropriados), comparamos o valor observado com valores críticos e decidimos rejeitar ou não H_0.

Passo 3

Quando obtemos distribuição exata Student- t para t_j (caso clássico, amostra pequena)?
Condições suficientes ( clássicas ) para que exista uma distribuição t exata:
  1. Erros u_i independentes e identicamente distribuídos (i.i.d.) com média zero e variância \sigma^2.
  2. Os erros u_i têm distribuição normal: u_i\sim N(0,\sigma^2).
  3. Regressoras não aleatórias ou, se aleatórias, satisfazem certas condições de independência/exogeneidade com u_i.
Sob essas condições clássicas temos duas propriedades úteis:
  • A versão padronizada do estimador é normal:
\frac{\hat{\beta}_j-\beta_j}{\sigma_{\hat{\beta}_j}}\sim N(0,1),
onde \sigma_{\hat{\beta}_j}=\sqrt{\operatorname{Var}(\hat{\beta}_j)} é a verdadeira raiz da variância do estimador (dependendo de \sigma^2 e da amostra).
  • A estimativa dos quadrados residuais escalada tem distribuição qui-quadrado:
\frac{(n-2)\,\hat{\sigma}^2}{\sigma^2}\sim \chi^2_{\,n-2},
onde \hat{\sigma}^2=\frac{1}{n-2}\sum_{i=1}^n \hat u_i^{\,2} é o estimador não enviesado de \sigma^2 e n é o número de observações.
Além disso, quando os erros são normais, a quantidade normalizada \frac{\hat{\beta}_j-\beta_j}{\sigma_{\hat{\beta}_j}} é independente de \hat{\sigma}^2. Daí, pelo teorema que combina normal e qui-quadrado independentes, a estatística
t_j=\frac{\hat{\beta}_j-\beta_{j,0}}{\widehat{\operatorname{se}}(\hat{\beta}_j)}
segue exatamente a distribuição Student- t com n-2 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 t tem distribuição Student- t exata.
Resumo curto desta etapa: se os erros são normais (além das outras hipóteses clássicas), então os estimadores \hat\beta_j são exatamente normais e o t tem distribuição Student- t exata.

Passo 4

E se os erros NÃO são normais? O teste t 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 X_i), o estimador MQO \hat{\beta}_j é assintoticamente normal:
\sqrt{n}\,(\hat{\beta}_j-\beta_j)\\ \xrightarrow{d}\\ N(0,\\ \text{variância assintótica}).âó
Isto significa que, mesmo sem normalidade dos u_i, para n grande \hat{\beta}_j se comporta aproximadamente como normal.
  • Se a estimativa do erro padrão \widehat{\operatorname{se}}(\hat{\beta}_j) 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 t_j converge em distribuição para uma normal padrão:
t_j \\ \xrightarrow{d}\\ N(0,1)\quad\text{quando }n\to\infty.
Portanto, em amostras grandes, pode-se usar a distribuição normal (ou aproximar por t com muitos graus de liberdade) para obter testes válidos, mesmo sem normalidade exata dos erros.
Conclusão desta etapa: normalidade exata das distribuições amostrais de \hat{\beta}_j 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 t é válido ou não):
  • Heterocedasticidade: se \operatorname{Var}(u_i\mid X_i) não é constante, a fórmula usual de \widehat{\operatorname{se}}(\hat{\beta}_j) (assumindo homocedasticidade) fica errada. Nesse caso:
    • Em pequena amostra, mesmo que os u_i sejam normais, se a variância variar com X a estatística t_j 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.
  • 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 t de Student com n-2 graus) e aceitar aproximação assintótica (quando n 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 t sempre “requer” que as distribuições amostrais de \hat{\beta}_1 e \hat{\beta}_2 sejam normais. Isso não é verdade como enunciado absoluto.
  • O que é verdade é:
    • Para que a estatística t_j tenha distribuição Student- t exata em amostras pequenas, é suficiente (e usualmente assumido) que os erros u_i sejam normais; nesta situação os estimadores \hat\beta_j têm distribuição normal exata.
    • Porém, se a amostra for grande, a normalidade exata das distribuições de \hat\beta_j não é necessária: pela assintótica \hat\beta_j é aproximadamente normal e o t (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 t se não forem tomadas medidas (p.ex. usar erros padrão robustos).

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 t 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.

Exercícios relacionados