Respostas Gujarati PDF

Manual de Solues Econometria Bsica Gujarati
CAPTULO 1
A NATUREZA DA ANLISE DE REGRESSO
1.1 (a) A seguir temos a tabela com as taxas de inflao (%) calculadas ano sobre ano
com incio em 1974, pois no h dados anteriores a 1973.
CANAD
FRANA
ALEMANHA
ITLIA
JAPO
10,78431
10,84071
7,584830
7,792208
8,950086
9,320695
9,971098
12,48357
10,86449
5,795574
4,282869
4,106972
4,128440
4,317181
4,054054
4,951299
4,795050
5,608856
1,537386
1,789401
0,202840
2,159244
1,585205
1,625488
13,58382
11,70483
9,567198
9,563410
9,108159
10,60870
13,67925
13,27801
11,96581
9,487459
7,669323
5,827937
2,534965
3,239557
2,725021
3,456592
3,341103
3,157895
2,405248
2,135231
1,602787
1,783265
2,021563
1,188904
6,847134
5,961252
4,360056
3,638814
2,730819
4,050633
5,474453
6,343714
5,314534
3,295572
2,392822
2,044791
0,095420
0,191022
1,334604
2,728128
2,747253
3,654189
4,987102
4,504505
2,742947
1,830664
1,498127
1,697417
19,41748
17,07317
16,66667
19,34524
12,46883
15,52106
21,30518
19,30380
16,31300
14,93729
10,61508
8,609865
6,110652
4,591440
4,985119
6,591070
6,117021
6,390977
5,300353
4,250559
3,916309
5,369128
3,870652
1,745283
23,17328
11,69492
9,559939
8,171745
4,225352
3,685504
7,701422
4,840484
2,938090
1,732926
2,304609
1,958864
0,672430
0,000000
0,763359
2,367424
3,052729
3,231589
1,652174
1,283148
0,760135
0,167645
0,167926
1,676446
(b)
REINO
UNIDO
0,157706
0,244582
0,164179
0,158120
0,083026
0,134583
0,178679
0,119745
0,085324
0,046122
0,050100
0,060115
0,034203
0,041775
0,049290
0,077229
0,095344
0,058704
0,036966
0,015980
0,024803
0,033648
0,024557
0,031215
Estados
Unidos
0,110360
0,091278
0,057621
0,065026
0,075908
0,113497
0,134986
0,103155
0,061606
0,032124
0,043173
0,035611
0,018587
0,036496
0,041373
0,048183
0,054032
0,042081
0,030103
0,029936
0,025606
0,028340
0,029528
0,022945

Legenda:
PC = Canad
PF = Frana
PG = Alemanha
PI = Itlia
PJ = Japo
PUK = Reino Unido
PUS = Estados Unidos
(c) Pelo grfico, podese ver que, com o passar dos anos, houve, em geral, diminuio da
taxa de inflao de todos os pases.
(d) Podese usar o desvio-padro como medida de flutuao das taxas. Para Canad,
Frana, Alemanha, Itlia, Japo, Reino Unido e Estados Unidos os valores do desviopadro so respectivamente 0,036, 0,044, 0,018, 0,062, 0,051 e 0,032. Encontramos,
assim, a maior flutuao nas taxas da Itlia, e a menor, nas da Alemanha.
1.2 (a) A seguir est o grfico com a representao das taxas de inflao dos seis pases
em relao dos Estados Unidos.
(b) O grfico mostra que h correlao positiva entre as taxas de inflao dos seis pases
e a dos Estados Unidos.
(c) Lembrese de que correlao no implica causalidade. Talvez seja necessrio
consultar um livro de macroeconomia internacional para saber se h uma relao causal
entre a taxa de inflao dos Estados Unidos e as dos outros pases.
1.3 (a) Para melhor visualizao do grfico, representamos o logaritmo da taxa de cmbio
no eixo vertical e o tempo no eixo horizontal.
Como se v, as taxas de cmbio apresentam considervel flutuao. Em 1977, por

exemplo, um dlar americano valia 268 ienes, mas somente 94 ienes em 1995.
(b) O cenrio , novamente, variado. Entre 1977 e 1995, por exemplo, o dlar americano
se depreciou em relao ao iene, e da comeou a se apreciar. O panorama semelhante
em relao s outras moedas.
1.4 O grfico da oferta de moeda M1, nos Estados Unidos, de janeiro de 1951 a setembro
de 1999, o seguinte:
medida que o PIB cresce ao longo do tempo, fazse naturalmente necessrio ampliar a
oferta de moeda para financiar o aumento da produo.
1.5 Algumas das variveis pertinentes seriam: (1) salrios ou ganhos nas atividades
criminosas; (2) salrios ou ganhos por hora em atividades lcitas; (3) probabilidade de
ser apanhado; (4) probabilidade de condenao; (5) sentena esperada aps a
condenao. Repare que no deve ser fcil conseguir dados sobre ganhos em
atividades ilegais. Mesmo assim, consulte o artigo de Gary Becker citado no livrotexto.
1.6 Um fator essencial nessa anlise seria a taxa de participao na fora de trabalho
(TPFT) de pessoas na faixa etria dos 65 aos 69 anos. Um aumento dessa taxa, se
constatado aps a entrada em vigncia da nova lei, seria forte indcio de que a lei
anterior restringira artificialmente a participao desses cidados no mercado.
Tambm seria interessante descobrir que tipos de empregos esses trabalhadores
conseguem e quanto ganham. Os dados sobre PFT so coletados pelo Departamento
do Trabalho (Estados Unidos).
1.7 (a), (b) & (c) De acordo com o grfico, parece haver uma relao positiva, embora no
muito forte, entre as duas variveis, indicando que pode valer a pena anunciar. Do
contrrio, ms notcias para a indstria da publicidade.
Vertical = Impresses
Horizontal = Desppub

CAPTULO 2
ANLISE DE REGRESSO COM DUAS VARIVEIS: ALGUMAS IDIAS BSICAS
2.1 A funo informa como varia a resposta mdia das subpopulaes de Y com os
valores dados da(s) varivel(is) explanatria(s).
2.2 A distino entre as funes de regresso amostral e populacional importante,
pois aquela um estimador desta. Na maioria dos casos, o que temos uma amostra
de observaes da qual tentamos extrair informaes sobre a populao a que ela se
refere.
2.3 Um modelo de regresso no , de forma alguma, uma descrio absolutamente
fiel da realidade. Assim, certo que haver diferenas entre o valor real do
regressando e seus valores estimados pelo modelo escolhido. Tal diferena
simplesmente o termo de erro estocstico, cujas diversas formas so discutidas no
texto. O resduo a contrapartida amostral do termo de erro estocstico.
2.4 Embora seja certo que podemos usar o valor mdio, o desvio-padro e outras
medidas sumrias para descrever o comportamento do regressando, estamos em geral
interessados em saber se h alguma fora causal que o afeta. Se houver, poderemos
fazer um melhor prognstico do seu valor mdio com a anlise de regresso. Tambm
no podemos esquecer que os modelos economtricos so quase sempre
desenvolvidos para testar uma ou mais teorias econmicas.
2.5 um modelo linear nos parmetros, mas que pode ou no ser linear nas variveis.
2.6 Os modelos (a), (b), (c) e (e) so modelos de regresso lineares (nos
parmetros). O modelo (d) tambm ser linear se fizermos = ln1.
2.7 (a) Aplicando o logaritmo natural, obtemos lnYi
modelo de regresso linear.
1+ 2 Xi + ui, que assim um
(b) A seguinte transformao, conhecida como logit, faz deste um modelo de

regresso linear: ln[(1-Yi)/Yi] = 1+ 2 Xi + ui.
(c) Modelo de regresso linear.
(d) Modelo de regresso no-linear.
(e) Modelo de regresso no-linear, pois 2 est elevado ao cubo.

2.8 Um modelo de regresso intrinsecamente linear aquele que se pode fazer linear
nos parmetros, como o modelo em 2.7 (a). Se 2 na Questo 2.7 (d) fosse 0,8, esse
0,8( X 2)
i
pode ser facilmente calculado.
seria um modelo de regresso linear, j que e
2.9 Todos so modelos de regresso intrinsecamente lineares, como demonstramos a
seguir:
(a) A transformao (1/Yi) = 1+ 2 Xi converte o modelo em linear.

(b) Escrever o modelo como (Xi/Yi) = 1+ 2 Xi converte-o em linear.
(c) A transformao ln[(1-Yi)/Yi] = 12 Xi converte o modelo em linear.
2.10 O grfico de disperso indica que, em mdia, os salrios nos pases que
exportam mais exibem maior crescimento real do que naqueles que exportam menos.
por isso que muitos pases em desenvolvimento seguem uma poltica de crescimento
voltada para a exportao. A linha de regresso traada no grfico amostral, pois se
baseia numa amostra de 50 pases em desenvolvimento.
2.11 De acordo com o conhecidssimo modelo de comrcio de Heckscher-Ohlin, os
pases tm tendncia a exportar mercadorias que, para serem produzidas, utilizem
intensivamente seus fatores de produo mais abundantes. Em outras palavras, este
modelo enfatiza a relao entre dotao de fatores e vantagem comparativa.
2.12 O grfico de disperso mostra que quanto mais alto o salrio mnimo, mais baixo
o PNB per capita, indicando, portanto, que a legislao relativa remunerao
mnima pode no ser boa para os pases em desenvolvimento, mas h controvrsia
quanto a esse assunto. O resultado desse tipo de legislao pode depender do efeito
que causa nos empregos, da natureza da indstria do local onde imposta e da
intensidade com que o governo a impe.
2.13 uma FRA porque se baseia numa amostra de 15 anos de observaes. Os
pontos dispersos em torno da linha de regresso so de dados reais. A diferena entre
as despesas em consumo reais e as estimadas pela linha representa o resduo
(amostral). Alm do PIB, fatores como riqueza, taxa de juros etc. podem afetar as
despesas em consumo.

2.14 (a) O grfico de disperso o seguinte:
Vertical = TPFTCH
Horizontal = TDCH
A relao positiva entre as duas variveis parece surpreendente porque se esperaria, a
priori, que fossem negativamente relacionadas. Mas a hiptese do efeito do
trabalhador adicional da Economia do Trabalho sugere que quando o desemprego
aumenta, a fora de trabalho secundria pode ingressar no mercado de trabalho para
garantir alguma renda familiar.
(b) Segue o grfico de disperso:

VERTICAL = TPFTCM
HORIZONTAL = TDCM
Parece que temos aqui em ao a hiptese do efeito desalento da Economia do
Trabalho: o desemprego desestimula as mulheres a participarem da fora de trabalho
por no acreditarem que haja oportunidades de emprego.
(c) A representao grfica da TPFTCH em relao aos GHM82 mostra o seguinte:
VERTICAL = TPFTCH
HORIZONTAL = GHM82
E representao grfica correspondente para as mulheres :
VERTICAL = TPFTCM
HORIZONTAL = GHM82

H uma relao assimtrica entre as duas variveis para homens e mulheres. Os
homens respondem positivamente a salrios maiores, ao passo que as mulheres
respondem negativamente, o que parece desconcertante. Pode ser que ganhos
maiores resultantes de salrios mais altos para os homens induzam as mulheres a se
retirarem da fora de trabalho, algo que pode acontecer com os casais. Mas preciso
ter cuidado, pois aqui estamos trabalhando com regresses simples de apenas duas
variveis. As concluses anteriores podem mudar quando estudarmos anlise de
regresso mltipla.
2.15 (a) O grfico de disperso e a linha de regresso ficam assim:
Vertical = DESPALIM
Horizontal = DESPTOT
(b) Na mdia, medida que crescem as despesas totais tambm crescem as despesas
com alimentao. Mas h uma flutuao maior entre as duas depois que as despesas
totais passam de Rs. 2000.
(c) No esperaramos que as despesas com alimentao crescessem indefinidamente
de forma linear (isto , como uma linha reta). Satisfeitas as necessidades bsicas das
pessoas, elas gastaro menos em alimentao medida que sua renda aumentar.
Quer dizer, consumidores com renda mais alta fazem despesas mais discricionrias. H
sinais disso no grfico de disperso mostrado em (a): as despesas com alimentao
mostram mais flutuao no nvel de renda acima de Rs. 2000.

2.16 (a) A representao grfica da pontuao de homens e mulheres em aptido
verbal a seguinte:
MALEVERB =VERBH
FEMVERB = VERBM
E a representao correspondente da pontuao de homens e mulheres em
matemtica a seguinte:
MALEMATH = MATH
FEMMATH = MATM
(b) Ao longo dos anos, a pontuao de homens e mulheres em aptido verbal mostra
uma tendncia descendente, enquanto depois de atingir o nvel mais baixo em 1980,
os clculos mostram uma tendncia ascendente, com variaes ano a ano, claro.
(c) Pode-se elaborar um modelo de regresso simples, fazendo a regresso da
pontuao em matemtica contra a de aptido verbal para ambos os sexos.

