Opplevelsen av kompetanse hos nyutdannede lærere

3.7.1. Teste de redundância dos efeitos

Este teste verifica a significância conjunta das estimativas com efeitos das unidades de seção cruzada nas especificações de MQO. Para realização do teste, primeiramente deve-se estimar o modelo irrestrito. Em seguida, devem- se estimar as especificações com as restrições separadamente: uma com efeito

de período fixo; outra com efeito fixo de seção cruzada somente; e outra só com intercepto. A hipótese nula é de que os efeitos são redundantes, sendo F a estatística de teste (EVIEWS, 2007).

3.7.2. Teste de Hausman: Efeitos Fixos versus Efeitos Aleatórios

Os modelos de Dados em Painel consideram os efeitos específicos de cada unidade de seção cruzada, a_i. Assim, deve ser determinado se os a_i's devem ser tratados como efeitos fixos ou aleatórios. Conforme Verbeek (2000), o estimador de efeitos fixos é preferido quando existe correlação entre os termos específicos a_i's e as variáveis explicativas do modelo. Nesse caso, as estimativas por efeitos aleatórios são inconsistentes. Hausman (1978) sugeriu um teste considerando a hipótese nula de que x_it e a_i são não correlacionados. A ideia geral do teste de Hausman é dada pela comparação de dois estimadores: um que é consistente sob a hipótese nula e sob a hipótese alternativa, Efeitos Fixos; e outro que é consistente (e tipicamente eficiente) somente sob a hipótese nula, Efeitos Aleatórios. Uma significativa diferença entre os dois estimadores indica que é improvável manter a hipótese nula. Assume-se que Ε

{

η_itx_is

}

=0 para todo s e t, tal que o estimador de Efeitos Fixos, βˆ_EF, seja consistente, independentemente se x_it e a_i são correlacionados, enquanto o estimador de Efeitos Aleatórios, βˆ_EA, é consistente e eficiente somente se x_it e a_i são não correlacionados. Assim, estabelece-se a diferença βˆ_EF −βˆ_EA. Para avaliar o significado dessa diferença, é necessária a matriz de covariância entre βˆ_EF e βˆ_EA. Pode ser mostrado que, sob a hipótese nula:

(

EF EA

) ( ) ( )

V EF V EA

V βˆ −βˆ = βˆ − βˆ (57) Nesse sentido, o teste de Hausman pode ser calculado como:

(

EF EA

) ( ) ( )[

EF EA

]

(

EF EA

)

H β β V β V β β β ξ ˆ ˆ ' ˆ ˆ ˆ ˆ 1 ˆ ˆ − − − = − (58)

em que Vˆdenota a estimativa da verdadeira matriz de covariância. Sob a hipótese nula, que implica dizer que plim

(

βˆ_EF −βˆ_EA

)

=0, a estatística ξ_Htem uma distribuição assintótica Qui-Quadrado ( 2

k

χ ) com k graus de liberdade, em que k refere-se ao número de parâmetros estimados β .

Portanto, o teste de Hausman testa se os EF e os EA são significativamente diferentes. Uma importante razão pela qual os dois estimadores podem ser diferentes é a existência da correlação entre x_it e a_i.

Conforme Greene (2003), o teste de Hausman tem como base a ideia de que, sob a hipótese nula de não correlação, os modelos de MQO, Mínimos Quadrados Variável Dummy (MQVD) e Mínimos Quadrados Generalizados (MQG) são consistentes, porém o primeiro é ineficiente.

3.7.3. Teste de Heterocedasticidade

Segundo Verbeek (2000), a heterocedasticidade surge se diferentes termos de erro não apresentam variância idêntica, sendo esse problema frequentemente encontrado nos modelos de seção cruzada. Quando os resíduos do modelo apresentam diferentes variâncias, os resultados tornam-se enganosos, conduzindo a análises errôneas. Os testes, neste estudo, foram realizados sobre os resíduos das estimativas por MQO. Foi avaliada a hipótese nula de que a variância em todos os subgrupos analisados é igual, contra a hipótese alternativa de que ao menos um subgrupo tem variância diferente.

