-
Notifications
You must be signed in to change notification settings - Fork 0
/
Artigo.Rmd
411 lines (276 loc) · 22.3 KB
/
Artigo.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
---
title: "Erros heteroscedástico-consistentes"
author:
- Luiz Fernando Palin Droubi^[SPU/SC, luiz.droubi@planejamento.gov.br]
- Norberto Hochheim^[UFSC, hochheim@gmail.com]
- Willian Zonato^[SPU/SC, willian.zonato@planejamento.gov.br]
date: "`r format(Sys.Date(), '%d/%m/%Y')`"
output:
pdf_document:
includes:
in_header: preamble.tex
keep_tex: yes
latex_engine: xelatex
number_sections: yes
toc: no
word_document: default
html_document:
fig_caption: yes
keep_md: yes
classoption: a4paper, 12pt
documentclass: article
geometry:
- left=3cm,right=2cm,top=1.9cm,bottom=1.5cm
- headheight=75pt
- includeheadfoot
link-citations: yes
linkcolor: red
urlcolor: magenta
citecolor: green
csl: ABNT_UFPR_2011-Mendeley.csl
subtitle: Teoria e simulações
bibliography: bibliography.bib
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = FALSE, cache = FALSE, warning = FALSE,
message = FALSE, dev = "png", fig.path = "images/",
fig.align='center', fig.pos = 'H', fig.asp = 1,
out.width = '60%')
library(appraiseR)
library(sandwich)
library(lmtest)
library(mosaic)
library(car)
source("predict.lm.R")
```
# INTRODUÇÃO
A homoscedasticidade é uma das hipóteses que devem ser necessariamente verificadas na inferência clássica. A ausência da homoscedasticidade, ou seja, a heteroscedasticidade, no entanto, não invalida completamente um modelo de regressão linear, pois a heteroscedasticidade se relaciona apenas aos erros do modelo, o que afeta o cômputo dos intervalos de confiança das previsões e dos coeficientes do modelo, mas não invalida os valores centrais dos mesmos, ou seja, mesmo que um modelo contenha erros heteroscedásticos, este modelo pode ser utilizado para fazer previsões, desde que não se esteja interessado nos seus intervalos de confiança.
Na Engenharia de Avaliações, contudo, frequentemente ou quase sempre, existe interesse em avaliar o grau de precisão do modelo, ou mesmo o grau de fundamentação de um laudo. Dado que estes enquadramentos normativos são feitos com a utilização dos intervalos de confiança das estimativas, ou com os p-valores dos testes de hipótese realizado pelos regressores, a utilização de modelos com erros heteroscedásticos nesta área torna-se complicada, o que não significa que isto seja impossível.
Infelizmente a NBR14.653-2 não aborda este assunto, mas acredita-se que, mesmo assim, é possível se utilizar de modelos heteroscedásticos e ainda estar de acordo com a norma. Demonstrar como isso pode ser feito é o objetivo deste artigo.
# DESENVOLVIMENTO E FUNDAMENTAÇÃO
## A Hipótese de homoscedasticidade
Segundo Long [-@Long, 5], na regressão linear, a variância do estimador MQO $\hat{\beta}$ é:
$$\mathrm{var}(\hat{\beta})=(X'X)^{-1}X' \Omega X(X'X)^{-1}$$
A adoção da hipótese da homoscedasticidade na inferência clássica, em conjunto com a hipótese da independência dos erros, pode ser resumida na equação abaixo:
$$\Omega_{MQO}=\sigma^2I$$
onde $\sigma^2$ é a variância dos erros do modelo, suposta constante, e $I$ é a matriz identidade $n \text{x}n$, onde $n$ é o número de dados do modelo. A matriz $\Omega$ assim obtida, pode-se demonstrar, simplifica demasiado o cálculo da matriz de variância-covariância dos coeficientes de estimação, da maneira a seguir:
$$\mathrm{var} (\hat{\beta})=\sigma^2(X'X)^{-1}$$
## Detecção da heteroscedasticidade
Diversos testes foram desenvolvidos visando a detecção da heteroscedasticidade, dentro os quais citamos o teste de Goldfeld-Quandt [-@GQ], o teste de Park [-@Park], o teste de Glejser [-@glejser], o teste de Breusch-Pagan [-@BP] e o teste de White [-@white1980].