(d) O grfico o seguinte:
VERTICAL = VERBM
HORIZONTAL = VERBH
O grfico mostra que as duas pontuaes evoluram na mesma direo ao longo do
tempo.

CAPTULO 3
MODELO DE REGRESSO DE DUAS VARIVEIS: O PROBLEMA DA ESTIMAO
3.1 (1) Yi = 1+ 2Xi + ui, logo, E(Yi|Xi) = E[(1+ 2Xi + ui)|Xi]

E(Yi|Xi) = 1+ 2Xi + E(ui|Xi), visto que 1e 2 so constantes e X no-estocstico.
E(Yi|Xi) = 1+ 2Xi, j que E(ui|Xi) = 0, por premissa.
(2) Dado que cov(uiuj)=0 para todo i,j (ij), ento
cov(YiYj) = E{[Yi - E(Yi)] [Yj - E(Yj)]}
cov(YiYj) = E(uiuj), dos resultados em (1)
cov(YiYj) = E(ui)E(uj), porque premissa que os termos de erro no esto
correlacionados,
cov(YiYj) = 0, j que o valor mdio de ui zero, por premissa.
(3) Dado que var(ui|Xi) = 2, var(Yi|Xi) = E[Yi - E(Yi)]2 = E(ui2) = var(ui|Xi) = 2, por
premissa.
3.2
Logo, 2 =
x y
x
i
2
i
Yi
Xi
yi
xi
xi
yi
xi 2
12
10
soma
28
16
19
14
Nota:
Y = 7 e X = 4.
19
= 1,357; 1 = Y 2 X = 1,572.
14
3.3 A FRP : Yi = 1+ 2Xi + ui.

Situao 1: 1 = 0, 2 = 1, e E(ui) = 0, resultando E(Yi|Xi) = Xi
Situao 2: 1 = 1, 2 = 0, e E(ui) = (Xi 1), o que d E(Yi|Xi) = Xi, o mesmo resultado
da situao 1.
Logo, sem a premissa E(ui) = 0, no se pode estimar os parmetros porque, como
acabamos de demonstrar, a mesma distribuio condicional de Y obtida, embora os
valores presumidos dos parmetros sejam bem diferentes nas duas situaes.
3.4 Impondo a primeira restrio, obtemos:
u = (Y X ) = 0 , equao que, simplificada, d a primeira equao

i
normal.
Impondo a segunda restrio, obtemos:
u X = (Y X ) X = 0 , equao que, simplificada, d a segunda equao

i
normal.
A primeira restrio corresponde premissa de que E(ui|Xi) = 0. A segunda restrio
corresponde premissa de que no h correlao entre o termo de erro populacional e
a varivel explanatria Xi, isto , cov(uiXi)=0.
3.5 Da desigualdade de Cauchy-Schwarz temos que
(x y )
x y
E ( XY ) 2
1.
E ( X 2 ) E (Y 2 )
Ora, r =
2
2
i
2
i
1 , por analogia com a desigualdade de CauchySchwarz, o que
tambm verdadeiro para

quadrado.
3.6 Observe que
yx =
2 , o coeficiente de correlao populacional elevado ao
xi yi
2
i
e que
xy =
xi yi
2
i
. Multiplicando as duas equaes,
obtemos a expresso para r2, o coeficiente de correlao amostral elevado ao

quadrado.
3.7 Mesmo que yx xy = 1 , ainda faria diferena (pela causalidade e teoria) se fosse
feita a regresso de Y contra X ou de X contra Y, pois o que igual a um somente o
produto das duas, e isso no implica que yx = xy .
3.8 As mdias das duas variveis so iguais a: Y = X =
e a correlao entre os dois rankings : r =
x y
x y
i
2
i
n +1
,
2
2
i
(1)
em que as letras minsculas, como sempre, indicam desvio dos valores mdios.
Como os rankings so permutaes dos n primeiros nmeros naturais, ento:
xi2 = X i2
( X i ) 2
n
n(n + 1)(2n + 1) n(n 1) 2 n(n 2 1)
=
12
6
4
n(n 2 1)
e, analogamente, y =
, ento
12
2
i
= ( X i Yi ) 2 = ( X i2 + Yi 2 2 X iYi ) =
n(n + 1)(2n + 1) d
.
X iYi =
6
2
2n(n + 1)(2n + 1)
2 X iYi , logo
6
Como
(2)
X
Y
x y = X Y n
i
i i
, usando (2), obtemos:
n(n + 1)(2n + 1) d
n(n + 1) 2 n(n 2 1) d
.
2
3
2
4
12
2
(3)
Agora, basta substituir as equaes anteriores na equao (1) para obter a resposta.
3.9 (a) 1 = Y 2 X i e 1 = Y 2 x [Observao: xi = ( X i X ) ].
1 = Y
, j que
var ( 1 ) =
X
n x
2
i
2
i
= 0.
e var (1 ) =
x
n x
2
i
2
i
=
2
Logo, nem as estimativas nem as varincias dos estimadores so iguais.

(b) 2 =
x y
x
i
e 1 =
2
i
x y
x
i
, j que
2
i
fcil verificar que var ( 2 ) = var ( 2 ) =
xi = ( X i X )
2
i
Ou seja, as estimativas e as varincias dos dois estimadores so idnticas.

(c) Pode ser mais fcil usar o modelo II com nmeros X grandes, embora com os
rpidos computadores atuais isso no seja mais um problema.
x =y
= 0 , ou seja, a soma dos desvios em relao ao valor mdio

sempre zero, x e y tambm so iguais a zero ( x = y = 0 ). Assim, 1 = y 2 x = 0 . O
3.10 Como
fato relevante aqui que se tanto Y quanto X forem expressas como desvios em
relao s respectivas mdias, a linha de regresso passar pela origem.
2 =
( xi x )( yi y )
( xi x )
x y
i
xi2
, j que as mdias das duas variveis so iguais a
zero. Esta a Equao (3.1.6) do livro-texto.
3.11 Sejam Z i = aX i + b e Wi = cYi + d , que, em formato de desvios, tornamse
zi = axi e wi = cyi . Por definio, r2 =
z w
z w
i
2
i
2
i
ac xi yi
ac
xi2 yi2
= r1 na Equao
(3.5.13) do texto.
3.12 (a) Verdadeira. Na Questo 3.11, faamos a e c iguais a -1 e b e d iguais a 0.

(b) Falsa. Consultando novamente a Questo 3.11, veremos que ser negativo.
(c)
Verdadeira.
rxy = ryx > 0 ,
Como
Sx e
S y (os
respectivamente) so ambos positivos, e ryx =
yx
desvios-padro
de
Sy
Sx
e rxy = xy
, ento xy e yx
Sx
Sy
tm de ser positivos.
3.13 Sejam Z=X1+X2 e W=X2+X3. Em formato de desvios, podemos escrevlas como

z=x1+x2 e w=x2+x3. Por definio, a correlao entre Z e W :
rzw =
z w
z w
i
2
i
2
i
( x + x )( x + x )
(x + x ) (x + x )
x
( x + x )( x + x
2
2
2
1
2
2
2
2
2
3
porque
X1, X2 e X3 no so correlacionadas. (Nota: por convenincia, omitimos o subscrito de

observao).
rzw =
2
(2 2 + 2 2
1
2
, em que a varincia comum.
2
O coeficiente no zero porque os pares combinados so correlacionados, ainda que

as variveis X1, X2 e X3 no sejam individualmente correlacionadas.
Como acabamos de demonstrar,
zw =
, denotando que a covarincia entre z e w
uma constante diferente de zero.

3.14 Os resduos e os valores ajustados de Y no mudaro. Sejam Yi = 1 + 2 X i + ui e
Yi = 1 + 2 Z i + ui , em que Z=2X. Empregando o formato de desvios, sabemos que
2 = 2
xy
2 =
, omitido o subscrito de observao.
zi yi
2
i
1 = Y 2 X
2 xi yi
4 x
2
i
1
2
2
; 1 = Y 2 Z = 1 (Nota: Z = 2 X )
Ou seja, o intercepto no afetado. Em conseqncia, os valores ajustados de Y e os

resduos mantmse os mesmos ainda que Xi seja multiplicado por 2. A anlise
anloga para o caso de uma constante ser somada a Xi.
3.15 Por definio, ryy =

2
( x )
y
ryy2 =
2 i
2
i
( yi yi ) 2
[ ( yi + ui )( yi )]2
=
=
( yi2 )( yi2 )
( yi2 )( yi2 )
22 xi2
2
i
y
y
2
i
2
i
, j que
y u
i i
= 0.
= r 2 , aplicando a Equao (3.5.6) do texto.
3.16 (a) Falsa. A covarincia pode assumir qualquer valor, e este depende das
unidades de medida. O coeficiente de correlao, por outro lado, no tem unidades,
uma grandeza adimensional.
(b) Falsa. Veja a Figura 3.11(h) no texto. Lembrese de que o coeficiente de
correlao uma medida de relao linear entre duas variveis. Da, como mostra a
Figura 3.11(h), h uma relao perfeita entre Y e X, mas ela no linear.
(c) Verdadeira. Em formato de desvios, temos yi = y i + ui . Ento bvio que se
fizermos uma regresso de yi contra yi , o coeficiente angular ser 1, e o intercepto
ser 0. Mas uma prova formal pode ser feita como segue: se fizermos uma regresso
de yi contra yi , obteremos o coeficiente angular, digamos, , sob a forma
yi yi xi yi 2
= 2
= 2 = 1 , porque yi = xi e
2
2
y
x
x y
i
= xi2 para o modelo de
duas variveis. O intercepto nesta regresso zero.
3.17 Escreva a regresso amostral assim: Yi = 1 + ui . Pelo princpio dos mnimos

quadrados, temos de minimizar:
ao
nico
parmetro
u = (Y )
conhecido
2
i
iguale
. Derive essa equao em relao

resultado
zero
para
obter:
2
i
d (u )
= 2 (Yi 1 )( 1) = 0 , que simplificada d 1 = Y , ou seja, a mdia amostral. E
d 1
sabemos que a varincia da mdia amostral
e
a varincia de Y. A SQR
y2
n
, em que n o tamanho da amostra
(Yi Y )2 = yi2 e 2 =
SQR
yi2 . Vale a pena
=
(n 1) (n 1)
acrescentar a varivel X ao modelo se ela reduzir significativamente, o que

acontecer se ela tiver qualquer influncia sobre Y. Resumindo, o que pretendemos
nos modelos de regresso que as variveis explanatrias possam dar um prognstico
2

de Y melhor do que simplesmente seu valor mdio. Em verdade, podemos ver isso
formalmente. Recorde que para o modelo de duas variveis obtido da Equao
(3.5.2):SQR=STQSQE =
y y = y
2
i
2
i
2
i
22 xi2 . Logo, se 2 for diferente de
zero, a SQR do modelo que tenha no mnimo um regressor ser menor do que a do
modelo sem regressor. claro que se houver mais regressores no modelo e seus
coeficientes angulares forem diferentes de zero, a SQR ser muito menor do que no
modelo sem regressor.
Problemas
3.18 Tirando a diferena entre os dois rankings, obtemos:
d2
d2=26.
Assim,
rs = 1
6 d 2
n(n 1)
= 1
coeficiente
de
correlao
de
rankings
de
Spearman
6(26)
= 0,842 . H, portanto, um alto grau de correlao entre
10(102 1)
as posies dos estudantes nas provas de meio e de final de perodo: quanto mais alta
ela for na primeira, mais alta ser na segunda.
3.19 (a) O valor de 4,318 para o coeficiente angular indica que durante o perodo
19801994 a taxa de cmbio (marco/US$) baixou cerca de 4,32 unidades para cada
unidade de aumento no preo relativo, em mdia. Isto , o dlar americano depreciou,
porque 1 dlar comprava menos marcos alemes. O valor de 6,682 para o intercepto,
interpretado literalmente, significa que se a relao de preos relativos fosse zero, um
dlar valeria 6,682 marcos alemes. Essa interpretao, claro, no
economicamente significativa.
(b) O valor negativo do coeficiente angular faz muito sentido econmico porque se os
preos nos Estados Unidos subirem mais rapidamente do que os da Alemanha, os
consumidores internos passaro a comprar mercadorias alems, aumentando assim a
demanda pelo marco alemo, o que levar sua apreciao. Esta a essncia da
teoria da paridade do poder de compra (PPC), ou lei do preo nico.
(c) Acreditamos que, nesse caso, o coeficiente angular seria positivo, pois quanto
maior fosse o IPC alemo em relao ao IPC americano, maior seria a taxa de inflao
relativa na Alemanha, o que levaria apreciao do dlar americano. Temos, outra
vez, a essncia da PPC.
3.20 (a) Os grficos de disperso so os seguintes:
VERTICAL = REMSEMP
HORIZONTAL = PRODSEMP
Vertical = REMSENA
Horizontal = PRODSENA

(b) Os dois grficos mostram que h uma relao positiva entre remunerao e
produo, o que no surpresa, considerando a teoria da produtividade marginal da
Economia do Trabalho.
(c) Os grficos anteriores demonstram que a relao entre remunerao e produo,
embora seja positiva, no linear. possvel, portanto, que no se consiga um bom
ajuste entre os dados e um modelo de regresso linear. Mas se, como de praxe,
fizermos esse ajuste, teremos os seguintes resultados, nos quais SEMP setor
empresarial; SENA, setor empresarial no-agrcola; PROD, produo por hora; e REM,
remunerao real por hora.
REMSEMP = 109,3833 + 2,0039 PRODSEMP
ep = (9,7119)
(0,1176)
r2 = 0,8868
REMSENA = 123,6000 + 2,1386 PRODSENA

ep = (11,0198)
(0,1312)
r2 = 0,8777
Como esperado, a relao entre as duas positiva. Surpreendentemente, o valor de r2

bem alto.
3.21
Dados
originais:
Dados
revisados:
Yi
Xi
Xi Yi
X i2
Yi2
1110
1700
205500
322000
132100
1110
1680
204200
315400
133300
Portanto, o coeficiente de correlao corrigido 0,9688.

