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.

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):
  • Estamos no contexto do modelo linear clássico, que tipicamente se escreve como Y = X\beta + \varepsilon, onde:
    • \;Y é o vetor de observações da variável dependente (dimensão n\times1);
    • \;X é a matriz de regressoras (dimensão n\times k), assumida de posto completo (ou seja, X'X invertível);
    • \;\beta é o vetor de parâmetros desconhecidos (dimensão k\times1);
    • \;\varepsilon é o vetor de erros (dimensão n\times1).
  • 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
\hat\beta = (X'X)^{-1}X'Y.
Aqui cada símbolo significa: (X'X)^{-1} é a inversa da matriz X'X (necessário que X'X seja invertível), X'Y é o produto entre a transposta de X e Y.
  • Substituindo o modelo em Y obtemos a decomposição do estimador:
\hat\beta = (X'X)^{-1}X'(X\beta + \varepsilon) = \beta + (X'X)^{-1}X'\varepsilon.
  • Definição precisa de não viesado: dizemos que \hat\beta é não viesado (unbiased) se a sua esperança (condicional ou incondicional, dependendo do contexto) for igual ao verdadeiro parâmetro, isto é, se \mathbb{E}[\hat\beta]=\beta (ou \mathbb{E}[\hat\beta\mid X]=\beta quando condicionamos em X).

Passo 3

Quais hipóteses são necessárias para obter \mathbb{E}[\hat\beta]=\beta?
  • A hipótese central para unbiasedness é a exogeneidade dos erros: \mathbb{E}[\varepsilon\mid X]=0. Isso significa que, dada a matriz de regressoras X, 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 \hat\beta é que X'X seja invertível (posto completo de X).
  • Observe que a hipótese de normalidade de \varepsilon NÃO aparece nesta lista: normalidade não é necessária para estabelecer que \hat\beta é não viesado.

Passo 4

Prova passo a passo de que OLS é não viesado sob \mathbb{E}[\varepsilon\mid X]=0, sem usar normalidade.
  • Começamos da expressão já obtida: \hat\beta = \beta + (X'X)^{-1}X'\varepsilon.
  • Tomamos a expectativa condicional em relação a X:
\mathbb{E}[\hat\beta\mid X] = \mathbb{E}\big[\beta + (X'X)^{-1}X'\varepsilon \mid X\big].
  • Como \beta e X são dados na condicional, e (X'X)^{-1}X' é função de X apenas, podemos tirar termos constantes para fora da esperança:
\mathbb{E}[\hat\beta\mid X] = \beta + (X'X)^{-1}X'\,\mathbb{E}[\varepsilon\mid X].
  • Aplicando a hipótese de exogeneidade \mathbb{E}[\varepsilon\mid X]=0 obtemos
\mathbb{E}[\hat\beta\mid X] = \beta + (X'X)^{-1}X'\cdot 0 = \beta.
  • Dessa forma temos esperança condicional igual a \beta. Pela lei da esperança total (lei das expectativas iteradas), isto implica também \mathbb{E}[\hat\beta]=\beta (esperança incondicional).
  • Em nenhum passo usamos a distribuição dos erros ser normal: só usamos a média condicional igual a zero e a invertibilidade de X'X. 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, (X'X)^{-1}X'\varepsilon. Se essa componente tem média zero (condicional em X), 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 \varepsilon_i são iid Uniforme (-1,1) com \mathbb{E}[\varepsilon_i]=0, então OLS é não viesado — mesmo que a distribuição não seja normal. Outro exemplo: \varepsilon_i podem seguir uma distribuição de Pareto (desde que tenham média finita e \mathbb{E}[\varepsilon\mid X]=0) e \hat\beta 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 \mathbb{E}[\varepsilon\mid X]\neq 0 (por exemplo por omissão de variável relevante correlacionada com X, erro de medição nas regressoras, simultaneidade/endogeneidade), então a derivação do passo anterior não vale e \mathbb{E}[\hat\beta]\neq\beta em geral. Nesse caso OLS é viesado.
  • Importante: heterocedasticidade (var( \varepsilon\mid X) 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 \mathbb{E}[\varepsilon\mid X]=0 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 \hat\beta 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 \hat\beta 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 \mathbb{E}[\varepsilon\mid X]=0 (e posto completo de X) seja satisfeita.
  • Atenção: se essa hipótese falhar (endogeneidade, variável omitida correlacionada com X, 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.

Exercícios relacionados