MODELO NORMAL DE REGRESSAO LINEAR CLASSICO (MNRLC) O que conhecemos como teoria cldssica da inferéncia estatistica tem dois ramos: a estimagao e 0 tes- te de hipéteses. Até aqui, tratamos do tema da estimacio dos parametros do modelo de regressio linear (com duas variveis), Com auxitio co método dos MQO, conseguinos estimar os parame- tros pr, Ba © 02, Sob as premissas do modelo de regressio linear eléssico demonstramos que 08 esti- madores desses parametros, Ai, 2 ¢ 62, apresentam varias propricdades estatisticas desejavei como a nao tendenciosidade, a variancia minima etc. (Lembre-se da propriedade de melhor es- timador linear nao tendencioso.) Observe que, em se tratando de estimadores, scus valores mu- darao de amostra para amostra. Portanto, esses estimadores sao varidveis aleatorias. Masa estimacio é metade do caminho. A outra metade € 0 teste das hipoteses. Na andlise de re- gressio, nosso objetivo é nao apenas estimar a fungio de regressio amostral (FRA), mas também uséla para tecer inferéncias sobre a funcao de regressio populacional (FRP), como destacamos no Capitulo 2. Assim, estamos interessados em saber até que ponto A; se aproxima de Bj ou o quanto 6? esta proximo do verdadeiro 62, Dessa forma, no Exemplo 3.2, estimamos a FRA mostrada na Equacao (3.7.2). Mas, como essa regressio se embasa em uma amostra de 55 familias, como sabere- mos se a PMC estimada de 0,4368 representa a (verdadeira) PMC da populacao como um todo? Portanto, como f}, f2 € 6? sao variaveis aleatérias, precisamos descobrir suas distribuicées de probabilidade, pois, sem esse conhecimento, nao seremos capazes de relacions-las a seus verde deiros valores. ; 4.1 A DISTRIBUICAO DE PROBABILIDADE DOS TERMOS DE ERRO u; Para descobrir as distribuicdes de probabilidade dos estimadores de minimos quadrados ordina rios, procedemos como a seguir. Especificamente, consideraremos 62. Como mostramos no Apé dice 34.2, = Doky (4.1.1) ‘onde kj = x;/3°x7. No entanto, como estamos pressupondo que os X sio fix‘ ticos, porque estamos fazendo uma anilise de regress’ condicional, isto é, condicionada aos va- lores fixos de X;. A Equagao (4.1.1) mostra que f2 € uma funcao linear de ¥;, que é aleatéria por hipotese. Entretanto, como ¥; = 61 + B2X; + wi, podemos escrever (4.1.1) como = Ahi + foXi s, ou nao estocis- +m) (4.1.2) Como k;, os beta e X; sio todos fixos, 62 é, em tiltima andlise, uma funcao Linear da variavel ui, que é aleatoria por hipstese, Portanto, a distribuicao de probabilidade de Az (e também de 1) dependerd das pressuposigses feitas sobre a distribuico de probabilidade de u;. E como é ne- cessario conhecer as distribuigdes de probabilidade dos estimadores de minimos quadrados or-88 Econometric Bésica * GUJARATI _ _____ ELSEVIER dindrios para poder fazer inferéncias sobre seus valores populacionais, a natureza da distribui- 40 de probabilidade de u; assume um papel muito importante no teste de hipateses. Como 0 método dos minimos quadrados ordinarios nao faz qualquer pressuposicdo sobre a na- tureza probabilistica de uj, pouco ajuda quando se trata de fazer inferéncias relativas a fungéo de regressio populacional a partir dos resultados da funcao de regressio amostral, apesar do teore- ma de Gauss-Markov, Esse hiato pode ser preenchido se nos dispusermos a aceitar que os u seguem alguma distribuicdo de probabilidade. Por motives que exporemos em breve, no contexto da re- gressdo, geralmente se pressupde que os w sigam a distribuicio normal. Acrescentando, entio, a premissa da normalidade dos u, as premissas do modelo de regressio linear clissico examinado no Capitulo 3, obtemos o que se conhece como modelo normal de regressao linear cldssico (MNRLC). 4.2 A PREMISSA DE NORMALIDADE DE u; © modelo normal de regressio linear clissico pressupde que cada u; seja distribuido normalmen- tecom Média: E(u) =0 (42.1) Varianeia: Eu; — B(u;)P = E(u) (4.2.2) COV (tt), 14): E (l(a; — Bla) Mee; ~ Eley )]} = Flu; uj) =0 6 4 j (4.2.3) As pressuposicdes acima podem ser representadas de modo mais compacto como 4, ~ N(0,07) (4.2.4) onde o simbolo ~ significa distribuido como e N representa a distribuicéo normal, os termos entre parénteses sao os dois parametros da distribuicao: a média ¢ a varidncia. Como visto no Apéndice A, no caso de duas varidveis com distribuicdo normal, a covariincia ou a correlacdo iguais a zero significa independéncia das duas varidveis. Portanto, dada a premissa de nor- malidade, (4.2.4) sign tribuem independente- mente. Deste modo, podemos reescrever (4.2.4) como ica que u; € w; nao esto correlacionados e se