3.22 (a) Se representarmos estas variveis em relao ao tempo, veremos que, em
geral, subiram. H, no caso do ouro, considervel volatilidade de preo.
(b) Se a hiptese fosse verdadeira, seria de se esperar que 2 1 .
(c) Preo do ourot = 186,183 + 1,842 IPCt
ep = (125,403) (1,125)
r2 = 0,150
NYSEt = 102,060 + 2,129 IPCt

ep = (23,767) (0,230)
r2 = 0,868
Parece que o mercado de aes melhor garantia contra a inflao do que o ouro.
Como veremos no Captulo 5, o coeficiente angular da equao do preo do ouro no
estatisticamente significativo.

3.23 (a) Segue o grfico, em que PIBN e PIBR so, respectivamente, PIB nominal e
PIB real.
NGDP = PIBN
RGDP = PIBR
(b) PIBNt = 986,3317 + 201,9772 tempo
ep = (1907,715) + 128,7820
PIBRt = 1907,715 + 128,7820 tempo
ep = (45,1329) (1,9666)
r2 = 0,9277
r2 = 0,9914
(c) Nesse caso, o coeficiente angular informa a taxa de variao do PIB por intervalo
de tempo.
(d) A diferena entre os dois representa a inflao ao longo do tempo.
(e) Como indicam o grfico e os resultados da regresso, o PIB nominal tem crescido
mais rpido que o PIB real, sugerindo que a inflao tem subido com o passar do
tempo.
3.24 Este simples e direto.
3.25 (a) Veja o grfico do Exerccio 2.16(d).
(b) Seguem os resultados da regresso, em que Y a pontuao das mulheres em
aptido verbal e X, a dos homens:
Yt = -198,126 + 1,436 X t
ep = (25,211)
(0,057)
r2 = 0,966.

(c) Como ressaltamos no texto, uma relao estatstica, por mais forte que seja, no
determina causalidade, a qual tem de ser estabelecida a priori. Neste caso, no h
razo para suspeitar de relao causal entre as duas variveis.
3.26 Os resultados da regresso so:
Yt = -189,057 + 1,285 X t
ep = (40,927)
(0,082)
r2 = 0,918.
3.27 Este para ser feito em sala de aula.

CAPTULO 4
A PREMISSA DA NORMALIDADE: MODELO NORMAL DE REGRESSO LINEAR
CLSSICO (MNRLC)
Exerccios do Apndice 4A.
4.1 Dado que o coeficiente de correlao entre Y1 e Y2, , igual a zero, a funo de
densidade de probabilidade normal bivariada (de duas variveis) fica reduzida a:
1 Y 2 1 Y 2
1
2
2
f (Y1 , Y2 ) =
exp 1

2 1 2
2 1 2 2
1
1 Y 2 1
1 Y 2
1
1
2
=
exp
exp 2

= f (Y1 ) f (Y2 ) , em que
2
1
2

1
f (Y1 ) e f (Y2 ) so as funes de densidade de probabilidade normal univariadas (de
1
uma varivel). Ento, quando for zero,
f (Y1 , Y2 ) = f (Y1 ) f (Y2 ) , o que a condio
para independncia estatstica. Portanto, no caso normal bivariado, a correlao zero

implica independncia estatstica.
4.2 Para assegurar que os estimadores de mxima verossimilhana maximizem a
funo de verossimilhana, as derivadas segundas da Equao (5) do Apndice 4A tm
de ser menores que zero, o que garantir que a SQR seja minimizada.
2 ln LF
n
= 2 <0.
2
1
2 ln LF
Xi < 0 .
=
2
2
2
2
n
1
1 n
1
2 ln LF
=
2 3 (Yi 1 2 X i )2 = 2 2 2 2 ui2 .
2 2
2 2
2
2( ) ( )
( )
( )
1 1
1
2
2
u 2 2 2 ui2 , da Equao (11),
Como ui = (Yi 1 2 X i ) = 2
2 2 i
2( )
( )
1
1
ui2 = ( 2 )3 u2 2 1 < 0 .
Uma vez que todas as segundas derivadas so negativas, os estimadores maximizam a
funo de verossimilhana.
4.3 Como X segue a distribuio exponencial, sua funo de densidade de
probabilidade (FDP) :
1 i
f ( x) = f ( X i ) = e . Portanto, a funo de verossimilhana ser:

n
1
Xi
1
Xi .
FV ( X i , ) = exp
. E log FV ser: ln FV = n ln
Derivando essa funo em relao a , obtemos:
d ln FV
1 X
= n + 2 i . Igualando essa equao a zero:
d
% =
Xi
= X , que a mdia da amostra.
CAPTULO 5
A REGRESSO DE DUAS VARIVEIS: ESTIMAO DE INTERVALO E TESTE DE
HIPTESES
Perguntas
5.1 (a) Verdadeira. O teste t baseiase em variveis com uma distribuio normal. Os
estimadores 1 e 2 seguem tal distribuio, pois so combinaes lineares do erro ui, o
qual presumimos ser normalmente distribudo no MRLC.
(b) Verdadeira. Uma vez que E(ui)=0, os estimadores de MQO no so tendenciosos.
No preciso nenhuma premissa probabilstica para determinar a notendenciosidade.
(c) Verdadeira. Nesse caso, a Equao (1) da Seo 3.A.1 do Apndice 3A no ser
usada. Esse tpico ser tratado com mais detalhes no Captulo 6, Seo 6.1.
(d) Verdadeira. O valor p o menor nvel de significncia em que se pode rejeitar a
hiptese nula. Os termos nvel de significncia e tamanho do teste so sinnimos.
(e) Verdadeira. Isso resulta da Equao (1) do Apndice 3A, Seo 3A.1.
(f) Falsa. Tudo o que podemos dizer que os dados disponveis no nos permitem
rejeitar a hiptese nula.
(g) Falsa. Um valor mais alto de 2 deve ser contrabalanado por um valor mais alto
de
2
i
. Somente se este for mantido constante, a afirmao pode ser verdadeira.
(h) Falsa. A mdia condicional de uma varivel aleatria depende dos valores tomados
por outra varivel (condicionante). As mdias condicional e no-condicional s podem
ser iguais se as duas variveis forem independentes.
(i) Verdadeira. Isso fica bvio pela Equao (3.17).
(j) Verdadeira. Consulte a Equao (3.5.2). Se X no tem influncia sobre Y,
zero, e nesse caso
y = u
2
i
2
i
5.2 Tabela ANOVA para despesas com alimentos na ndia:

Fonte da variao
Devido regresso
(SQE)
Devido aos resduos
(SQR)
STQ
SQ
139023
gl
1
MSQ
139023
236894
53
4470
375916
2 ser
F=
139023
= 31,1013 com gl igual a 1 e 53, respectivamente.
4470
Na hiptese de no haver relao entre despesas com alimentos e despesas totais, o

valor p (valor da probabilidade) de se obter tal valor F quase zero, sugerindo
enfaticamente que se pode rejeitar a hiptese nula.
5.3 (a) O ep do coeficiente angular

O valor t sob H0 : 1 = 0,
0, 6417
= 0, 0664 .
9, 6536
0, 7347
= 0,8797 .
0,8351
(b) O salrio mdio por hora aumenta em aproximadamente 64 centavos para um ano
adicional de escolaridade, em mdia.
(c) Aqui temos n = 13, ento gl =11. Se a hiptese nula for verdadeira, o valor t
estimado 9,6536. A probabilidade de se obter tal t extremamente pequena, o valor
p praticamente zero. Podese, portanto, rejeitar a hiptese nula de que o nvel de
escolaridade no afeta os ganhos por hora.
(d) SQE = 74,9389; SQR = 8,8454; gl numerador = 1; gl denominador = 11; F =
93,1929. O valor p de tal F sob a hiptese nula de que no h relao entre as duas
variveis 0,000001, que extremamente baixo. Podese, assim, rejeitar com grande
segurana a hiptese nula.
Observe que o valor F aproximadamente o quadrado do valor t sob a mesma
hiptese nula.
(e) No caso bivariado, dado que H0 : 2 = 0, existe a seguinte relao entre o valor t e
r2:
r2 =
t2
9, 65362
2
r
=
0,8944 .
.
Como
o
t
dado
9,6536,
obtemos:
[t 2 + (n 2)]
[9, 65362 11]
5.4 Literalmente, a hiptese afirma que no h correlao entre as duas variveis. Por
conseguinte, se pudermos provar que a covarincia entre elas zero, ento a
correlao ter de ser zero.
5.5 (a) Para testar a hiptese de que o coeficiente angular verdadeiro um, use o
teste t.
t=
2 1 1, 0598 1
=
= 0,821
0, 0728
ep( 2 )
Para gl = 238, esse valor t no significativo nem para = 10%. Concluise,

portanto, que durante o perodo estudado as aes da IBM no foram volteis.
t=
(b) Uma vez que
0, 7264
= 2, 4205 , significativo no nvel dos 2%, mas,
0,3001
economicamente, isso tem pouco significado prtico. Interpretado literalmente, o valor

de 0,73 para o intercepto implica que mesmo que o retorno do portflio de mercado
seja zero, o do ttulo de 0,73%.
5.6 Sob a premissa da normalidade, 2 normalmente distribuda. Mas como uma

varivel normalmente distribuda contnua, e como pela teoria das probabilidades
sabemos que a probabilidade de uma varivel aleatria contnua assumir um valor
especfico zero, no faz, portanto, nenhuma diferena o fato de a desigualdade ser
forte ou fraca.
5.7 Sob a hiptese de que 2 = 0, obtemos:
Porque
2 =
2
i
(n 2)
x
y
2
i
2
i
y
=
2
i
(1 r 2 )
(n 2)
(n 2)
(1 r 2 )
2 xi2
2
t=
=
=
ep( 2 )
2
i
yi2 (1 r 2 )
(n 2)
, da Equao (3.5.10),
2
, mas como r = 2
2
x
y
2
i
2
i
, ento r = 2
x
y
2
i
2
i
, da Equao
(3.5.6).
Assim, t =
r (n 2)
(1 r ) 2
2 xi2
r 2 (n 2) 2 xi
, da Equao (5.9.1).
= 2
1 r2
2
2
,e t=F=
Problemas
5.8 (a) Existe associao positiva na TPFT em 1972 e 1968, o que no de
surpreender, tendo em vista que desde a Segunda Guerra Mundial a TPFT das
mulheres tem crescido regularmente.
(b) Use o teste t unicaudal ou unilateral:
t=
0.6560 1
= 1, 7542 . Para gl = 17, o valor
0,1961
t unicaudal com = 5% 1,740. Como o t estimado significativo, podemos, nesse

nvel de significncia, rejeitar a hiptese de que o coeficiente angular verdadeiro
igual ou maior que 1.
(c) A TPFT mdia : 0,2033+0,6560(0,58)0,5838. Para estabelecer um intervalo de
confiana de 95% para essa previso, use a frmula: 0,5838 2,11 (ep do valor
mdio da previso), em que 2,11 valor t crtico a 5% para gl = 17. Para obter o erropadro do valor da previso, empregue a Equao (5.10.2). Mas repare que, como os

autores no fornecem o valor mdio da TPFT das mulheres em 1968, no poderemos
calcular esse erro-padro.
(d) No poderemos responder essa pergunta sem os dados reais porque precisamos
dos valores dos resduos para representlos graficamente e obter o grfico de
probabilidade normal ou calcular o valor do teste Jarque-Bera.
5.9 (a) Segue o grfico:
VERTICAL = REM
HORIZONTAL = GAS
(b) Remi =12129,37+3,3076 Gas
ep = (1197,351) (0,3117)
r2 = 0,6968
SQR = 2,65E+08
(c) Se a despesa por aluno aumentar um dlar, o salrio mdio aumentar 3,31
dlares. O intercepto no tem significado econmico vivel.
(d) O intervalo de confiana de 95% para 2 : 3,3076 2(0,3117) = (2,6842 ,
3,931). Baseados neste IC, no rejeitaremos a hiptese nula de que o verdadeiro
coeficiente angular 3.
(e) Os valores previstos mdio e individual so os mesmos, a saber: 12129,37 +
3,3076(5000) 28,667. O erro-padro do valor mdio previsto, usando a Equao
(5.10.2), 520,5117 (dlares) e o erro-padro da previso individual, usando a
Equao (5.10.2), 2382,337. Os intervalos de confiana so:
1) previso mdia: 28,667 2(520,5117), isto , ($27.626 , $29.708);
2) previso individual: 28,667 2(2382,337), isto , ($23.902 , $33.432).
Como era de se esperar, o segundo intervalo maior do que o primeiro.
(f) O histograma dos resduos pode ser aproximado a uma curva normal. A estatstica
Jarque-Bera 2,1927, e seu valor p de aproximadamente 0,33. Assim, baseados

neste teste, no rejeitamos a premissa da normalidade, presumindo que o tamanho da
amostra (51 observaes) seja razoavelmente grande.
Srie: Resduos
Amostra 1 51
Observaes 51
Mdia
Mediana
Mximo
Mnimo
9,13E-12
217,5192
5529,342
3847,976
Desviopadro
Assimetria
Curtose
0,499126
2,807557
Jarque-Bera
Probabilidade
2,196273
0,333492
2301,414
5.10 A tabela ANOVA para o setor de empresas a seguinte:

