Gabarito da Lista 4 Terica

15 de junho de 2008
Professor: Srgio Firpo e Maurcio Cortez Reis
Monitor: Paula Pedro e Joo Felipe
1 Questo
(a)
A varivel k poderia ser usada como proxy para q.
(b)
A varivel s poderia ser usada como instrumento para a varivel x.
2 Questo
(a)
A primeira equao pode ser identicada pois satisfaz a condio de ordem. Com isso, podemos usar a
varivel preo como instrumento para a varivel lcool. J na segunda, no h instrumentos que possamos
utilizar para ln(rendimentos), visto que a nica varivel exgena que seria uma candidata a instrumento
j est includa na segunda equao.
(b)
A estimao da primeira equao poderia ser feita utilizando preo como instrumento para lcool atravs
do Mtodo dos Mnimos Quadrados em Dois Estgios (MQ2E). Primeiro computaramos a regresso de
lcool nas variveis exgenas (preo,educao) obtendo a parte do consumo de cool que exgena, que
chamaremos de ac ool, e depois computando uma regresso de ln(rendimentos) em ac ool e educao.
obs:no devemos computar o segundo estgio manualmente. Ver Wooldridge Pg.470
3 Questo
(a)
No. O que determinado na realidade pela equao uma quantidade de cigarros de equilbrio. Isso
porque o preo, uma das variveis explicativas, determinado pela interao das foras de demanda
por maos de cigarro e oferta de maos de cigarro. O que ocorre nessa regresso um problema de
endogeinidade: o preo afeta a demanda por cigarros e a demanda por cigarros, por sua vez, afeta o
preo.
(b)
Sim. Supondo que o imposto determinado exogenamente e como varia entre as cidades, serve como
uma varivel instrumental para o preo do cigarro, e assim podemos identicar e estimar a equao da
demanda.
1
(c)
Podemos utilizar o mtodo de MQ2E. Primeiro computamos a seguinte regresso:

P =
1
T +
2
R
E depois:
C =
0
+
1

P +
2
R
(d)
O fato do imposto ser determinado nacionalmente faz com que no haja mais correlao entre a varivel
imposto (T) e a varivel preo (P). Isto , Corr(T, P) = 0.
4 Questo
(a)
Y = +(S +w) +u
Y = +S + (w +u)
Ento, se Corr(S, w) = 0, o estimador pode estar viesado. Alm disso, o erro de medida deve aumentar
a varincia.
(b)
Primeiro computamos a regresso:

S =
1
Z
Depois computamos a regresso:
Y = +

S
O estimador para o ca:

=
Cov(Y,Z)
Cov(X,Z)
(c)
Corr(Z, S) = 0
Isto , a varivel instrumental Z deve estar correlacionada com a varivel explicativa S.
Corr(Z, u) = 0
Isto , a varivel instrumental Z no pode estar correlacionada com os fatores no observveis contidos
em u.
Corr(Z, v) = 0 , onde v = w +u
Isto , a varivel insturmental Z alm de no poder estar correlacionada com os fatores no observveis
contidos em u, tambm no pode estar correlacionada com o erro de medida w.
(d)
Corr(Z, S) pode ser muito baixa, fazendo com que a varincia seja alta e o estimador seja muito ineciente.
Dado isso, se o erro de medida no for muito grande, ser melhor estimar por MQO.
5 Questo
(a)
Esse problema nos diz que a varivel explicativa que estaria sendo observada inclui um erro tal que:
X = X

+e
Onde X o que est sendo observado e X* a verdadeira varivel. Ento:
Y =
0
+
1
X + (
1
e +u)
Ou seja, poderemos ter um problema de estimadores viesados caso e seja correlacionado com X.
2
(b)
Ao adotar a varivel nvel de educao informado pelo prprio individuo , que, em mdia, est altamente
correlacionado com o nvel de educao reportado pela instituio, eliminamos o problema de mensurao
a medida que admitimos que aquele no o verdadeiro valor do nvel educacional do individuo. Lembrando
que os erros de medida das duas variveis devem ser idependentes.
6 Questo
(a),(b) e (c)

y
i
=
0
+
1
x
i
+
2
w
i
+u
1i
x
i
=
0
+
1
y
i
+
2
w
i
+
3
z
i
+u
2i
Substituindo a primeira na segunda:
x
i
=
0
+
1
(
0
+
1
x
i
+
2
w
i
+u
1i
) +
2
w
i
+
3
z
i
+u
2i
x
i

