3. METODOLOGIA DE PESQUISA
3.5. Tratamento dos Dados
3.5.5. Testes de Validação
3.5.5.2. Testes utilizados em modelos estimados por Pooled, Efeitos Fixos ou Efeitos
Validados os pressupostos anteriores, os testes a seguir se procedem após a estimação
dos modelos por Efeitos fixos e/ou Efeitos aleatórios, determinando como devem ser corrigidos,
caso existam, os problemas de autocorrelação e heterocedasticidade:
v Teste de Chow: determina quais das estimações é preferível entre Pooled e
Efeitos Fixos. O Pooled caracteriza-se como um modelo restrito, pois representa
uma equação com os indivíduos e parâmetros constantes no tempo. Por sua vez,
Efeitos fixos é um modelo irrestrito, que considera a mesma equação, mas que
admite parâmetros diferentes ao longo do tempo ou entre os indivíduos. Segundo
Wooldrige (2011) o Teste Chow consiste em um teste F que determina se uma
função de regressão múltipla difere entre dois grupos, no caso evidencia se os
dados devem ser agrupados ou não. Sua hipótese nula considera que os efeitos
individuais específicos (c
i) é igual a zero (modelo Pooled), já a alternativa
considera que esses específicos individuais existem (efeitos fixos) e devem ser
estimados na configuração painel por mínimos quadrados com variáveis dummy
(MQVD) (Baltagi, 2005). Esse teste F considera a Soma Restrita dos Quadrados
dos Resíduos (SQR
R) de um modelo estimado por pooled e a Soma Sem
Restrições dos Quadrados dos Resíduos (SQR
SR) de modelo estimado por efeitos
fixos ou MQVD, de modo que a ideia implícita no teste Chow é que verificar se
não há mudança estrutural ou a presença de heterogeneidade não observada
(Gujarati & Porter, 2011). A estatística do teste F é calculada conforme
apresentado na Equação 25.
− ⁄ −
− −
⁄
~
− , −(25
)onde N corresponde ao número de indivíduos, T é o período de tempo e K
corresponde ao número de regressores (Baltagi, 2005; Gujarati & Porter, 2011).
Se a estatística de teste for significativa rejeita-se a hipótese nula.
v Teste de Breusch-Pagan ou LM: avalia quais das estimações é preferível entre
Pooled e Efeitos Aleatórios por meio do Multiplicador de Lagrange (LM), que
se baseia nos resíduos gerados pelo método dos mínimos quadrados ordinários
(MQO) para verificar a hipótese de que não há efeitos aleatórios (Gujarati &
Porter, 2011). O teste segue a distribuição qui-quadradro (χ
2)com um grau de
liberdade, pois testa-se uma hipótese única. Sua hipótese nula considera que a
variância da heterogeneidade aleatória específica (σ
2u
) é nula (modelo Pooled),
e alternativa considera a sua existência (efeitos aleatórios) (Baltagi, 2005;
Gujarati &Porter, 2011), que podem ser descritas como:
: 0
: ≠ 0
Onde, σ
2u
é a variância da heterogeneidade aleatória específica. Se a estatística
do multiplicador de Lagrange superar o valor crítico (LM > χ
21
), rejeita-se a
hipótese nula, e pode-se concluir que o modelo de regressão clássico (pooled)
com um único termo constante não é adequado para a análise dos dados, de modo
que Efeitos Aleatórios é o mais indicado.
v Estimação do Teste de Hausman: na presença de heterogeneidade não
observada esse teste avalia se a estimação por efeitos aleatórios (Random Effects
- RE) é preferível a por efeitos fixos (Fixed Effects – FE), ou seja, se as
características individuais não observadas estão ou não correlacionadas com as
variáveis explicativas (Greene, 2008; Gujarati & Porter, 2011). A hipótese nula
: ( ,
,) 0 indica a utilização de efeitos aleatórios, e a hipótese
alternativa : ( ,
,) ≠ 0 indica a estimação por efeitos fixos. Segundo
Johnston e Dinardo (1998): (i) se os efeitos não estão correlacionadas com os
regressores, o estimador de efeitos aleatórios (RE) é consistente e eficiente,
enquanto o estimador de efeitos fixos (FE) é consistente, mas ineficiente; e (ii)
se os efeitos estão correlacionados a análise ocorre de forma inversa e o
estimador de efeitos fixos é consistente e eficiente. Para isso utiliza-se o teste de
Hausman, cuja estatística de teste é dada pela Equação 26.
( ) Σ Σ
−( )~ (26)
em que é o estimador de efeitos fixos; é o estimador de efeitos
aleatórios; Σ é a matriz de variâncias-covariâncias dos estimadores FE; Σ é
a matriz de variâncias-covariâncias dos estimadores RE; e k representa os graus
de liberdade (Johnston & Dinardo; 1998).
Se após a estimação dos modelos por efeitos fixos ou efeitos aleatórios forem
identificados os problemas de heterocedasticidade e autocorrelação, Gujarati e Porter (2011)
sugerem que o painel seja estimado pelo método dos Mínimos Quadrados Generalizados
(MQG), que incorpora a natureza da heterocedasticidade ou da autocorrelação.
Como o problema de heterocedasticidade já foi discutido no tópico anterior, e a
autocorrelação só pode ser percebida quando se analisa os dados considerando o tempo ou o
espaço, tem-se que:
v Autocorrelação: pode ser entendida como a correlação entre elementos de uma
série de dados ordenadas no tempo ou espaço. Porém, os pressupostos do modelo
de regressão enunciam que os resíduos não podem ser autocorrelacionados, ou
seja, os resíduos de diferentes observações devem possuir correlação nula
(Gujarati & Porter, 2011). Esse problema pode ser ocasionado devido incorreta
especificação do modelo, inclusão de variáveis irrelevantes, defasagens nas
relações entre as variáveis, manipulação dos dados, transformação dos dados,
inércia de séries temporais e ausência de estacionariedade. A autocorrelação não
permite que os estimadores de MQO sejam eficientes, o que pode provocar
conclusões enganosas, visto que o MQO tende a subestimar os erros-padrão dos
coeficientes e exagerar a significância dos testes t e F (Gujarati & Porter, 2011).
O teste mais utilizado para detecção deste problema é o de Breusch-Godfrey (BG)
por ser mais robusto e abrangente. Considerando que a regressão da Equação 27
tenha sido estimada,
(27)
e que os resíduos apresentam uma estrutura de autocorrelação de ordem ρ como
demonstrado na Equação 28, em que ε
té um termo de erro de ruído branco, ou
seja, puramente aleatório.
− −
⋯
−(28)
Deste modo a hipótese nula a ser testada é que : ⋯ 0, que
implica ausência de autocorrelação. Para implementação do teste BG, segundo
Gujarati e Porter (2011) é preciso: (1º) estimar a equação 27 por MQO e obter os
resíduos ̂ ; (2º) estimar a regressão auxiliar ̂ , da equação 28, acrescentando os
X
toriginais como na Equação 29,
̂ ̂ ̂
−̂ ̂
−⋯ ̂ ̂
−(29)
e obtenha o R
2dessa regressão auxiliar; (3º) se o tamanho da amostra for grande
Breusch e Godfrey demonstraram que (n – p)R
2~ χ
2p