Fonte da variao
Devido regresso
(SQE)
Devido aos resduos
(SQR)
STQ
O valor F
SQ
38685,997
gl
1
MSQ
38685,997
4934,138
37
133,355
43620,135
38685
= 290, 0978 .
133,355

Sob a hiptese nula de que no existe relao entre salrios reais e produtividade no
setor de empresas, este valor F segue distribuio F com gl 1 e 37 no numerador e
denominador, respectivamente. A probabilidade de obter tal F 0,0000, ou seja,
praticamente zero. Podemos, portanto, rejeitar a hiptese nula, o que no deve ser
nenhuma surpresa.
(b) A tabela ANOVA para o setor de empresas no-agrcolas a seguinte:
Fonte da variao
Devido regresso
(SQE)
Devido aos resduos
(SQR)
STQ
SQ
37887,455
gl
1
MSQ
37887,455
5221,585
37
141,129
43109,04
STQ = 43109,04; SQR = 5221,585; SQE = 37887,455.

Sob a hiptese nula de que o coeficiente angular verdadeiro zero, o valor F calculado
:
F=
37887, 455
268, 459 .
141,129
A probabilidade de obter tal F seria praticamente zero, caso a hiptese nula fosse
verdadeira, o que leva sua rejeio.
5.11 (a) O grfico a seguir indica que a relao entre as duas variveis no linear.
Inicialmente, medida que aumentam as despesas com publicidade, o nmero de
impresses tambm aumenta, mas depois decresce gradualmente.
VERTICAL = IMPRESSES
HORIZONTAL = GASTOS COM PUBLICIDADE
(b) Em conseqncia de (a), no seria adequado ajustar um modelo de regresso
bivariada a esses dados. No temos, no momento, as ferramentas necessrias para

faz-lo. Mais adiante mostraremos que um modelo do tipo Yi =
1 + 2 X 2i + 3 X 22i + ui ,
em que Y so as impresses retidas e X2 as despesas com publicidade, pode ser

apropriado. Este um exemplo de modelo de regresso quadrtico. Mas repare que
ainda um modelo linear nos parmetros.
(c) Os resultados obtidos usando um modelo linear s cegas so os seguintes:
Yi = 22,163 + 0,3631 Xi
ep = (7,089) (0,0971)
r2=0,424.
5.12 (a) O grfico a seguir mostra que as taxas de inflao dos dois pases evoluem
juntas.
VERTICAL = IPCEUA
HORIZONTAL = IPCCAN
(b) & (c) Segue tabela conforme entregue pelo pacote de software estatstico Eviews
3:
Amostra:
1997
Observaes
includas: 25
Varivel
C
ICAN
R-quadrado
1973
Coeficiente
6,251664
0,940932
0,992044
Erro-padro
1,956380
0,017570
Estatstica-t
3,195526
53,55261
Varivel dependente mdia
Probabilidade
0,0040
0,0000
104,7560

R-quadrado
Desvio-padro
da
varivel
0,991698
ajustado
dependente
E.P. da regresso
3,331867
Critrio info Akaike
Soma quad resduos
255,3308
Critrio Schwarz
Verossimilhana
64,51951 Estatstica-F
Log
Estat
Durbin0,264558
Probabilidade (Estatstica-F)
Watson
36,56767
5,321561
5,419071
2867,882
0,000000
Esses resultados mostram que a relao entre as duas variveis positiva. Podese
facilmente rejeitar a hiptese nula de que no h relao entre as duas variveis, uma
vez que o valor t obtido sob essa hiptese 53,55, e praticamente zero o valor p
(probabilidade) de se obter tal t.
Embora as duas taxas de inflao sejam positivamente relacionadas, no se pode disso
deduzir causalidade, pois esta tem de ser inferida de alguma teoria econmica que a
sustente. Lembrese de que regresso no implica causalidade.
5.13 (a) As duas regresses so as seguintes:
Preo do ourot = 186,183 + 1,842 IPCt
ep = (125,403) (1,215)
t = (1,484)
(1,515)
r2 = 0,150
NYSEt = 102,060 + 2,129 IPCt

ep = (23,767) (0,230)
r2 = 0,868
t = (4,294) (9,247)
(b) A estatstica Jarque-Bera para a equao do preo do ouro 4,751, com valor p de
0,093. A estatstica JB para o ndice NYSE 1,218 com valor p de 0,544. No nvel de
significncia de 5%, no se pode rejeitar a premissa de normalidade em nenhum dos
dois casos.
(c) Como o coeficiente angular na regresso do preo do ouro no estatisticamente
diferente de zero, no faz nenhum sentido tentar saber se diferente de um.
(d) & (e) Com o procedimento habitual do teste t, obtemos:
t=
2,129 1
= 4,91 . Como
0, 230
esse valor excede o t crtico de 2,160, rejeitamos a hiptese nula. O coeficiente

estimado realmente maior que um. Para o perodo estudado, o investimento no
mercado de aes foi provavelmente uma garantia contra a inflao. Foi, certamente,
um hedge muito melhor que o investimento em ouro.
5.14 (a) No parece haver uma melhor que as outras, todos os resultados estatsticos
so muito parecidos. Todos os coeficientes angulares so estatisticamente
significativos no nvel de confiana de 99%.
(b) No podemos usar os r2 consistentemente elevados para decidir qual a melhor
definio de moeda. Isso, entretanto, no quer dizer que o tipo de equao usada no
faa diferena.

(c) No se pode dizer isso a partir dos resultados da regresso. Mas, recentemente, o
FED parece estar visando a M2.
5.15 Escreva assim o modelo da curva de indiferena:
1
Yi = 1 + 2 + ui . Repare
Xi
que agora 1 passou a ser o coeficiente angular e 2 o intercepto. Mas este , ainda,
um modelo de regresso linear, pois os parmetros so lineares (veja o Captulo 6). Os
resultados da regresso so os seguintes:
1
Yi = 3, 2827
Xi
ep = (1,2599)
+ 1,1009
(0,6817)
r2 = 0,6935.
O coeficiente angular estatisticamente significativo no nvel de confiana de 92%. A

taxa marginal de substituio (TMS) de Y por X :
5.16 (a) Seja o modelo:
Y
1
= 0,3287( 2 ) .
X
Xi
Yi = 1 + 2 X 2i + ui , em que Y a taxa de cmbio vigente e X
a PPC implcita. Caso a PPC esteja certa, esperase, a priori, que o intercepto seja zero
e o coeficiente angular, um.
(b) Os resultados da regresso so os seguintes:
Yi = 24,6338 + 0,5405 Xi
ep = (19,5071) (0,0094)
t = (1,2628) (57,1016)
r2=0,9917.
Para testar a hiptese de que 2 = 1, aplicamos teste:
t=
0,5405 1
= 48,88 . Esse
0, 0094
valor muito significativo e leva rejeio da hiptese nula. O coeficiente angular ,

na verdade, menor que um. A partir da regresso dada, o leitor pode facilmente
verificar que o coeficiente do intercepto no diferente de zero, pois o valor t, sob a
hiptese de que o intercepto verdadeiro zero, somente 1,2628.
[N] Nota: Deveramos, na verdade, testar simultaneamente as hipteses (conjuntas)
de que o intercepto zero e o coeficiente angular, 1. No Captulo 8, veremos como
isso feito.
(c) Em primeiro lugar, como o ndice Big Max tosco e engraado, no tem a menor
importncia. Mesmo assim, para os dados da amostra, os resultados no apiam a
teoria.
5.17 Se Y for a representao da pontuao em matemtica dos homens e X a das
mulheres, obtemos a seguinte regresso:
Yi = 175,975 + 0,714 Xi

ep = (20,635) (0,045)
t = (8,528) (15,706)
r2 = 0,918.
(b) A estatstica Jarque-Bera 1,0317 com um valor p de 0,5970. Assintoticamente,
portanto, no podemos rejeitar a premissa de normalidade.
(c)
t=
0, 714 1
= 6,36 . Logo, podemos rejeitar a hiptese de que 2 = 1 com 99% de
0, 045
confiana.
(d) A tabela ANOVA :
Fonte da variao
Devido regresso
(SQE)
Devido aos resduos
(SQR)
STQ
SQ
948,193
gl
1
MSQ
948,193
87,782
22
3,990
1071,975
23
Sob a hiptese nula de que 2 = 0, o valor F 264,665. O valor p de se obter tal F

quase zero, o que leva rejeio da hiptese nula.
5.18 (a) Os resultados da regresso so os seguintes:
Yi = 148,135 + 0,673 Xi
ep = (11,653) (0,027)
t = (12,713) (25,102)
r2 = 0,966.
(b) A estatstica de Jarque-Bera 1,243 com um valor p de 0,5372.
portanto, rejeitar a hiptese nula de no-normalidade.
(c) Sob a hiptese nula, obtemos:
t=
Podemos,
0, 673 1
= 12,11 . O valor t crtico no nvel de 5%
0, 027
2,074. Assim, podemos rejeitar a hiptese nula de que o coeficiente angular

verdadeiro 1.
(d) Os valores de SQE, SQR e STQ so, respectivamente, 3157,586 (gl 1), 110,247 (gl
22) e 32367,833 (gl 23). Sob a hiptese nula habitual, o valor F 630,131. O valor p
de se conseguir tal F quase zero. Podemos, portanto, rejeitar a hiptese nula de que
no h relao entre as duas variveis.
5.19 (a) O diagrama de disperso e a linha de regresso estimada so os seguintes:
VERTICAL = IPC
HORIZONTAL = IPP
(b) Use o IPC, que representa os preos pagos pelos consumidores, como regressando,
e o IPP, que representa os preos pagos pelos produtores, como regressor, porque o
primeiro o segundo com acrscimos.
(c) & (d) A tabela a seguir, apresentada conforme entregue pelo pacote de software
estatstico Eviews 3, fornece os dados necessrios:
Varivel dependente:
IPC
Mtodo:
mnimos
quadrados
Data:
23/06/00
Hora: 16:50
Amostra: 1960 1999
Observaes
includas: 40
Varivel
C
IPP
R-quadrado
Coeficiente
13,77536
1,269994
0,958696
R-quadrado ajustado
0,957609
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
9,887937
3715,309
147,3843
0,093326
Erro-padro
Estatstica-t
3,710747
3,712286
0,042763
29,69864
Desviopadro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0007
0,0000
86,17000
48,02523
7,469215
7,553659
882,0093
0,000000
O valor t estimado do coeficiente angular 29,6986 sob a hiptese nula de que no h

relao entre os dois ndices. O valor p (probabilidade) de se obter tal valor t quase
zero, o que indica a rejeio da hiptese nula.
A seguir esto o histograma e o teste Jarque-Bera baseados nos resduos da regresso
anterior.
Srie: Resduos
Amostra 1960 1999
Observaes 40
Mdia
Mediana
Mximo
Mnimo
Desviopadro
7,11E-15
3,781548
21,84709
19,05008
9,760345
Curtose
0,119726
2,620663
Jarque-Bera
Probabilidade
0,335390
0,845612
Assimetria
A estatstica Jarque-Bera 0,3335 com um valor p de 0,8456. No podemos, portanto,

rejeitar a premissa de normalidade. O histograma tambm mostra que os resduos tm
distribuio razoavelmente simtrica.

