Verifique, explicando, de forma minuciosa, se as seguintes afirmações são verdadeiras, falsas ou duvidosas.
Mesmo que o termo de erro do modelo clássico de regressão linear não seja normalmente distribuído, os estimadores de mínimos quadrados ordinários continuam sendo não viesados.
Mesmo que o termo de erro do modelo clássico de regressão linear não seja normalmente distribuído, os estimadores de mínimos quadrados ordinários continuam sendo não viesados.
Passo 1
O enunciado pergunta se a seguinte afirmação é verdadeira, falsa ou duvidosa: “Mesmo que o termo de erro do modelo clássico de regressão linear não seja normalmente distribuído, os estimadores de mínimos quadrados ordinários continuam sendo não viesados.”
Informações/elementos dados que vamos usar (sem resolver ainda):
Informações/elementos dados que vamos usar (sem resolver ainda):
- Estamos no contexto do modelo linear clássico, que tipicamente se escreve como
onde: -
é o vetor de observações da variável dependente (dimensão ); -
é a matriz de regressoras (dimensão ), assumida de posto completo (ou seja, invertível); -
é o vetor de parâmetros desconhecidos (dimensão ); -
é o vetor de erros (dimensão ).
-
- A questão altera a hipótese de normalidade do erro: assume-se que o termo de erro não é normalmente distribuído.
- A pergunta principal: isso quebra a propriedade de não viesado (unbiasedness) dos estimadores de mínimos quadrados ordinários (OLS)?
Passo 2
Definição do estimador OLS e o que significa “não viesado”.
- O estimador de mínimos quadrados ordinários é definido por
Aqui cada símbolo significa:
é a inversa da matriz
(necessário que
seja invertível),
é o produto entre a transposta de
e
.
- Substituindo o modelo em
obtemos a decomposição do estimador:
- Definição precisa de não viesado: dizemos que
é não viesado (unbiased) se a sua esperança (condicional ou incondicional, dependendo do contexto) for igual ao verdadeiro parâmetro, isto é, se (ou quando condicionamos em ).
Passo 3
Quais hipóteses são necessárias para obter
?
- A hipótese central para unbiasedness é a exogeneidade dos erros:
. Isso significa que, dada a matriz de regressoras , o vetor de erros tem média zero componente a componente. Em palavras: as regressoras não estão correlacionadas com o termo de erro, não há endogeneidade. - Outra condição técnica necessária para escrever
é que seja invertível (posto completo de ). - Observe que a hipótese de normalidade de
NÃO aparece nesta lista: normalidade não é necessária para estabelecer que é não viesado.
Passo 4
Prova passo a passo de que OLS é não viesado sob
, sem usar normalidade.
- Começamos da expressão já obtida:
- Tomamos a expectativa condicional em relação a
:
- Como
e são dados na condicional, e é função de apenas, podemos tirar termos constantes para fora da esperança:
- Aplicando a hipótese de exogeneidade
obtemos
- Dessa forma temos esperança condicional igual a
. Pela lei da esperança total (lei das expectativas iteradas), isto implica também (esperança incondicional). - Em nenhum passo usamos a distribuição dos erros ser normal: só usamos a média condicional igual a zero e a invertibilidade de
. Logo a normalidade dos erros não é necessária para unbiasedness.
Passo 5
Explicação interpretativa e exemplos — por que a normalidade não importa para viés.
- Intuitivamente: o viés mede o deslocamento médio do estimador em torno do verdadeiro parâmetro. Esse deslocamento depende da componente de erro que passa para o estimador,
. Se essa componente tem média zero (condicional em ), então, independentemente de como os erros sejam distribuídos (simétricos, assimétricos, leptocúrticos, uniformes, etc.), a média do deslocamento é zero. Portanto não há viés. - Exemplo concreto: se
são iid Uniforme com , então OLS é não viesado — mesmo que a distribuição não seja normal. Outro exemplo: podem seguir uma distribuição de Pareto (desde que tenham média finita e ) e ainda será não viesado se a exogeneidade valer.
Passo 6
Quando a afirmação falha — casos em que OLS fica viciado (viés aparece).
- Se a hipótese de exogeneidade falhar, isto é, se
(por exemplo por omissão de variável relevante correlacionada com , erro de medição nas regressoras, simultaneidade/endogeneidade), então a derivação do passo anterior não vale e em geral. Nesse caso OLS é viesado. - Importante: heterocedasticidade (var(
) não constante) também não introduz viés por si só — afeta apenas a variância do estimador e a validade de inferência padrão, mas não a esperança. Portanto heterocedasticidade não implica viés, desde que continue valendo.
Passo 7
Efeitos práticos da não normalidade que não são viés, mas importam na prática de prova e aplicação.
- Mesmo quando OLS é não viesado sem normalidade, a distribuição de
em amostras finitas pode não ser normal. Isso afeta testes e intervalos de confiança que, no caso clássico, usam a normalidade (ou o t exato) para pequenas amostras. - Contudo, sob condições regulares (ex.: erros independentes com variância finita e amostra grande), o Teorema Central do Limite garante que
é assintoticamente normal, permitindo inferência aproximada mesmo sem normalidade exata. Mas se os erros forem muito pesados (variância infinita) ou fortemente dependentes, a aproximação assintótica pode falhar. - Em resumo: normalidade é importante para inferência exata em amostras pequenas, mas não é necessária para a propriedade de não viesado do estimador OLS.
Passo 8
Conclusão final (resumo claro e empático).
- A afirmação dada é, em essência, verdadeira: a não normalidade dos erros não destrói a propriedade de não viesado dos estimadores OLS — desde que a hipótese essencial de exogeneidade
(e posto completo de ) seja satisfeita. - Atenção: se essa hipótese falhar (endogeneidade, variável omitida correlacionada com
, etc.), OLS passa a ser viesado, independentemente de a distribuição ser normal ou não. - Então, na hora da prova, memorize: normalidade não é necessária para unbiasedness; exogeneidade (média condicional zero) é a hipótese chave. Força aí — você consegue!
Resposta
Verdadeira.