Foram realizados os testes de Bartlett, de Levene e de Brown-Forsythe, os quais possuem as seguintes características:

- Teste de Bartlett - é comparado o logaritmo da variância da média ponderada com a soma ponderada dos logaritmos da variância. Sob a hipótese nula conjunta de que as variâncias dos subgrupos são iguais e que a amostra é

normalmente distribuída, a estatística de teste é aproximadamente distribuída como um χ com G=1 grau de liberdade (JUDGE et. al, 1985). 2

- Teste de Levene - tem como base a análise da variância (ANOVA) da diferença absoluta das médias. A estatística F para o teste de Levene tem uma distribuição F aproximada com G=1 grau de liberdade no numerador e N-G graus de liberdade no denominador (LEVENE, 1960).

- Teste de Brown-Forsythe - também chamado de teste de Levene modificado, em que também se utiliza a diferença absoluta das médias com a diferença absoluta das medianas. Este teste é considerado mais robusto que os anteriores (BROWN; FORSYTHE, 1974).

3.7.4. Teste de Autocorrelação

Conforme Wooldridge (2002), a heterocedasticidade é sempre um problema em potencial nos erros u_itde Dados em Painel. Sendo identificada a heterocedasticidade nos erros, porém sem a presença de autocorrelação, os testes estatísticos de MQO podem ser usados desde que haja a correção de heterocedasticidade nos erros-padrões. Já a autocorrelação é mais importante em certas aplicações. Assim, se ela for encontrada nos erros u_it, devem-se utilizar estimadores e testes estatísticos de Dados em Painel que sejam mais robustos nessas situações. Segundo Gujarati (2000), na presença de heterocedasticidade e autocorrelação serial os estimadores de MQO são consistentes e não viesados, porém não são eficientes, por não apresentarem variância mínima.

Segundo Wooldridge (2002), a correlação serial pode ser testada regredindo os resíduos do modelo especificado sobre os resíduos defasados. Sob a hipótese nula de que os erros originais são não correlacionados serialmente, tem-se:

it t

i

it e erro

eˆ =ρˆ₁ˆ_,−1+ (59) Deve ser utilizada a estatística de teste t para avaliar ρˆ₁. Sob a suposição de que os erros e_it possuem variância constante através do tempo t e são serialmente não correlacionados, pode-se mostrar que Corr

(

e_it,e_i,t−1

)

=−0,5. Assim, sob a hipótese nula, aceita-se um coeficiente de correlação de até −0,5

(WOOLDRIDGE, 2002).

3.7.5. Teste da restrição de sobreidentificação

De acordo com Hall (2005), Sargan (1958) foi o primeiro a introduzir a ideia dos testes de restrição de sobreidentificação em um modelo estimado por variáveis instrumentais, e Hansen (1982) estendeu a estatística para a estrutura MMG. Esse teste permite verificar se a especificação do modelo é adequada. Considerando a equação Q_T

( )

θˆ_T ; o estimador MMG (θˆ); os instrumentos z; os termos de erro u; = −

∑

T₌ t ut ztzt T S 1 ' 2 1 ) _{, sendo} T Sˆ um consistente estimador de

S; e a matriz de pesos dada por = _ˆ−1

T T S

W , a estatística do teste de restrição de sobreidentificação é dada por:

( )

T

( )

T T

( )

T

T

T TQ T u ZS T Zu

J = θˆ = −1/2 θˆ ' ˆ−1 −1/2 ' θˆ (60) Sob a hipótese nula, assume-se que os instrumentos não são correlacionados com os termos de erro, sendo as restrições de sobreidentificação satisfeitas.

( )

[

]

0 : ₀ 0 Ε ztut θ = H (61) T

J converge em distribuição para 2

p q−

χ . Os graus de liberdade são iguais ao número de restrições de sobreidentificação.

In document "Som å være på en annen planet". En kvalitativ studie av hvordan nyutdannede lærere erfarer at de basale behovene for autonomi, kompetanse og tilhørighet blir vektlagt i møte med skolen som ny arbeidsplass. (sider 51-54)