CAPTULO 6
EXTENSES DO MODELO DE REGRESSO LINEAR DE DUAS VARIVEIS
6.1 (a) Verdadeiro. Repare que a frmula MQO padro para estimar o intercepto :
= (mdia do regressando
2 mdia do regressor).
Mas quando X e Y esto em formato de desvio, seus valores so sempre zero. Da o

intercepto estimado tambm ser zero nesse caso.
6.2 (a) & (b) Est includo na primeira equao um termo de intercepto que, por no
ser estatisticamente significativo no nvel de, digamos, 5%, pode ser retirado do
modelo.
(c) Para os dois modelos, o aumento de um ponto percentual na taxa de retorno
mensal do mercado leva a um aumento mdio de cerca de 0,76 ponto percentual na
taxa de retorno mensal das aes ordinrias da Texaco ao longo do perodo estudado.
(d) Conforme tratamos no Captulo 6 do livro-texto, esse modelo representa a linha
caracterstica da teoria do portflio. O modelo relaciona, no caso em tela, o retorno
mensal de aes da Texaco ao retorno mensal do mercado, como representado por um
amplo ndice de mercado.
(e) No, os r2 no so comparveis. O do modelo sem intercepto o r2 bruto.
(f) Como a amostra relativamente grande, podemos usar o teste de normalidade de
Jarque-Bera. A estatstica JB quase a mesma para os dois modelos, isto , 1,12, e o
valor p de se obter tal valor JB de aproximadamente 0,57. Portanto, no se pode
rejeitar a hiptese de que os termos de erro seguem uma distribuio normal.
(g) De acordo com o comentrio de Theil visto no captulo, se o termo do intercepto
estiver ausente do modelo, ento passar a regresso pela origem pode resultar em
estimativa muito melhor do coeficiente angular, como ocorre nesse caso.
6.3 (a) um modelo de regresso linear, pois linear nos parmetros.
(b) Defina Y* = (1/Y) e X* = (1/X) e faa uma regresso MQO de Y* contra X*.
(c) Quando X tende ao infinito, Y tende a (1/ 1).
(d) Pode ser que este modelo seja adequado para explicar o baixo consumo de um
produto, como um bem inferior, quando a renda aumenta.

6.4
SLOPE = 1 - INCLINAO = 1; SLOPE > 1 INCLINAO > 1; SLOPE < 1 INCLINAO

<1
6.5 Para o modelo I, sabemos que
2 =
xi yi
2
i
, em que X e Y esto em formato de
desvio.
De forma semelhante, obtemos para o modelo II:
2 = *2i
x* yi*
xi
( x / S )( y / S
(x / S )
i
(x y ) / S S
x /S
i
i
2
i
x
2
x
S x xi yi
Sy x
2
i
Sx
2 , o que demonstra
Sy
que os coeficientes angulares no so independentes da mudana de escala.

6.6 (a) Podese escrever o primeiro modelo como: ln( w1Yi ) = 1 + 2 ln( w2 X i ) + ui , ou
*
seja,
ln w1 + ln Yi = 1 + 2 ln w2 + 2 ln X i + ui* , aplicando propriedades dos logaritmos. Como

os w so fatores de escala constantes, podemos simplificar esse modelo assim:
ln Yi = (1 + 2 ln w2 ln w1 ) + 2 X i + ui* = A + 2 ln X i + ui* ,
A = (1 + 2 ln w2 ln w1 ) .
em
que

Comparando este com o segundo modelo, constataremos que so iguais, a no ser
pelo intercepto. Dessa forma, os coeficientes angulares estimados tambm sero
iguais, apenas com interceptos estimados diferentes.
(b) O r2 o mesmo para ambos os modelos.
6.7 A Equao (6.6.8) um modelo de taxa de crescimento, ao passo que a (6.6.10)
um modelo de tendncia linear. A primeira fornece a mudana relativa no regressando,
e a segunda, a mudana absoluta. Para fins de comparao, a mudana relativa deve
ser mais significativa.
6.8 A hiptese nula de que o coeficiente angular verdadeiro 0,005. A hiptese
alternativa pode ser uni ou bilateral. Supondo que usemos esta ltima, o coeficiente
angular
estimado
0,00743.
Aplicando
o
teste
t,
obtemos:
t=
0, 00743 0, 005
= 14, 294 , um valor muito significativo. Podemos, portanto, rejeitar
0, 00017
a hiptese nula.
6.9 Pode-se obter assim: 18,5508/3,2514 = 5,7055%, aproximadamente.
6.10 Conforme tratado na Seo 6.7 do texto, o modelo de Engel representado na
Figura 6.6(c) deve ser adequado maioria dos bens. Assim, a escolha deve recair
sobre o segundo modelo dado no exerccio.
6.11 O modelo, como est, no linear nos parmetros. Mas podemos aplicar um
macete para transformlo em linear: tire o logaritmo natural da razo entre Y e (Y
1). Ou seja, faa a seguinte regresso:
ln
Yi
= 1 + 2 X i .
1 Yi
Esse modelo conhecido como logit, e ser discutido no captulo sobre variveis
dependentes qualitativas.
6.12 (a)
(b)
Problemas
6.13
1
100
= 2, 0675 + 16, 2662
100 Yi
Xi
ep = (0,1596)
(1,3232)
r2 = 0,9497
100
se aproxima do valor limite de
100 Y
medida que X cresce indefinidamente,
2,0675, o que significa que Y tende ao valor limite aproximado de 51,6.

V
log = 0,4526 + 1,3338logW
L
Para
ep = (1,3515)
(0,4470)
melhor
testar
1,3338 1
t=
= 0, 7468 .
0, 4470
r2 = 0,4070.
hiptese
nula,
aplique
teste
como
segue:
Para gl 13, o valor t crtico a 5% (bicaudal) 2,16. No se pode, portanto, rejeitar a

hiptese nula de que a elasticidade de substituio verdadeira entre capital e trabalho
seja 1.
6.15 (a) Se estivermos convictos, a priori, de que havia uma relao um para um
rigorosa entre os dois deflatores, o modelo adequado seria aquele sem o intercepto.
(b) Modelo I:
Yi = 516,0898 + 0,5340 Xi
ep = (40,5631) (0,0217)
Modelo II:
r2 = 0,9789.
Yi = 0,7950
r2 = 0,7161*
ep = (0,0255
* Nota: Este r2 no diretamente comparvel ao anterior.

Como o intercepto estatisticamente significativo no primeiro modelo, ajustar o
segundo resultar em vis de especificao.
(c) Podese usar o modelo duplo-log.
6.16 Seguem os resultados da regresso:
Yi * = 0,9892 X i*
ep = (0,0388)
r2 = 0,9789
A cada incremento de 1 no deflator do PIB para as importaes, h, em mdia, um

incremento de 0,9892 no deflator do PIB para bens produzidos internamente. Repare
que esse resultado comparvel quele do exerccio anterior quando se nota a relao
entre os coeficientes angulares das regresses padronizadas e no-padronizadas.
Conforme a
, em que * indica o coeficiente angular da
regresso padronizada. No problema anterior, encontramos 2 = 0,5340. Sy e Sx so
Equao (6.3.8) do livrotexto,
Sx
Sy
2* = 2
dados como 346 e 641 respectivamente. Assim,
Sx
Sy
641
*
= 0,5340
= 0,9892 = 2 .
346
6.17 Para obter a taxa de crescimento das despesas com bens durveis, podemos
ajustar o modelo log-lin, cujos resultados so os seguintes:
ln DESPDURt = 6,2217 + 0,0154 t
ep = (0,0076) (0,000554)
r2 = 0,9737.
Essa regresso mostra que, ao longo do perodo estudado, a taxa trimestral de

crescimento das despesas com bens durveis foi de aproximadamente 1,5%. Ambos os
coeficientes estimados so individualmente significativos em termos estatsticos, uma
vez que os valores p so extremamente baixos. No seria muito lgico fazer neste caso
uma regresso duplo-log, tal como:
ln DESPDURt = 1 + 2 ln tempo + ut..
Uma vez que o coeficiente angular deste modelo o coeficiente de elasticidade, qual
o significado da afirmao de que um aumento de 1% no tempo leva a um aumento de
2% nas despesas com bens durveis?
6.18 Os resultados correspondentes para o setor de bens no-durveis so:
ln DESPNAODURt = 7,1929 + 0,0062 t
ep = (0,0021) (0,00015)
r2 = 0,9877.
Podese ver por esses resultados que, ao longo do perodo estudado, a taxa trimestral
de crescimento das despesas com bens no-durveis foi de aproximadamente 0,62%.
Comparando os resultados das regresses dos Problemas 6.17 e
despesas com bens durveis aumentaram a uma taxa bem maior
bens no-durveis ao longo do perodo 1993:01 a 1998:03, fato
um dos mais longos perodos de expanso econmica na histria
no nenhuma surpresa.
6.18, parece que as

do que aquelas com
que, tendo em vista
dos Estados Unidos,
6.19 O diagrama de disperso das impresses retidas em relao s despesas com

publicidade o seguinte:
VERTICAL = IMPRESSES
HORIZONTAL = DESPPUB
Embora a relao entre as duas variveis parea ser positiva, no est claro qual curva
se ajustar aos dados. Fornecemos a seguir uma tabela com resultados de regresses
baseadas em alguns modelos.
Modelo
Intercepto
Coef. angular
r2
Linear
22,1627
0,3631
0,4239
(3,1261)
(2,7394)
58,3997
-314,6600
(78,0006)
(-3,5348)
1,2999
0,6135
(3,686)
(5,1530)
3,9955
-10,7495
(21,7816)
(-4,8053)
Recproco
Duplo-log
Log
recproco
0,3967
0,5829
0,5486
Nota: Os nmeros entre parnteses so os valores t estimados. Em todas as

regresses, o regressando impresses e o regressor despesas com publicidade.
Deixamos ao leitor a comparao entre os vrios modelos. Repare que os valores r2
dos dois primeiros so comparveis, pois o regressando o mesmo para ambos. Da
mesma forma, so comparveis os r2 dos dois ltimos modelos. Por qu?

CAPTULO 7
ANLISE DE REGRESSO MLTIPLA: O PROBLEMA DA ESTIMAO
7.1 Os resultados das regresses so:
1 = 3, 00; 2 = 3,50
1 = 4, 00; 2 = 1,357
1 = 2, 00; 2 = 1, 00; 3 = 1, 00
(a) No. Dado que o modelo (3) o verdadeiro, 2 um estimador tendencioso de
2 .
(b) No. Pela mesma razo de (a),
um estimador tendencioso de
3 .
A lio aqui que uma equao mal especificada pode levar estimao tendenciosa
dos parmetros do modelo verdadeiro.
7.2 Aplicando as frmulas dadas no texto, os resultados da regresso so os
seguintes:
Yi = 53,1612 + 0,727X2i + 2,736X3i

ep=
(0,049)
R 2 = 0,9988
(0,849)
R 2 = 0,9986.
7.3 Omitindo o subscrito de observao i por convenincia, recorde que:
2 =
( yx2 )( x32 ) ( yx3 )( x2 x3 )

( x22 )( x32 ) ( x2 x3 ) 2
( yx2 ) ( yx3 )b23
( x ) b23 ( x2 x3 )
2
2
, aplicando
b23 =
( yx2 ) ( yx3 )( x2 x3 ) /( x32 )

( x22 ) ( x2 x3 )2 /( x32 )
( x2 x3 )
( x )
2
3
2 =
y( x b
x (x b
2
x)
23 3
23 3
x)
7.4 Como foi informado que ui N (0, 4) , gere, por exemplo, 25 observaes a partir
de uma distribuio normal com esses parmetros, o que a maioria dos softwares faz
normalmente. Dessas observaes, calcule a varincia da amostra como
(X
=
X )2
24
, em que Xi o valor observado de ui na amostra de 25 observaes.
Repita este exerccio, digamos, outras 99 vezes, para completar 100 experimentos. Ao
final, haver 100 valores de S2. Tire a mdia desses valores, que dever estar em

torno de 2 = 4. s vezes, podem ser necessrias mais de 100 amostras para se
conseguir uma boa aproximao.
7.5 A partir da Equao (7.11.7) do texto, temos

2
r12.3
=
2
. Logo,
R 2 = r132 + (1 r132 ) r12.3
R 2 r132
.
1 r132
Este o coeficiente de determinao parcial, e pode-se interpret-lo como o

coeficiente que descreve a proporo da variao da varivel dependente no
explicada pela varivel X3, mas explicada pela incluso de X2 ao modelo.
7.6 Pode-se escrever a equao dada como:
X1 = (2 / 1)X2 + (3 / 1)X3, ou
X2 = (1 / 2)X1 + (3 / 2)X3, ou
X3 = (1 / 3)X1 + (2 / 3)X2 .
Assim, os coeficientes de regresso parcial seriam os seguintes:
12.3 = (2 / 1); 13.2 = (3 / 1)
21.3 = (1 / 2); 23.1 = (2 / 3)
31.2 = (1 / 3); 32.1 = (2 / 3).
Relembrando a Questo 3.6, temos
r12.3 = ( 12.3 )( 21.3 ) =
( 2 )(1 )
= 1 = 1 .
(1 )( 2 )
7.7 (a) No. O valor absoluto de r no pode ser maior que um. Aplicando Equao
(7.11.2) os dados fornecidos, obteremos r12.3 = 2,295, o que, logicamente,
impossvel.
(b) Sim. Seguindo o mesmo procedimento de (a), encontraremos r12.3 = 0,397, um
resultado possvel.
(c) Sim. Da mesma forma pode-se demonstrar que r12.3 = 0,880, outro resultado
possvel.
7.8 Se excluirmos do modelo a varivel anos de experincia (X3), o coeficiente de
escolaridade (X2) ser tendencioso, e a natureza do vis depender da correlao entre
X2 e X3. O erro-padro, a soma residual dos quadrados e R2 sero afetados em
conseqncia dessa excluso. Este um caso de vis de varivel excluda.
7.9 Os coeficientes angulares nos modelos duplo log fornecem estimativas diretas da
elasticidade (constante) da varivel do lado esquerdo em relao varivel do lado
direito. Neste caso:
ln Y
Y / Y
ln Y
Y / Y
=
= 2 e
=
= 3 .
ln X 2 X 2 / X 2
ln X 3 X 3 / X 3
7.10 (a) & (b) Se multiplicarmos X2 por 2, verificaremos pelas Equaes (7.4.7) e
(7.4.8) do texto que os coeficientes angulares no sero afetados. Se, por outro lado,
multiplicarmos Y por 2, os coeficientes angulares, assim como os interceptos e seus
erros-padro, sero multiplicados por 2. Sempre tenha em mente as unidades em que
o regressando e os regressores so medidos.
7.11 A partir da Equao (7.11.5), sabemos que: R =
2
r122 + r132 2r12 r13 r3

