Coeficientes e premissas da regressão OLS
Entenda o objetivo de mínimos quadrados, a interpretação condicional dos coeficientes, os resíduos, a exogeneidade, a multicolinearidade, a homocedasticidade e uma análise responsável de regressões financeiras
Resposta direta
Mínimos quadrados ordinários selecionam coeficientes que minimizam a soma das diferenças ao quadrado entre resultados observados e valores ajustados lineares. Um coeficiente descreve a diferença linear média no resultado associada a uma diferença de uma unidade em seu regressor, mantendo fixos os demais regressores incluídos. Transformar essa projeção descritiva em um efeito causal exige premissas adicionais, como um erro com média condicional igual a zero; um R² alto ou resíduos pequenos não pode estabelecê-las
OLS minimiza resíduos ao quadrado
No modelo y=Xβ+u, OLS escolhe β para tornar a soma das diferenças ao quadrado entre as observações e os valores ajustados Xβ tão pequena quanto possível
Quando as colunas da matriz de desenho têm posto completo, a solução costuma ser escrita como β̂=(X′X)⁻¹X′y
Elevar ao quadrado cria um objetivo tratável e penaliza fortemente grandes erros, então erros de dados e outliers influentes podem ter uma alavancagem substancial
Um coeficiente é uma comparação linear condicional
O coeficiente βj é a diferença ajustada em y para uma diferença de uma unidade em xj quando as outras variáveis incluídas são mantidas nos mesmos valores
O resultado de Frisch–Waugh–Lovell produz o mesmo coeficiente depois de remover separadamente de y e xj a contribuição linear dos demais controles e então regredir os dois resíduos
Seu significado depende, portanto, dos controles, da forma funcional, das unidades e da amostra; não é simplesmente a correlação entre duas variáveis brutas
Linearidade diz respeito aos parâmetros
Uma regressão linear precisa ser linear em seus coeficientes, mas seus regressores podem incluir logaritmos, quadrados, splines, indicadores e interações
Com uma interação, a relação marginal de uma variável muda conforme o valor de outra, então um coeficiente principal não pode ser lido isoladamente
A extrapolação estende a forma funcional escolhida para além do suporte observado e é uma afirmação muito mais forte do que ajustar bem a amostra
Premissas diferentes fornecem garantias diferentes
Uma média condicional zero diz que componentes omitidos do resultado não são previsíveis sistematicamente a partir dos regressores incluídos e é central para a consistência ou interpretação estrutural
Homoscedasticidade exige variância condicional do erro igual em diferentes valores dos regressores; ela diz respeito mais à fórmula clássica da variância e à eficiência do que à ausência de viés dos coeficientes
Erros normais não são necessários para calcular OLS, embora a normalidade possa sustentar inferência exata t e F em pequenas amostras sob o modelo clássico
Um resíduo não é o erro populacional não observado
Um resíduo e=y−Xβ̂ é a diferença observada em relação a um valor ajustado estimado na mesma amostra, enquanto o distúrbio populacional u permanece não observado
Com um intercepto, OLS constrói resíduos ortogonais aos regressores da amostra, então correlação amostral zero entre eles não é evidência independente de exogeneidade
Gráficos de resíduos podem revelar não linearidade, variância variável, agrupamento, dependência serial e outliers, mas não podem certificar o modelo correto
Dados financeiros pressionam as premissas do livro-texto
Retornos exibem agrupamento de volatilidade e eventos de cauda, enquanto retornos de períodos de manutenção sobrepostos criam correlação serial por construção
Painéis corporativos podem conter persistência dentro de cada empresa e choques comuns entre empresas na mesma data, violando a independência simples das observações
Tendências em séries de níveis, sobrevivência, descoberta simultânea de preços e erro de medição podem fazer um coeficiente significativo parecer mais estrutural do que é
Reporte a estimativa e sua incerteza juntas
Declare o estimando, a amostra, as unidades, as transformações, os controles, os efeitos fixos, as regras para dados ausentes e o estimador de covariância antes de interpretar o número
Combine coeficientes com erros-padrão ou intervalos, traduza-os em mudanças realistas e teste a sensibilidade a observações influentes e especificações defensáveis
Avalie a identificação e a estabilidade ao longo do tempo ou fora da amostra separadamente de R², sinal e significância estatística
Perguntas frequentes
O que significa um coeficiente de regressão OLS?
É a diferença linear média ajustada no resultado associada a uma unidade de um regressor, mantendo fixos os demais regressores incluídos
Uma regressão linear pode representar uma relação curva?
Sim. Ela pode usar logaritmos, potências, splines e interações, desde que o modelo permaneça linear nos coeficientes
A multicolinearidade causa viés nos coeficientes?
Multicolinearidade imperfeita não cria viés por si só, mas pode aumentar erros-padrão e tornar os coeficientes muito sensíveis à amostra
Erros-padrão robustos resolvem premissas violadas do OLS?
Não. Eles relaxam determinadas premissas de covariância, mas não corrigem endogeneidade, forma funcional incorreta ou viés de seleção no coeficiente