Deve-se salientar que nenhum dos testes mencionados pode ser considerado melhor do que o outro, porque, conforme será visto, cada um deles testa uma hipótese em particular para a estrutura do erro. O teste de Breusch-Pagan, por exemplo, assume que a estrutura da variância do termo de erro seja linear, sendo muito eficiente para detectar este tipo de heteroscedasticidade. Se, no entanto, se estiver lidando com uma estrutura não-linear do termo de erro, este teste não será eficaz, sendo o teste de White melhor para estes casos.
### Teste de Goldfeld-Quandt
O teste de Goldfeld-Quandt [-@GQ] é aplicável a grandes amostras e consiste em omitir algumas amostras do modelo e comparar a estrutura da variância do termo de erro em diferentes subgrupos.
### Teste de Park
O teste de Park [-@Park] assume que a variância do termo de erro é proporcional a alguma potência da variável independente ($\sigma_{u_i}^2 = \sigma^2X_i^\beta e^v$). Desta maneira, o teste de Park consiste em estimar os resíduos da equação de regressão e então fazer uso de uma regressão destes resíduos em relação à variável dependente, da seguinte maneira:
$$ln(u_i^2) = ln(\sigma^2) + \beta ln(X_i) + v_i$$
Se o coeficiente $\beta$ for significante, é indicativo da presença de heteroscedasticidade.
### Teste de Glejser
O teste de Glejser [-@glejser; *apud* @nigeria] consiste em testar se os valores absolutos dos resíduos ($|\hat{u_i}|$) da regressão original tem correlação com alguma variável independente do modelo ($X_i$), conforme formas abaixo:
$$|\hat{u_i}| = \beta_0 + \beta_1 X_i + v_i$$
$$|\hat{u_i}| = \beta_0 + \beta_1 \sqrt{X_i} + v_i$$
$$|\hat{u_i}| = \beta_0 + \beta_1 \frac{1}{X_i} + v_i$$
$$|\hat{u_i}| = \beta_0 + \beta_1 \frac{1}{\sqrt{X_i}} + v_i$$
$$|\hat{u_i}| = \sqrt{\beta_0 + \beta_1 X_i} + v_i$$
$$|\hat{u_i}| = \sqrt{\beta_0 + \beta_1 X_i^2} + v_i$$
### Teste de Breusch-Pagan
O teste de Breusch-Pagan [-@BP] consiste em assumir que a estrutura da variância do termo de erro seja linear em função das variáveis independentes do modelo. Assim, o método consiste em estimar a variância do erro à partir do quadrado dos resíduos da regressão linear e efetuar então uma regressão auxiliar deste termo em função dos regressores do mesmo modelo. Calcula-se o valor do coeficiente de determinação deste modelo auxiliar e aplica-se o teste do $\chi^2$ para obter a sua significância. @koenker1981 propõe um ajuste ao teste original, fazendo uso dos resíduos studantizados.
### Teste de White
O teste de White [-@white1980] consiste numa aplicação do teste de Breusch-Pagan, porém com a adição dos termos quadráticos e de interação do modelo original. Obviamente, o teste de White necessita de um número maios de graus de liberdade no modelo para ter eficácio, haja vista que a regressão auxiliar necessitará de diversos graus de liberdade.
## Alternativas para contornar a heteroscedasticidade
Ocorre que apenas raramente os dados do mundo real podem ser considerados homoscedásticos e independentes, o que faz com que procedimentos especiais tenham que ser tomados para a utilização do estimador MQO. A tentativa de se contornar a heteroscedasticidade pode ser feita de diversas formas, algumas mais trabalhosas, outras mais complexas, outras causando maior distorção ao modelo.
## Transformação da variável dependente
Na Engenharia de Avaliações, a primeira e mais usual forma de se contornar a heteroscedasticidade é através da aplicação de transformações à variável dependente. No entanto, esta não é a única alternativa e a transformação dos dados pode causar distorções significativas, o que pode ser um problema, especialmente considerando o problema da retransformação das variáveis transformadas.