. Portanto,
1 r232
quando r23 = 0, isto , no h correlao entre X2 e X3, R = r12 + r13 , ou seja, o

2
coeficiente de determinao mltiplo a soma dos coeficientes de determinao na

regresso de Y contra X2 e na de Y contra X3.
7.12 (a) Reescreva o modelo B como:
Yi = 1 + (1 + 2 ) X 2t + 3 X 3t + ut = 1 + 2* X 2t + 3 X 3t + ut , em que 2* = (1 + 2 ) . Os dois
modelos so, portanto, similares. Sim, os interceptos nos modelos so iguais.
(b) As estimativas de MQO do coeficiente angular de X3 sero iguais nos dois modelos.
(c)
2* = (1 + 2 ) = 2 .
(d) No, porque os regressandos so diferentes nos dois modelos.

7.13
2 =
(a)
yi xi
2
i
Aplicando
( x z )( x ) = x ( z x ) = 1
x
x x
i
i
2
i
2
i
2
i
i i
2
i
MQO,
obtemos:
Ou seja, o coeficiente angular da regresso de poupana contra renda (quer dizer, a

propenso marginal a poupar) igual a um menos o coeficiente angular da regresso
de consumo contra renda (quer dizer, a propenso marginal a consumir). Dito de outra
forma, a soma das duas propenses marginais igual a 1, como, alis, no poderia
deixar de ser, pois a receita total igual ao total das despesas de consumo mais o
total das poupanas. A propsito, repare que
1 = 1 .
(b) Sim. A SQR para a funo consumo :
(Y
i
2 X i ) 2 . Agora, substitua
( X i Yi ) por Zi , 1 = 1 , e 2 = (1 2 ) e verifique que as duas SQR so iguais.

(c) No, porque os dois regressandos no so iguais.

7.14 (a) Conforme visto na Seo 6.9, para aplicar o modelo normal de regresso
linear clssico (MNRLC), necessrio presumir que ln ui N(0,2). Depois de estimar o
modelo Cobb-Douglas, obtenha os resduos e submeta-os ao um teste de normalidade,
tal como o Jarque-Bera.
(b) No. Como vimos na Seo 6.9, ui log normal
[e
/2
, e (e 1)] .
2
7.15 (a) As equaes normais seriam:
Y X
Y X
i
2i
3i
= 2 X 22i + 3 X 2i X 3i
= 2 X 2i X 3i + 3 X 32i .
(b) No, pela mesma razo do caso de duas variveis.

(c) Sim, essas condies so vlidas.
(d) Depender da teoria subjacente.
(e) Isso uma generalizao simples das equaes normais dadas anteriormente.
Problemas
7.16 (a) Modelo linear:
Yt = 10816,04 2227,704X2i + 1251,141X3i + 6,283X4i 197,399X5i

ep = (5988,348) (920,538)
= 0,835
(1157021)
(29,919)
(101,156)
R2
Neste modelo, os coeficientes angulares medem a taxa de variao de Y em relao

varivel pertinente.
(b) Modelo loglinear:
ln Yt = 0,627 1,274 lnX2i + 0,937 lnX3i + 1,713 lnX4i 0,182 lnX5i
ep = (6,148)
0,778
(0,527)
(0,659)
(1,201)
(0,128)
R2 =
Neste modelo, todos os coeficientes angulares parciais so elasticidades parciais de Y

em relao varivel pertinente.
(c) Espera-se que a elasticidade preo prpria seja negativa, a preo cruzada seja
positiva para bens substitutos e negativa para bens complementares, e a elasticidade
renda seja positiva, j que rosas so um bem normal.

(d) A frmula geral para a elasticidade das equaes lineares : Elasticidade =
Y X i
, em que X i o regressor pertinente.
X i Y
(e) Os dois modelos apresentam resultados semelhantes. Uma vantagem do modelo
log-linear que os coeficientes angulares fornecem estimativas diretas da elasticidade
(constante) da varivel pertinente em relao ao regressor sob avaliao. Mas tenha
em mente que os R2 no so comparveis diretamente.
7.17 (a) A priori, todas as variveis parecem relevantes para explicar a atividade de
prospeco de petrleo. Espera-se que todos os coeficientes angulares sejam positivos,
exceto o da varivel de tendncia, que pode ser positivo ou negativo.
(b) O modelo estimado :
Yi = -37,186 + 2,775X2i + 24,152X3i - 0,011X4i - 0,213X5i

ep = (12,877)
(0,57)
(5,587)
(0,008)
(0,259)
R 2 = 0,656
R 2 = 0,603.
(c) As variveis preo por barril e produo interna so estatisticamente significativas
no nvel de 5%, e seus sinais esto de acordo com as expectativas. As outras variveis
no so estatisticamente diferentes de zero.
(d) Outra especificao pode ser o modelo log-linear que, alm de fornecer estimativas
diretas das elasticidades, pode amarrar caractersticas no-lineares (nas variveis), se
houver.
7.18 (a) Os resultados da regresso so:
Yi = 19,443 + 0,018X2i - 0,284X3i + 1,343X4i + 6,332X5i

ep = (3,406) (0,006)
(0,457)
(0,259) (3,024)
R 2 = 0,978
R 2 = 0,972
R 2 modificado = 0,734.
(b) A priori, esperava-se que todos os coeficientes angulares fossem positivos.
exceo do coeficiente para as vendas militares dos Estados Unidos, todas as outras
variveis so estatisticamente significativas no nvel de 5%, e seus sinais esto de
acordo com as expectativas.
(c) Despesas federais globais e algum tipo de varivel de tendncia podem ser muito
importantes.
7.19 (a) O modelo (5) parece ser o melhor porque abrange todas as variveis
economicamente relevantes, inclusive o preo real dos substitutos da carne de frango,
o que deve ajudar a minorar o possvel problema de multicolinearidade entre o preo

da carne bovina e o da carne suna existente no modelo (4). O modelo (1) no tem
informaes sobre os substitutos, e elas so limitadas nos modelos (2) e (3).
(b) O coeficiente de lnX2 representa a elasticidade de renda, e o de lnX3 representa a
de preo prprio.
(c) O modelo (4) considera as carnes suna e bovina como bens substitutos, ao passo
que o (2) considera apenas a suna.
(d) Pode haver um problema de multicolinearidade entre o preo da carne bovina e o
da suna.
(e) Sim. Isso deve amenizar o problema da multicolinearidade.
(f) Devem ser bens substitutos porque competem com a carne de frango como produto
de consumo.
(g) Os resultados da regresso do modelo (5) so os seguintes:
ln Yt = 2,030 + 0,481 lnX2t - 0,351 lnX3t - 0,061 lnX6t
ep = (0,119) (0,068)
(0,079)
(0,130)
R 2 = 0,980
R 2 = 0,977
R modificado = 0,810.
As elasticidades renda e preo prprio tm os sinais corretos.
(h) A conseqncia de estimar o modelo (2) seria a possibilidade de tendenciosidade
dos estimadores devido a erro de especificao do modelo. Esse assunto detalhado
no Captulo 13.
7.20 (a) Ceteris paribus 1 , as interpretaes so as seguintes, em mdia:
um aumento de 1% na taxa de desemprego leva a um aumento de 0,34% na

taxa de desistncia do emprego;
um aumento de 1% no percentual de empregados com menos de 25 anos leva
a um aumento de 1,22% na taxa de desistncia do emprego;
um aumento de 1% na razo de empregados na indstria no trimestre leva a
um aumento de 1,22% na taxa de desistncia do emprego;
um aumento de 1% no percentual de mulheres empregadas leva a um aumento
de 0,80% na taxa de desistncia do emprego;
ao longo do perodo estudado, a taxa de desistncia do emprego baixou razo
de 0,54% ao ano.
(b) Sim, esperase que a taxa de desistncia e a de desemprego estejam

negativamente relacionadas.
Ceteris paribus Expresso latina muito usada em Economia e que significa Todos os outros fatores se mantendo
constantes.

(c) medida que aumenta a contratao de pessoas com menos de 25 anos, a
expectativa que a taxa de desistncia aumente por causa da rotatividade entre os
trabalhadores mais jovens.
(d) A taxa de queda 0,54%. Motivos provveis para essa queda seriam as melhorias
nas condies de trabalho e nos benefcios de penses ao longo do tempo.
(e) No. O significado de baixo relativo.
(f) Como os valores t so dados, podemos facilmente calcular os erros-padro. Sob a
hiptese nula de que 1 verdadeiro zero, temos a relao:
t=
ep( i ) = i
t
ep( i )
M = 1,2394 + 0,5243 ln PIBR 0,0255 ln TJCP

ln
2
ep = (0,6244) (0,1445)
(0,0513)
R2 = 0,7292.
Os resultados da regresso com a TJLP so os seguintes:
M = 1,4145 + 0,4946 ln PIBRt 0,0516 ln TJLPt

ln
2t
ep = (1,3174) (0,2686)
(0,1501)
R2 = 0,7270.
As elasticidades renda (0,5243 ou 0,4946) e taxa de juros (0,0255 ou 0,0516) no

so muito diferentes, mas, como veremos no Captulo 8, a regresso usando a TJCP
apresenta melhores resultados estatsticos.
(b) A razo M/PIB conhecida na literatura como o k da equao de Cambridge
(Cambridge k), que representa a proporo da renda que as pessoas querem ter em
dinheiro. uma relao sensvel taxa de juros, uma vez que esta representa o custo
de se guardar o dinheiro, o qual em geral no produz grandes ganhos com juros.
Seguem os resultados da regresso:
M
ln 2 = 3,4785 0,1719 ln TJCPt
PIB t
ep = (0,0780) (0,0409)
r2 = 0,5095.
M
ln 2 = 3,8318 0,3123 ln TJLPt
PIB t
ep = (0,1157) (0,0532)
r2 = 0,6692.
Sendo ambas as regresses bivariadas, podemos verificar que, em termos estatsticos,

o Cambridge k est inversamente relacionado taxa de juros, conforme as
expectativas. Em termos numricos, mais sensvel s taxas de longo prazo do que s
de curto prazo. Como a varivel dependente a mesma nos dois modelos, pode-se ver
que o r2 obtido com a TJLP apresenta um ajuste muito melhor.
(c) A resposta est no Exerccio 8.29.

