Made available in DSpace on 2014-06-12T18:04:55Z (GMT). No. of bitstreams: 2 arquivo7224_1.pdf: 525997 bytes, checksum: ea1f4ea6f794869a057cba1cfbc27319 (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2002 / Heteroscedasticidade é uma caracterísstica comumente encontrada em dados de corte transversal. Vários autores têm estudado o comportamento de estimadores consistentes da matriz de covariâncias do estimador de mínimos quadrados ordinánarios dos parâmetros lineares de regressão quando há heteroscedasticidade de forma desconhecida. Entre os estimadores propostos e estudados encontram-se aqueles conhecidos como HC0 (proposto por Halbert White em 1980), HC1, HC2 e HC3. Resultados de simulacão em alguns artigos favorecemo estimador HC3 ou aproximações deste estimador; ver, por exemplo, MacKinnon & White (1985). Cribari Neto & Galvão (2002), a partir dos resultados em Galvão (2000), generalizaram os resultados obtidos por Cribari Neto, Ferrari & Cordeiro (2000), obtendo uma seqüência de estimadores ajustados por viés que pode ser inicializada em qualquer dos quatros estimadores listados acima. A presente dissertação utiliza integração ao numérica para obter resultados exatos sobre a qualidade da proximação de primeira ordem usada em testes quase t cujas estatísticas utilizam estimativas consistentes da variância do estimador de mínimos quadrados ordinários. Os resultados obtidos mostram que o teste que mais se beneficia de usar estimadores corrigidos por viés é aquele cuja estatística de teste é construída usando o estimador HC0. Adicionalmente, a utilização de estimativas da variância do tipo HC3 corrigidas por viés conduz a testes menos precisos, ao invés de conduzir a testes com menor distorção de tamanho. Por fim, mostra-se que a estratégia de inferência a ser preferida é a utilização de estimadores HC3 sem correção de viés

Submitted by Haroudo Xavier Filho (haroudo.xavierfo@ufpe.br) on 2016-02-23T17:50:58Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_wanessa_cd.pdf: 804330 bytes, checksum: c0fbb3cc28dd1681f8de342fc6d5bfc8 (MD5) / Made available in DSpace on 2016-02-23T17:50:58Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) Dissertação_wanessa_cd.pdf: 804330 bytes, checksum: c0fbb3cc28dd1681f8de342fc6d5bfc8 (MD5) Previous issue date: 2015-07-09 / FACEPE / O modelo linear de regressão é amplamente utilizado em aplicações práticas. Duas suposições que são comumente violadas são as de homoscedasticidade e não autocorrelação. Vários autores avaliaram os desempenhos de testes que usam erros-padrão consistentes quando há heteroscedasticidade de forma desconhecida. Na presente dissertação nós avaliamos os desempenhos de tais testes quando adicionalmente há correlação serial nos erros. Várias simulações de Monte Carlo foram realizadas em que os desempenhos de diferentes testes são avaliados tanto sob a hipótese nula quanto sob a hipótese alternativa. Uma aplicação prática é apresentada e discutida. / The linear regression model is commonly used by practitioners. Two assumptions are commonly violated, namely: homoskedasticity and no autocorrelation. Several authors have investigated the finite sample behavior of tests that use heteroskedasticity-consistent standard errors. In this thesis, we numerically evaluate the finite sample behavior of such tests under heteroskedasticity and autocorrelation. Monte Carlo simulation results under both the null and alternative hipotheses are presented. We also present and discuss an empirical application.