di 14; ~ NID(O, 6?) (4.2.5) onde NID representa distribuido de maneira normal ¢ independente, Por que a premissa de normalidade? Por que recorremos a premissa de normalidade? Ha varias razdes: 1. Como visto na Secio 2.5, u; representa a influéncia combinada de um grande mimero de varidveis niio inclufdas explicitamente no modelo de regressao sobre a varivel dependente. Como j mencionamos, esperamos que a influéncia dessas varidveis omitidas ou negligenciadas seja pe- quena e, na melhor das hipéteses, aleatéria. O conhecido teorema central do limite (TCL) da esta- Uistica (no Apéndice A encontram-se pormenores) permite demonstrar que, se ha um grande ntimero de varidveis aleat6rias independentes ¢ com distribuicdo idéntica, entao, com poucas excecdes, a distribuicdo de sua soma tende a distribuicio normal, na medida em que o ntimero dessas variéveis aumenta indefinidamente.' E esse teorema que oferece uma justificacao teGrica para a premissa de normalidade de u;. "Para win exame relatvamente simples e direto deste teorema, ver Ross, Sheldon M, Inroducton to Probability and Statistics for Eng aver and Scientists. 2. ed, Nova York: Harcourt Academie Press, 2000, p. 199-194. Uma excecdo a0 teorema é a dstribuigao de Con hy que nao tem média on momentos mais etevados, Ver Kendall, M, G. ¢ Stuart. A. The Advanced Dhwory of Statistics, Londvess Charles & Co, 1960, p. 248.249,_—_ ___ CAPITULO 4: Medelo Normal de Regressaio Linear Cléssico (MNRIC) 89 2. Uma variante do teorema cen! nao seja muito grande ou que essas varidveis nao sejam estritamente independentes, sua soma ainda pode ser normalmente distribuida.? 3. Dada a premissa de normalidade, a distribuicdo de probabilidade dos estimadores de mini- mos quadrados ordinarios pode ser facilmente derivada, porque, como destacado no Apéndice A, uma das propriedades da distribuigao normal ¢ que qualquer funcao linear de varidveis com distribuicéo normal também é normalmente distribuida, Como ja mencionamos, os estimadores de minimos qua- drados ordinarios A; ¢ A; sio funcées lineares de w;. Portanto, se os u; estiverem normalmente dis- tribuidos, A, e Ay também o estarao, o que facilita muito a tarefa de testar as hipéteses. do limite afirma que, mesmo que o niimero de variaveis 4. A distribuigéo normal é comparativamente simples, envolvendo apenas dois parametros (média e variancia); € muito conhecida, ¢ suas propriedades te6ricas jd foram extensamente es- tudadas na estatistica matematica. Além disso, muitos fendmenos parecem seguir a distribuicio normal. 5. Finalmente, se estivermos lidando com uma amostra de tamanho pequeno, ou finito, di: gamos, de menos de cem observacées, a premissa de normalidade assume um papel fundamen tal. Nao apenas nos auxilia a derivar a distribuicao de probabilidade exata dos estimadores de minimos quadrados ordindrios, mas também nos permite recorrer aos testes estatisticos, t, F 1, para modelos de regressio. As propricdades estatisticas dos testes mencionados sio exami nadas no Apéndice A. Como veremos mais adiante, se o tamanho da amostra for sufic te grande, podemos relaxar a premissa de normalidade. Uma adverténcia: como estamos “impondo” a premissa da normalidade, cabe a nés verificar se ela é adequada aos dados de amostras pequenas com os quais estamos trabalhando na pratica. Mais adiante, apresentaremos alguns testes que se destinam a isso. E também veremos 0 que fazer quando a premissa de normalidade parece inadequada. Todavia, por enquanto, continuaremos trabalhando em termos da premissa de normalidade pelos motivos examinados anteriormente. ntemen- 4.3 PROPRIEDADES DOS ESTIMADORES DE MQO SOB A PREMISSA. DE NORMALIDADE Dada a premissa de que 1; segue a distribuicio normal como em (4.2.5), 0s estimadores de mi- nimos quadrados ordinarios apresentam as seguintes propriedades; as propriedades estatisticas desejaveis para os estimadores serao examinadas no Apéndice A. 1. Sao nao tendenciosos. 2. Tém variancia minima. Combinado ao item 1, isso significa que eles sio estimadores ndo ten- denciosos com varidncia minima ov: estimadores eficientes 3. Sio consistentes, isto é, 4 medida que o tamanho da amostra aumenta indefinidamente, os estimadores convergem para os verdadeiros valores da populacao. 4, Bi (que é uma funcio linear de u;) apresenta distribuicdo normal com Média: E(A;) = Bi (4.3.1) var (61): (3.3.3) = (4.3.2) Ou, de modo mais compacto, 2Sobre as witias formas do teorema central do li ceton University Press, 1946, Capitulo 17 ite, ver Cramer, Harald, Mathematical Methods of Statistics. Princeton, N_}: Prin