Segundo @matloff2017, se $\varphi(x)$ é uma função convexa, então a desigualdade de Jensen se exprime na seguinte desigualdade:
$$\varphi \left(\mathbb{E} [X]\right)\leq \mathbb{E} \left[\varphi (X)\right]$$
## Outros estimadores
Outra forma de contornar a heteroscedasticidade é através da utilização de outros estimadores, como o estimador dos mínimos quadrados ponderados. Este método consiste na adoção de um vetor de pesos conveninente escolhido e aplicado a cada uma das observações, de maneira que se elimine a heteroscedasticidade do modelo. O inconveniente deste método está na determinação do vetor de pesos a ser utilizado, o que não é trivial.
## Estimação heteroscedástico-consistente da matriz de variância-covariância
Uma maneira mais interessante de se detectar a heteroscedasticidade é através da estimação da matriz de variância-covariância dos coeficientes heteroscedástico-consistente, desfazendo-se assim, da hipótese da homoscedasticidade.
Existem diversas maneiras de se estimar a matriz heteroscedástico-consistente, sendo que este método foi originalmente concebido por White [-@white1980; *apud* @Long, p.6], da seguinte forma:
$$\text{HC0}=(X'X)^{-1}X' \hat{\Omega} X(X'X)^{-1} = (X'X)^{-1}X' diag[e_i^2] X(X'X)^{-1}$$
Onde $diag[e_i^2]$ é a matriz diagonal em que os elementos da diagonal são compostos pelo vetor do erros amostrais elevado ao quadrado.
Posteriormente diversas pequenas modificações foram propostas ao método, como a correção dos resíduos pelos graus de liberdade ($n/(n-k)$) e outras.
# ESTUDO DE CASO
Para este estudo de caso foi utilizado software \proglang{R} `r getRversion()`. Os funções utilizadas para a execução dos testes são do pacote \pkg{lmtest} [@lmtest]. Os gráficos foram confeccionados com o auxílio do pacote \pkg{mosaic} [@mosaic].
## Exemplo 1
### Criação dos dados
Neste primeiro exemplo foram gerados randomicamente para a variável dependente ($Y$). Para a variável independente ($X$), foram criados 100 dados em sequência de 1 a 100. Para a varíavel dependente, com a utilização da função \code{rnorm}, foram criados dados de distribuição normal com média igual a média do vetor da variável independente ($\bar{Y} = \bar{X}$) e desvio-padrão variável em função de $X$, da seguinte maneira:
$$\mathrm{desvio}(Y) = 0,4 \cdot X$$
Ou seja, foi criada, randômicamente, um tipo linear de heteroscedasticidade. Os gráfico dos dados assim criados pode ser vistos na figura \ref{fig:hetero}.
```{r hetero, echo = FALSE, fig.height=5, fig.cap="Forma linear de heteroscedasticidade."}
set.seed(123)
X <- 1:100
Y <- rnorm(n=100, mean = X, sd=0.4*X)
fit <- lm(Y~X)
plot(Y~X)
abline(coef(fit), col="blue")
curve(x + 2*0.4*x, lty=2, add = TRUE)
curve(x - 2*0.4*x, lty=2, add = TRUE)
```
#### Testes
Os resultados das estatísticas dos testes e suas significâncias estão resumidos na tabela 1. Pode-se verificar que, para este caso, todos os testes foram eficazes em não rejeitar a hipótese nula da homoscedasticidade, ou seja, todos os testes detectaram a presença da heteroscedasticidade.
#### Park
```{r}
res2 <- residuals(fit)^2
parklm <- lm(log(res2) ~ log(X))
park <- summary(parklm)
```
Apesar da forma linear da heteroscedasticidade presente, como o valor da estatística do teste t da variável $\ln(X)$ resultou alto (`r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)`) e significante ($\text{p-valor} =$ `r formatC(park$coefficients["log(X)",4], digits = 4)`), conclui-se que não se pode descartar a hipótese da heteroscedasticidade, ou seja, o teste de Park funcionou, mesmo na presença de uma forma de heteroscedasticidade diferente da pressuposta.
