Mínimos quadrados generalizados

Nota: não confunda com o método dos momentos generalizado (GMM).

Em Econometria, o método dos mínimos quadrados generalizados (GLS, na sigla em inglês) é uma técnica para estimar parâmetros desconhecidos num modelo de regressão linear. O método GLS é aplicado quando a variância dos erros não é a mesma (heteroscedasticidade), ou quando há certa correlação entre os resíduos. Nestes casos, o método dos mínimos quadrados ordinários pode ser estatisticamente ineficiente ou mesmo viesado. O GLS foi inicialmente descrito por Alexander Aitken em 1934.[1]

Hipóteses do modelo

Seja o modelo na forma matricial

Y = X β + ε {\displaystyle Y=X\beta +\varepsilon }

Assumimos que[2]

E [ ε | X ] = 0 {\displaystyle E\left[\varepsilon |X\right]=0}
E [ ε ε T | X ] = σ 2 Ω {\displaystyle E\left[\varepsilon \varepsilon ^{T}|X\right]=\sigma ^{2}\Omega } , onde Ω {\displaystyle \Omega } é uma matriz positiva definida. No caso especial em que temos mínimos quadrados ordinários, Ω = I {\displaystyle \Omega =I} , a matriz identidade.

Esta última hipótese é bem genérica, ou seja, inclui muitos casos. Por exemplo, no caso de heteroscedasticidade, teremos

σ 2 Ω = σ 2 [ a 11 0 0 0 a 22 0 0 0 a n n ] = [ σ 11 2 0 0 0 σ 22 2 0 0 0 σ n n 2 ] {\displaystyle \sigma ^{2}\Omega =\sigma ^{2}{\begin{bmatrix}a_{11}&0&\cdots &0\\0&a_{22}&\cdots &0\\\vdots &\vdots &\ddots &\vdots \\0&0&\cdots &a_{nn}\end{bmatrix}}={\begin{bmatrix}\sigma _{11}^{2}&0&\cdots &0\\0&\sigma _{22}^{2}&\cdots &0\\\vdots &\vdots &\ddots &\vdots \\0&0&\cdots &\sigma _{nn}^{2}\end{bmatrix}}}

Se tivermos, por outro lado, autocorrelação, mas não heteroscedasticidade, teremos:

σ 2 Ω = σ 2 [ 1 a 1 a n 1 a 1 1 a n 2 a n 1 a n 2 1 ] {\displaystyle \sigma ^{2}\Omega =\sigma ^{2}{\begin{bmatrix}1&a_{1}&\cdots &a_{n-1}\\a_{1}&1&\cdots &a_{n-2}\\\vdots &\vdots &\ddots &\vdots \\a_{n-1}&a_{n-2}&\cdots &1\end{bmatrix}}}

Variância do estimador

A variância do estimador β ^ G L S {\displaystyle {\hat {\beta }}^{GLS}} é dada por[2]

V a r ( β ^ G L S ) = [ X T X ] 1 X T {\displaystyle Var\left({\hat {\beta }}^{GLS}\right)=\left[X^{T}X\right]^{-1}X^{T}} σ 2 Ω X [ X T X ] 1 {\displaystyle \sigma ^{2}\Omega X\left[X^{T}X\right]^{-1}}

Ver também

Referências

  1. Aitken, A. C. (1934). «On Least-squares and Linear Combinations of Observations». Proceedings of the Royal Society of Edinburgh. 55: 42–48 
  2. a b GREENE, William H. Econometric Analysis. Prentice Hall, 5ª edição. Chapter 10-Nonspherical disturbances-The generalized regression model. Página 191.

Ligações externas

  • «Explicação» (PDF) (em inglês). completa sobre GLS 


  • v
  • d
  • e
Econometria
Regressão linear
Regressão não-linear
Ajustes nos modelos
Correlação serial · Endogeneidade · Heteroscedasticidade · Mínimos quadrados de dois estágios  · Multicolinearidade · Variável dummy · Variáveis instrumentais · Regressão quantílica · Teste de especificação de Hausman
Variável dependente limitada
Série temporal
Softwares
EViews · Gretl · LIMDEP & NLOGIT · IGEst  · MATLAB  · R  · Shazam software  · Stata  · Octave  · JMulTi  · PSPP
Pessoas
Adrien-Marie Legendre  · Carl Friedrich Gauss  · David Dickey · George Box  · Gwilym Jenkins  · George Chow · Lars Peter Hansen  · Ronald Fisher  · Wayne Fuller