1

1
x
i
=
0
+
1

0
+
1

2
w
i
+
2
w
i
+
3
z
i
+
1
u
1i
+u
2i
(1
1

1
)x
i
=
0
+
1

0
+ (
1

2
+
2
)w
i
+
3
z
i
+
1
u
1i
+u
2i
Agora devemos fazer a hiptese adicional
1

1
= 1, e dividir a equao por (1
1

1
):
x
i
=

0
+
1

0
(1
1

1
)

0
+
(
1

2
+
2
)
(1
1

1
)

1
w
i
+

3
(1
1

1
)

2
z
i
+

1
u
1i
+u
2i
(1
1

1
)

v1
(d)
Fazendo o MQ2E, usando z como instrumento para x (desde que z seja no-correlacionado com u1):
x
i
=
0
+
1
z
i
+
2
w
i
y
i
=
0
+
1
x
i
+
2
w
i
+u
1i
7 Questo
(a)

1
=
N

i=1
(XiX)Yi
N

i=1
(XiX)
2
=
3
48
= 0, 0625
(b)
No. Vejamos porque:
t =

1
ep(

1)
=
0,0625
0,0759
= 0, 823
p-valor = 0,43415
No conseguimos rejeitar a hiptese nula de que
1
= 0 utilizando nenhum dos nveis de signicn-
cia razoveis (1 a 10%). Para rejeitar H0 deveramos ter um nvel de signicncia de 43,4% e isto no
nem um pouco razovel.
3
8 Questo
(a)

1
=
N

i=1
(XiX)Yi
N

i=1
(XiX)
2
= 0, 20
As mulheres tm uma probabilidade 20% menor de serem gerentes.
(b)
Poderamos ter usado um modelo Probit ou Logit. Isso porque o modelo de probabilidade linear apresenta
basicamente os seguintes problemas:
1) Heterocedasticidade
2) Diculdade em interpretar probabilidades >1 e < 0
3) Efeitos marginais constantes
No entanto, o o m.p.l bem mais simples que o probit e o logit, o que o torna til em vrias aplicaes.
9 Questo
(a)

1
=
N

i=1
(XiX)Yi
N

i=1
(XiX)
2
=
2
5
= 0, 4
(b)
V ar(

1
) =
n

i=1
(XiX)
2
u
2
i
n

i=1
(XiX)
2
(c)
Antes, no modelo de probabilidade linear fazamos:
P(y = 1|x) =
0
+
1
x
1
+
2
x
2
+... +
k
x
k
Agora temos:
P(y = 1|x) = G(
0
+
1
x
1
+
2
x
2
+... +
k
x
k
)
Onde G uma funo assumindo valores estritamente entre 0 e 1.
A diferena do modelo Probit para o Logit est na escolha da funo G:
Probit :
G(z) = (z) =
z

(v)dv
Onde (z) a densidade normal padro:
(z) = (2)
1/2
exp(
z
2
2
)
Logit :
4
G(z) =
exp(z)
1+exp(z)
(d)
A meta principal desses modelos de resposta binria explicar os efeitos de x sobre a probabilidade de
resposta P(y=1|x). No entanto, quando estimamos utilizando a funo objetivo G(z), os coecientes no
tm mais uma interpretao direta. Apesar disso, o sinal dos coecientes permanece o mesmo. Para
medir o efeito parcial da varivel X sobre a varivel Y, temos que conar no clculo:
P(y=1|X)
X
= G

(
0
+
1
X)
1
onde, G

(z) =
G
z
(z).
5