#### Glejser
```{r}
glejser <- summary(lm(abs(residuals(fit)) ~ X))
```
Foi utilizada a primeira forma (linear) do teste de Glejser. A significância do teste foi de `r formatC(glejser$coefficients["X", 4], digits = 3)`. Conclui-se que o teste funciona. Deve-se atentar, porém, que a forma de heteroscedasticidade, neste caso, era previamente conhecida, o que possibilitou a aplicação da forma "correta" do teste, o que não ocorre na prática.
#### Breusch-Pagan
A forma original do teste de BP foi aplicada, através da função \code{bptest}:
```{r}
bp <- bptest(fit, studentize = FALSE)
```
O teste de BP, neste caso, não logrou a rejeição da hipótese nula, ou seja, a da homoscedasticidade. Desta maneira, pode-se afirmar que o teste funcionou a contento.
#### Breusch-Pagan studantizado (Koenker)
O mesmo ocorre para o teste de BP com a utilização dos resíduos studantizados:
```{r}
koenker <- bptest(fit)
```
#### Goldfeld-Quandt
O teste de GQ neste caso foi eficaz em detectar a modificação na variância nas partições testadas.
```{r}
gq <- gqtest(fit, fraction = .25)
```
#### White
Por fim, o teste de White mostrou-se adequado para a detecção da forma linear da heteroscedasticidade. No entanto, deve-se salientar, que para isto foi inutilmente utilizado um grau de liberdade a mais do que o teste de Breusch-Pagan, o que pode fazer a diferença no caso de pequenas amostras.
```{r}
white <- bptest(fit, ~X + I(X^2))
```
### Quadro-Resumo
\centerline{Tabela 1: Estatísticas e p-valores para os dados do Exemplo 1.}
|Teste |Estatística |Significância |
|:-------|-----------------------------------------------------------------------------:|-----------------------------------------------------------:|
| Park | `r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)` |`r formatC(park$coefficients["log(X)",4], digits = 2)` |
| Glejser| `r formatC(glejser$coefficients["X",3], decimal.mark = ",", digits = 3)` |`r formatC(glejser$coefficients["X",4], digits = 2)` |
| GQ | `r formatC(gq$statistic, decimal.mark = ",", digits = 4)` |`r formatC(gq$p.value, decimal.mark = ",", digits = 2)` |
| BP | `r formatC(bp$statistic, decimal.mark = ",", digits = 4)` |`r formatC(bp$p.value, decimal.mark = ",", digits = 2)` |
| Koenker| `r formatC(koenker$statistic, decimal.mark = ",", digits = 4)` |`r formatC(koenker$p.value, decimal.mark = ",", digits = 3)`|
| White | `r formatC(white$statistic, decimal.mark = ",", digits = 4)` |`r formatC(white$p.value, decimal.mark = ",", digits = 3)`|
## Exemplo 2
### Criação dos dados
Neste exemplo foram gerados randomicamente dados de distribuição normal para a variável dependente ($Y$), com a utilização da função \code{rnorm}, com média igual a média do vetor da variável independente ($\bar{Y} = \bar{X}$) e desvio-padrão variável em função de $X$, da seguinte maneira:
$$\mathrm{desvio}(Y) = 0,001 \cdot X^2$$
Ou seja, foi criada, randômicamente, um tipo suavemente não-linear de heteroscedasticidade. Os gráfico dos dados assim criados pode ser vistos na figura \ref{fig:hetero2}.
```{r hetero2, fig.height=5, fig.cap="Forma não-linear de heteroscedasticidade."}
set.seed(123)
X <- 1:100
Y <- rnorm(n=100, mean = X, sd=0.001*X^2)
fit2 <- lm(Y~X)
plot(Y~X)
abline(coef(fit2), col="blue")
curve(x + 2*0.001*x^2, lty = 2, add= TRUE)
curve(x - 2*0.001*x^2, lty = 2, add= TRUE)
```
### Testes
Os resultados das estatísticas dos testes e suas significâncias estão resumidos na tabela 2. Pode-se verificar que, para este caso, todos os testes foram eficazes em não rejeitar a hipótese nula da homoscedasticidade, ou seja, todos os testes detectaram a presença da heteroscedasticidade.