7.22 (a) Seguem os resultados do ajuste da funo de produo Cobb-Douglas
fornecidos pelo software Eviews 3:
Varivel
dependente:
LOG(PRODUO)
Amostra: 1961 1987
Observaes includas:
27
Varivel
C
LOG(MO-DE-OBRA)
LOG(CAPITAL)
R-quadrado
Coeficiente
-11,93660
2,328402
0,139810
0,971395
R-quadrado ajustado
0,969011
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,081229
0,158356
31,06171
0,373792
Erro-padro
Estatstica-t
3,211064
-3,717335
0,599490
3,883972
0,165391
0,845330
Desviopadro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0011
0,0007
0,4063
4,493912
0,461432
-2,078645
-1,934663
407,5017
0,000000
As elasticidades estimadas produo/mo-de-obra e produo/capital so positivas,

como era de se esperar. Mas veremos no prximo captulo que os resultados,
economicamente falando, no fazem sentido porque o capital no tem relao com a
produo, fato que, se verdadeiro, seria surpreendente. Como veremos, o problema
com os dados talvez seja a colinearidade.
(b) Os resultados da regresso so os seguintes:
Varivel
dependente:
LOG(PRODUTIVIDADE)
Data: 29/07/2000 Hora: 18:11
Amostra: 1961 1987
Observaes includas:
27
Varivel
Coeficiente
C
-1,155956
LOG(RELAO
0,680756
CAP/MDO)
R-quadrado
0,903345
R-quadrado ajustado
0,899479
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,096490
0,232758
25,86218
0,263803
Erro-padro
0,074217
Estatstica-t
-15,57533
Probabilidade
0,0000
0,044535
15,28571
0,0000

Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
-2,254332
0,304336
-1,767569
-1,671581
233,6528
0,000000
A elasticidade de produo/mo-de-obra (isto , produtividade da mo-de-obra) em

relao razo capital/mo-de-obra de aproximadamente 0,68, indicando que se

esta aumenta em 1%, a produtividade sobe cerca 0,68%, em mdia. Um das principais
caractersticas das economias desenvolvidas uma relao capital/mo-de-obra
relativamente elevada.
7.23 Repare que usamos todas as 528 observaes para estimar a regresso cujos
resultados so mostrados a seguir:
Varivel
dependente:
LOG(SALRIOM)
Amostra: 1 528
Observaes includas:
528
Varivel
Coeficiente
C
4,661661
LOG(ESTUDO)
-3,165721
0,836412
[LOG(ESTUDO)]2
R-quadrado
0,157696
R-quadrado ajustado
0,154488
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,479275
120,5946
-3593609
1,909008
Erro-padro
Estatstica-t
1,954190
2,385470
1,566685
-2,020650
0,313436
2,668524
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0174
0,0438
0,0079
2,063647
0,521224
1,372579
1,396835
49,14535
0,000000
Este um modelo duplo-log, e, portanto, os coeficientes angulares medem

elasticidade. Os resultados sugerem que o percentual de mudana dos salrios por
hora diminui medida que aumentam os anos de estudo, mas a uma taxa maior, ou
seja, torna-se menos negativa.
(b) No possvel estimar esse modelo devido perfeita colinearidade. fcil ver isso
com as propriedades dos logaritmos: log(estudo) = 2log(estudo).
7.24 Este exerccio para ser feito em aula. Observe que sua resposta depender do
nmero de repeties que fizer. Quanto maior esse nmero, melhor ser a
aproximao.

CAPTULO 8
ANLISE DE REGRESSO MLTIPLA: O PROBLEMA DA INFERNCIA
8.1 (a) No primeiro modelo, em que vendas uma funo linear de tempo, foi
postulado que a taxa de mudana daquela (dY/dt) constante e igual a 1, qualquer
que seja o tempo t. No segundo modelo, a taxa de mudana no constante porque
(dY/dt) = 1 + 2 2t, que depende de t.
(b) O mais simples a fazer representar Y em relao ao tempo. Se o grfico
resultante ficar parecido com uma parbola, talvez o modelo quadrtico seja
adequado.
(c) Esse modelo pode ser apropriado para descrever o perfil dos ganhos de um
indivduo. Tipicamente, quando se entra no mercado de trabalho, os ganhos iniciais
so baixos. Aumentam em seguida devido experincia acumulada com o tempo, mas
comeam a diminuir depois de certa idade.
(d) Procure na Internet sites de fabricantes de automveis, revistas especializadas
como a Motor Magazine ou associaes como a American Automobile Association para
encontrar os dados relativos venda de automveis nos Estados Unidos nos ltimos
20 anos.
8.2 F =
( SQEnovo SQEvelho ) / NR
, Equao (8.5.16) do texto, em que NR o nmero
SQRnovo /( n k )
de novos regressores. Divida o numerador e o denominador por STQ e recorde que
R2 =
SQE
SQR
2
e que (1 R ) =
.
STQ
STQ
Substituindo essas expresses em (8.5.16), obteremos (8.5.18).

8.3 Esse um problema de definio. Conforme mencionado no captulo, a regresso
sem restries conhecida como maior, e aquela com restries, como menor. A
diferena entre elas o nmero de regressores includos nos modelos.
8.4 Nas estimaes MQO, minimizamos a SQR sem aplicar nenhuma restrio aos
estimadores. Desse modo, a SQR nesse caso representa a mnima verdadeira, ou
SQRSR. Quando aplicamos restries a um ou mais parmetros, podemos no obter a
SQR mnima absoluta devido s restries impostas. (Os que estudam Matemtica se
recordaro dos mtodos de otimizao com e sem restries.) Ento, SQRR>SQRSR, a
menos que as restries sejam vlidas, caso em que os dois termos sero iguais.
Relembrando que R = 1
2
SQRSR
SQRR
SQR
2
RR2 = 1
, temos RSR = 1
.
SQT
SQT
SQT

Repare que quer usemos a regresso com restries quer aquela sem restries, a
n
SQT permanece a mesma, j que simplesmente igual a
(Y Y ) .
i
8.5 (a) Seja * = (2 + 3 1) o coeficiente de log K. Teste a hiptese nula de que *

= 0 com o teste t habitual. Se houver mesmo retornos de escala constantes, o valor t
ser pequeno.
(b) Se definirmos que a relao produo/capital, medida da produtividade do capital,
(Y/K), e que a relao mo-de-obra/capital (L/K), o coeficiente angular dessa
regresso dar a variao mdia percentual da produtividade do capital para um
percentual de variao da relao mo-de-obra/capital.
(c) Embora a anlise seja simtrica, se assumirmos que h retornos de escala
constantes, ento o coeficiente angular dar a variao mdia percentual da
produtividade da mo-de-obra (Y/L) para um percentual de variao da relao
capital/mo-de-obra (K/L). O que distingue os pases desenvolvidos daqueles em
desenvolvimento a elevada relao capital/mo-de-obra existente nas economias dos
primeiros.
8.6 Comece escrevendo assim a Equao (8.5.11):
F=
(n k ) R 2
, que pode ser
(k 1)(1 R 2 )
(k 1)
R2
=
. Da, com algumas manipulaes algbricas, obtemos:
(n k ) (1 R 2 )
F (k 1)
R2 =
, que o resultado que queramos.
F (k 1) + (n k )
reescrita:
Para a regresso (8.2.1), n = 64 e k = 3. Portanto,

aproximadamente. (Nota: Use gl 60 em vez de 62).
Levando
esses
valores
frmula
anterior
de
F0,05(2,62)
R,
3,15,
obtemos:
2(3,15)
6,30
R2 =
=
= 0, 0936 .
2(3,15) + 61 67,3
Este o valor crtico de R no nvel de significncia de 5%. Como o valor observado de
R de 0,07077 em (8.2.1) excede em muito o valor crtico, rejeitamos a hiptese nula
de que o verdadeiro R zero.
8.7 Como a Equao (2) uma forma com restries da Equao (1), podemos
calcular primeiro a relao F dada na Equao (8.5.18):
F=
2
2
( Rnovo
Rvelho
) /1 (0,9776 0,9388)
=
= 27, 033 .
2
(1 Rnovo )(n k )
(1 0,9776) /17
Agora, lembre-se de que
F1,17 = t172 . Ou seja, 27, 033 = t172 , que d t = 27, 033 = 5,1993 .
Sob a hiptese nula de que o coeficiente angular verdadeiro da varivel tendncia seja

zero, obtemos:
t=
3
,
ep ( 3 )
da ep ( 3 ) =
3
t
23,195
= 4, 461 , que, devido aos erros de
5,1993
arredondamento, aproximadamente igual a 4,2750.

8.8
Uma
forma
alternativa
de
= ui ,
escrever
que
primeiro
podemos
modelo
reescrever:
ln Yi ln X 2i = 1 + 2 ln X 2i + 3 ln X 3i
ln Yi = 1 + (1 + 2 ) ln X 2i + 3 ln X 3i = ui . O modelo anterior e o segundo, com os
coeficientes , so agora, no que tange s observaes, os mesmos, com as seguintes

relaes entre os coeficientes e :
2 = (1 + 2 ) ; 3 = 3
1 = 1 .
Os erros-padro dos coeficientes estimados podem, portanto, ser facilmente obtidos

por meio daqueles dos coeficientes estimados, j conhecidos.
8.9 A melhor maneira de entender esse termo encontrar as taxas de variao de Y
(despesas pessoais de consumo) em relao a X2 a X3, que so:
Y
= 2 + 4 X 3
X2
Y
= 3 + 4 X 2 .
X3
Como vemos, a variao mdia das despesas pessoais de consumo em relao renda
pessoal depende no s desta, mas tambm do nvel de riqueza pessoal.
Analogamente, a variao mdia das despesas pessoais de consumo em relao ao
nvel de riqueza pessoal depende no s deste, mas tambm da renda pessoal. Ou
seja, as variveis renda pessoal e riqueza interagem. Podemos contornar isso
introduzindo essas variveis na regresso em formato interativo, ou multiplicativo,
alm do formato aditivo. A varivel DPC s ser independente da varivel riqueza
quando 4 for igual a zero.
8.10 Relembrando as relaes entre as distribuies t e F, sabemos pela primeira
equao que: F1,(n k) = t2 n- k. Portanto,
F = (-4,728) = 22,3540.
Pela Equao (8.5.11) do texto, temos
F=
(n k ) R 2
(n 2)(0, 6149)
=
= 22,3540 .
2
(k 1)(1 R )
(1)(0,3851)
Resolvendo essa equao para n, obtemos n 16. Nota: Na primeira equao, k = 2 e

R = 0,6149.
8.11
1. Improvvel, a no ser para o caso de colinearidade muito alta.

2. Provvel. Casos como esse ocorrem freqentemente no trabalho prtico.
3. Provvel. Essa seria, em verdade, uma situao ideal.
4. Provvel. O modelo de regresso intil nessa situao.
5. Poderia ocorrer no caso de a significncia de um coeficiente ser insuficiente
para compensar a insignificncia do outro 1 .
6. Improvvel.
Para uma discusso mais extensa deste assunto, consulte A Dictionary of Econometrics, de Adrian C. Darnell, Editora
Edward Elgar, Reino Unido, 1994, pp. 394-395.

8.12 Consulte os resultados da regresso do Exerccio 7.21.
(a) Usando a TJCP como taxa de juros, as elasticidades renda real e taxa de juros so,
respectivamente, 0,5243 e -0,0255. Usando a TJLP, as elasticidades correspondentes
so 0,4946 e -0,0516.
(b) Individualmente, a elasticidade renda significativa em ambos os casos, mas as
elasticidades taxa de juros, no.
(c) Usando a verso R do teste F dado na Equao (8.5.11), os valores F so 21,5429
(aplicando a TJCP) e 21,3078 (aplicando a TJLP). Os valores p desses F so quase zero
em ambos os casos, levando rejeio da hiptese de que a renda real e a taxa de
juros no tm, coletivamente, impacto na demanda por moeda.
(d) Nesse caso, a hiptese nula que o coeficiente de elasticidade de renda um. Para
test-la, usaremos o teste t como segue:
(0,5243 1)
= 3, 2920 ;
0,1445
(0, 4946 1)
- com a TJLP como varivel taxa de juros, t =
= 1,8816 .
0, 2686
- com a TJCP como varivel taxa de juros, t =
Com 19 observaes e dois regressores, temos gl 16. Como a expectativa de que o

coeficiente de elasticidade renda seja positivo, podemos aplicar um teste unicaudal. O
valor t crtico unicaudal para gl 16 a 5% 1,746. Podemos, nesse nvel de
significncia, rejeitar a hiptese nula de que a elasticidade renda igual a um. Ela ,
na verdade, menor que um.
8.13 (a) A elasticidade -1,34, significativamente diferente de zero, pois o valor t sob
a hiptese nula de que o coeficiente de elasticidade verdadeiro igual a zero
t=
1, 43
= 4, 4687 .
0,32
O valor p de se obter tal t extremamente baixo. O coeficiente no , entretanto,

diferente de um porque, sob a hiptese nula de que a elasticidade verdadeira igual a
1, temos t =
1,34 1
= 1, 0625 , que no estatisticamente significativo.
0,32
(b) A elasticidade renda, embora positiva, no estatisticamente diferente de zero,

pois o valor t sob a hiptese nula menor que 1.
(c) Aplicando a frmula (7.8.4), obtemos
R 2 = 1 (1 R 2 )
n 1
nk
J que neste caso temos R =0,27, n = 46 e k = 3, basta substituir esses dados na

equao e verificar que R = 0,3026, aproximadamente.