#### Park
```{r}
res2 <- residuals(fit2)^2
parklm <- lm(log(res2) ~ log(X))
park <- summary(parklm)
```
Apesar da forma linear da heteroscedasticidade presente, como o valor da estatística do teste t da variável $\ln(X)$ resultou alto (`r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)`) e significante ($\text{p-valor} =$ `r formatC(park$coefficients["log(X)",4], digits = 4)`), conclui-se que não se pode descartar a hipótese da heteroscedasticidade, ou seja, o teste de Park funcionou, mesmo na presença de uma forma de heteroscedasticidade diferente da pressuposta.
#### Glejser
```{r}
glejser <- summary(lm(abs(residuals(fit)) ~ X))
```
Foi utilizada a primeira forma (linear) do teste de Glejser. A significância do teste foi de `r formatC(glejser$coefficients["X", 4], digits = 3)`. Conclui-se que o teste funciona. Deve-se atentar, porém, que a forma de heteroscedasticidade, neste caso, era previamente conhecida, o que possibilitou a aplicação da forma "correta" do teste, o que não ocorre na prática.
#### Breusch-Pagan
O teste de BP, apesar de assumir a forma linear de heteroscedasticidade, logrou a rejeição da hipótese da homoscedasticidade. Isto ocorreu, talvez, pela não-linearidade da heteroscedasticidade, neste caso, ser singela.
```{r}
bp <- bptest(fit2, studentize = FALSE)
```
#### Breusch-Pagan studantizado (Koenker)
O mesmo ocorre para ao teste de BP studantizado.
```{r}
koenker <- bptest(fit2)
```
#### Goldfeld-Quandt
O teste de Goldfeld-Quandt foi eficaz também neste caso, detectando a presença da heteroscedasticidade.
```{r}
gq <- gqtest(fit2, fraction = .33)
```
#### White
Por fim, o teste de White, concebido para encontrar as formas não-lineares de heteroscedasticidade, também foi eficaz neste caso, rejeitando a hipótese nula da homoscedasticidade.
```{r}
white <- bptest(fit2, ~X + I(X^2))
```
### Quadro-Resumo
\centerline{Tabela 2: Estatísticas e p-valores para os dados do Exemplo 2.}
|Teste |Estatística |Significância |
|:-------|-----------------------------------------------------------------------------:|-----------------------------------------------------------:|
| Park | `r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)` |`r formatC(park$coefficients["log(X)",4], digits = 2)` |
| Glejser| `r formatC(glejser$coefficients["X",3], decimal.mark = ",", digits = 3)` |`r formatC(glejser$coefficients["X",4], digits = 2)` |
| GQ | `r formatC(gq$statistic, decimal.mark = ",", digits = 4)` |`r formatC(gq$p.value, decimal.mark = ",", digits = 2)` |
| BP | `r formatC(bp$statistic, decimal.mark = ",", digits = 4)` |`r formatC(bp$p.value, decimal.mark = ",", digits = 2)` |
| Koenker| `r formatC(koenker$statistic, decimal.mark = ",", digits = 4)` |`r formatC(koenker$p.value, decimal.mark = ",", digits = 3)`|
| White | `r formatC(white$statistic, decimal.mark = ",", digits = 4)` |`r formatC(white$p.value, decimal.mark = ",", digits = 3)`|
## Exemplo 3
### Criação dos dados
Os dados foram criados da mesma maneira do exemplo anterior, porém com uma nova função para a variância, da seguinte maneira:
$$\mathrm{desvio}(Y) = 0,5 \cdot (X-1)^2$$
Ou seja, foi criada, randômicamente, um tipo de heteroscedasticidade não-linear mais drástico, onde a variância é menor no centro da amostra, aumentando nas extremidades. Os gráfico dos dados assim criados pode ser vistos na figura \ref{fig:hetero3}.
```{r hetero3, fig.height=5, fig.cap="Forma drasticamente não-linear de heteroscedasticidade."}
set.seed(123)
X <- seq(0.01, 2, 0.01)
Y <- rnorm(n=200, mean = X, sd=0.5*(X-1)^2)
fit3 <- lm(Y~X)
plot(Y~X)
abline(coef(fit3), col="blue")
curve(x + 2*0.5*(x-1)^2, lty = 2, add= TRUE)
curve(x - 2*0.5*(x-1)^2, lty = 2, add= TRUE)
```
### Testes
#### Park
```{r}
res2 <- residuals(fit3)^2
parklm <- lm(log(res2) ~ log(X))
park <- summary(parklm)
```
Como o valor da estatística do teste t da variável $\ln(X)$ resultou alto (`r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)`) e significante ($\text{p-valor} =$ `r formatC(park$coefficients["log(X)",4], digits = 4)`), conclui-se que não se pode descartar a hipótese da heteroscedasticidade.
#### Glejser
Neste exemplo, o teste de Glejser detecta a heteroscedasticidade, mas apenas na equação da forma quadrática, falhando em detectá-la na função de teste linear.
```{r}
glejser1 <- summary(lm(abs(residuals(fit3)) ~ X))
glejser2 <- summary(lm(abs(residuals(fit3)) ~ I(X^2)))
```
Quando utilizada a forma quadrática do teste de Glejser. A significância do teste foi de `r formatC(glejser2$coefficients["I(X^2)", 4], digits = 3)`.
#### Breusch-Pagan
Na ocorrência da heteroscedasticidade não-linear extrema deste caso, o teste de BP não logra a rejeição da hipótese nula, ou seja, a da homoscedasticidade.
```{r}
bp <- bptest(fit3, studentize = FALSE)
```
#### Breusch-Pagan studantizado (Koenker)
Também o teste de BP studantizado falha neste caso.
```{r}
koenker <- bptest(fit3)
```
#### Goldfeld-Quandt
Neste caso, o teste de Goldfeld=Quandt não logrou a rejeição da hipótese nula, ou seja, a da homoscedasticidade, apesar de ser sabido que há heteroscedasticidade no modelo. Ou seja, o teste falha em detectar a heteroscedasticidade pela própria característica do mesmo, que divide em a amostra em duas partições, excluindo-se uma fração dos dados centrais (aqui 25%) e compara suas variâncias. Como no presente caso a variância muda igualmente em ambas as extremidades da amostra, o teste não a detecta.
```{r}
gq <- gqtest(fit3, fraction = .25)
```
#### White
Por fim, o teste de White mostrou-se adequado para a detecção da forma de heteroscedasticidade drasticamente não-linear, como era de se esperar.
```{r}
white <- bptest(fit3, ~X + I(X^2))
```
### Quadro-Resumo
\centerline{Tabela 3: Estatísticas e p-valores para os dados do Exemplo 3.}
|Teste |Estatística |Significância |
|:-------|-----------------------------------------------------------------------------:|-----------------------------------------------------------:|
| Park | `r formatC(park$coefficients["log(X)",3], decimal.mark = ",", digits = 3)` |`r formatC(park$coefficients["log(X)",4], digits = 2)` |
| Glejser -- forma linear| `r formatC(glejser$coefficients["X",3], decimal.mark = ",", digits = 3)` |`r formatC(glejser$coefficients["X",4], digits = 2)` |
| Glejser -- forma quadrática| `r formatC(glejser2$coefficients["I(X^2)",3], decimal.mark = ",", digits = 3)` |`r formatC(glejser$coefficients["X",4], digits = 2)`|
| GQ | `r formatC(gq$statistic, decimal.mark = ",", digits = 4)` |`r formatC(gq$p.value, decimal.mark = ",", digits = 2)` |
| BP | `r formatC(bp$statistic, decimal.mark = ",", digits = 4)` |`r formatC(bp$p.value, decimal.mark = ",", digits = 2)` |
| Koenker| `r formatC(koenker$statistic, decimal.mark = ",", digits = 4)` |`r formatC(koenker$p.value, decimal.mark = ",", digits = 3)`|
| White | `r formatC(white$statistic, decimal.mark = ",", digits = 4)` |`r formatC(white$p.value, decimal.mark = ",", digits = 3)`|
# CONCLUSÃO
# REFERÊNCIAS