8.14 (a) A expectativa, a priori, de que o salrio e as outras variveis explanatrias
sejam positivamente relacionados, e so mesmo. O coeficiente parcial de 0,280
significa que, ceteris paribus, a elasticidade do salrio do CEO de 0,28%. O
coeficiente 0,0174 significa que, ceteris paribus, se a taxa de retorno sobre o
patrimnio subir um ponto percentual (ateno, no o mesmo que 1%), o salrio do
CEO sobe cerca de 1,07%. Analogamente, tambm ceteris paribus, se a taxa de
retorno sobre as aes da empresa subir um ponto percentual, o salrio do CEO sobe
cerca de 0,024%.
(b) Sob a hiptese nula individual, ou separada, de que cada um dos coeficientes
populacionais verdadeiros igual a zero, podemos obter os valores t simplesmente
dividindo cada coeficiente estimado pelo seu erro-padro. Esses t para os quatro
coeficientes dados no modelo so, respectivamente, 13,5, 8, 4,25 e 0,44. Como a
amostra bastante grande, podemos ver, aplicando a regra prtica 2-t, que os trs
primeiros
coeficientes
so,
em
termos
estatsticos,
muito
significativos
individualmente, e o ltimo insignificante.
(c) Para testar a significncia geral, isto , todos os coeficientes angulares so iguais a
zero, aplique o teste F dado em (8.5.11):
F=
R 2 /(k 1)
0, 283 / 3
=
= 27, 02
2
(1 R ) /(n k ) 0, 717 / 205
Esse valor, sob a hiptese nula, tem a distribuio F com respectivamente, 3 e 205 gl
no numerador e denominador. O valor p de se obter tal F extremamente pequeno,
levando rejeio da hiptese nula.
(d) Como a varivel dependente est em forma logartmica, e roe e ros em forma
linear, os coeficientes dessas variveis fornecem semi-elasticidades, isto , a taxa de
crescimento da varivel dependente em relao variao de uma unidade (em valor
absoluto) do regressor.
8.15 Aplicando a Equao (3.5.8), podemos verificar que: r12 = 0,9989; r13 = 0,9885 e
r12 = 0,9839, e com as frmulas dadas na Seo 7.11, que: r12.3 = 0,9705; r13.2 =
0,678 e r23.1 = -0,4930.
Utilizando
o
teste
Fischer
dado
no
exerccio,
averiguamos
que:
t12.3 =
r12.3 15 1 2
2
1 r12.3
= 13,590 .
Procedendo exatamente da mesma forma, encontramos t13.2 = 3, 20 e t23.1 = 1,963 .

Todos esses valores t so estatisticamente significativos no nvel de 5%.
8.16 (a) Os logaritmos dos ndices dos preos reais e das taxas de juros no ano
anterior explicam cerca de 79% da variao no logaritmo do estoque de tratores, um
tipo de capital. Como este um modelo duplo-log, os dois coeficientes angulares so
elasticidades (parciais) preo, cujos sinais so os esperados a priori.
(b) Cada coeficiente angular parcial individualmente significativo no nvel de 5% e
significativamente diferente de um.

(c) Da Equao (8.5.12) do texto, obtemos
F=
0, 793 / 2
R 2 /(k 1)
= 53, 63 .
=
2
(1 R ) /(n k ) 0, 207 / 28
Para n = 31 e k = 3, verificamos que esse valor F muito significativo.

(d) Veja o item (a).
(e) Aplique o teste F dado em (c).
8.17 (a) Ceteris paribus, um aumento de uma libra esterlina nos preos do produto
final no ano corrente leva a um aumento mdio de 0,34 libras esterlinas nos salrios e
ordenados por empregado. Analogamente, um aumento de uma libra esterlina nos
preos do produto final no ano anterior leva a um aumento de cerca de 0,004 libras
esterlinas nos salrios e ordenados por empregado. Mantendo-se todos os outros
fatores constantes, um aumento de um ponto percentual na taxa de desemprego leva
a um decrscimo de 2,56 libras esterlinas nos salrios e ordenados por empregado, em
mdia. Os trs regressores explicaram cerca de 87% da variao do regressando.
(b) Se dividirmos os coeficientes estimados pelos seus erros-padro, obteremos os
valores t sob a hiptese nula de que os valores dos coeficientes populacionais
verdadeiros so zero. Os t estimados para os trs coeficientes angulares so 4,55,
0,055 e -3,89, respectivamente. O primeiro e o terceiro so estatisticamente
significativos, mas o segundo, no.
(c) Como estudaremos no captulo sobre modelos de defasagem distribuda, esta
varivel includa para medir o efeito da defasagem, se houver, dos preos do produto
final um ano antes.
(d) Como o valor t desse coeficiente no significativo, a varivel pode ser excluda,
desde que isso no represente o erro de especificao de omisso de uma varivel
importante. Veremos mais sobre isso no captulo sobre especificao do modelo.
(e) Use a seguinte frmula (padro) de elasticidade:
W U
U
= 2,56 em que as
U W
W
barras sobre as variveis denotam seus valores mdios em toda a amostra.

8.18 (a) Ceteris paribus, um aumento de um ponto percentual na taxa de vagas
abertas leva a um aumento mdio de 5,29 libras esterlinas nos salrios e ordenados
por empregado. Um aumento de 1 libra no PIB por pessoa leva a um decrscimo de
cerca de 0,12 libra nos salrios e ordenados por empregado. Um aumento de 1 libra
nos preos das importaes no ano corrente e no anterior leva a um aumento mdio
de 0,05 libra nos salrios e ordenados por empregado.
(b) assim como no exerccio anterior, sob a hiptese nula zero, os valores t estimados
para as quatro variveis explanatrias so, respectivamente, 6,51, -1,04, 2,45 e 2,42,
e todos, exceto o segundo, so estatisticamente significativos.

(c) Seria de se esperar, a priori, que uma produtividade per capita mais elevada
levasse a salrios e ordenados maiores. Mas este no o caso no exemplo em
questo, porque o coeficiente estimado, em termos estatsticos, no
significativamente diferente de zero, j que seu valor t s -1.
(d) Seu objetivo contornar o efeito nos salrios e ordenados da defasagem
distribuda dos preos das importaes do ano corrente e do anterior. Se esses preos
sobem, espera-se que o custo de vida tambm suba e, conseqentemente, salrios e
ordenados.
(e) A varivel X pode ser retirada do modelo desde que, claro, no haja erro de
especificao -- porque tem o sinal errado, e seu valor t baixo.
(f) Use o seguinte teste F:
F=
R 2 /(k 1)
0,934 / 4
=
= 49,53 , um valor muito
2
(1 R ) /(n k ) 0, 66 /14
significativo. Para 4 graus de liberdade (gl) no numerador e 14 no denominador, o

valor F 5,04 no nvel de significncia de 1%.
8.19 O teste estatstico para a elasticidade renda t =
0, 4515 1
= 22, 2065 , valor
0, 0247
muito significativo que refuta a hiptese de que a elasticidade verdadeira 1.

Para a elasticidade preo, o teste estatstico t =
0,3772 (1)
= 9,808 , valor
0, 0635
tambm significativo que nos leva a concluir que a elasticidade preo verdadeira
diferente de -1.
8.20 A hiptese nula que 2 = - 3, ou seja, 2 + 3 = 0. Aplicando o teste estatstico
dado
na
Equao
(8.6.5)
do
texto,
obtemos
t=
0, 4515 + ( 0,3772)
(0, 0247) 2 + (0, 0635) 2 2( 0, 0014)
= 0,859 , valor que no significativo no nvel
de, digamos, 5%. No h, ento, nenhuma razo para rejeitarmos a hiptese nula.
8.21 (a) A elasticidade preo prprio -1,274.
(b) Pelo teste t, obtemos t =
1, 274 0
= 2, 4174 .
0,527
O valor p de se obter tal t estatstico sob a hiptese nula cerca de 0,034, que
baixo. Rejeitamos, ento, a hiptese de que a elasticidade preo verdadeira zero.
(c) Usando mais uma vez a frmula-padro, temos t =
1, 274 (1)
= 0,5199 , valor
0,527
que no estatisticamente significativo, levando-nos, portanto, a no rejeitar a

hiptese de que a elasticidade preo verdadeira um.

(d) Embora nenhuma das duas variveis seja estatisticamente significativa, espera-se
que ambas tenham sinal positivo.
(e) Talvez a amostra seja pequena demais para detectarmos a significncia estatstica
dos preos dos cravos ou da renda na demanda por rosas. Alm disso, os gastos com
rosas devem ser uma parte to pequena da renda total que no se nota nela seu
impacto.
8.22 (a) Os coeficientes de X2 e X3 so estatisticamente significativos, mas os de X4
X5 no o so.
(b) Sim. Aplicando o teste F, obtemos F =
0, 656 / 4
= 12,392 , valor que a 5%
(1 0, 656) / 26
para 4 e 26 gl 2,74. Rejeitamos, pois, H0.

(c) Usando o modelo semilogartimico, obtemos:
log(prospeces) = 2,53203 0,0127 tempo
valor t = (38,3766) (-3,3514)
r = 0,2792.
Portanto, a taxa de crescimento instantnea -1,27%, assim como a taxa de

crescimento composta correspondente. (Tome o antilogaritmo de -0,0127, que vale
0,9873, subtraia dele 1 e multiplique por 100).
[N] Nota: Para valores pequenos de r, ln(1+r) r.
8.23 (a) Consulte os resultados da regresso dada no Exerccio 7.18. Espera-se, a
priori, que todos os coeficientes angulares sejam positivos, o que verdade, exceto
para a varivel vendas militares dos Estados Unidos. O valor R bem alto, mas o
modelo parece, em geral, satisfatrio.
(b) Podemos usar a verso R da tabela ANOVA (8.5) do texto.
Fonte da variao
Devido regresso
Devido
resduos
STQ
aos
SQ
0,978 (
gl
87,782 (
2
i
2
i
1071,975
Sob a hiptese nula habitual, a razo F F =
MSQ
0,978 yi2
22
4
0, 022 yi2
15
23
0,978 / 4
= 166,33 , valor obviamente
0, 022 /15
muito significativo, levando rejeio da hiptese nula de que todos os coeficientes

angulares so simultaneamente iguais a zero. Em outras palavras, as quatro variveis
tm, em conjunto, impacto significativo nos gastos com defesa.

8.24 (a) Essa funo permite que os produtos marginais de mo-de-obra e capital
subam antes de acabarem caindo e leva em conta a elasticidade varivel de
substituio, ao contrrio da funo de produo Cobb-Douglas normal, que no leva
isso em conta e em que os produtos marginais caem desde o incio.
(b) Se 4 = 5 = 0, ento e0 = 1. Este o modelo-padro.
(c) Pode-se usar o teste F dos mnimos quadrados restritos.
(d) Os resultados so os seguintes:
Varivel dependente: LOG(PIB)
Amostra: 1955 1974
Observaes includas:
20
Varivel
Coeficiente
C
-11,70601
LOG(MO-DE-OBRA)
1,410377
LOG(CAPITAL)
0,942699
MO-DE-OBRA
-9,06E-05
CAPITAL
-3,54E-07
R-quadrado
0,999042
R-quadrado ajustado
0,998787
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,013289
0,002649
60,91475
1,065992
Erro-padro
Estatstica-t
2,876300
-4,069814
0,590731
2,387512
0,194542
4,845735
4,35E-05
-2,082179
4,15E-07
-0,853032
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0010
0,0306
0,0002
0,0549
0,4071
12,22605
0,381497
-5,591475
-5,342542
3911,007
0,000000
Esses clculos mostram que os resultados so mistos, pois enquanto o coeficiente de

mo-de-obra estatisticamente significativo, o de capital no o . Compare esses
resultados com os do Exemplo 8.3 do livro-texto, obtidos com a funo de produo
Cobb-Douglas normal.
8.25 (a) Sim. O ndice do preo do combustvel negativo e estatisticamente
significativo no nvel de 1%.
(b) A perda de produtividade foi de 6,48% [(-0,1081)(60%)].
(c) A taxa de crescimento tendencial da produtividade foi de 0,45%.
(d) Em mdia, para a amostra, um aumento de 1% na relao mo-de-obra/capital
leva a um aumento de 0,71% na produtividade.
(e) Veja a Questo 8.11. Se cada coeficiente individual for estatisticamente
significativo,
ento
improvvel
que R
=
0.
No
caso
em
tela,
F=
0,98 / 3
= 1928,37 , valor muito significativo, de forma que se pode rejeitar a
(1 0,98) /118
hiptese de que R zero.

8.26 (a) Segundo o software Eviews 3 os resultados so os seguintes:
Varivel dependente: Y
Amostra: 1968 1983
Observaes includas:
16
Varivel
C
X2
X3
X4
X5
X6
R-quadrado
Coeficiente
5962,656
4,883663
2,363956
-819,1287
12,01048
-851,3927
0,822750
R-quadrado ajustado
0,734125
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
627,6005
3938824
-122,0134
2,484497
Erropadro
Estatstica-t
2507,724
2,377716
2,512542
1,943714
0,843559
2,802361
187,7072
-4,363863
147,0496
0,081676
292,1447
-2,914284
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0388
0,0806
0,0187
0,0014
0,9365
0,0155
7543,125
1217,152
16,00168
16,29140
9,283507
0,001615
(b) Seria esperado que 2, 3 e 6 fossem positivos e 4 e 5, negativos.

(c) 2, 3 e 4 esto de acordo com as expectativas, mas os outros, no.
(d) De acordo com os resultados da regresso, X3, X4 e X6 so significativos no nvel de
5%, e X2 no nvel de 10%, mas X5 estatisticamente insignificante.
(e) Aplicamos a metodologia dos mnimos quadrados restritos discutida no captulo.
2
Regressando Y contra X2, X3 e X4 somente, obtemos RR = 0,6012. Incluindo todos os
regressores, como se v em (a), temos RSR = 0,8227. Portanto, aplicando a Equao
2
(8.7.10), obtemos F =
(0,8227 0, 6012) / 2
= 6, 25 .
(1 0,8227) /10
Para gl 2 e 10 no numerador e denominador, respectivamente, o valor F crtico a 5%

4,10. Rejeitamos, portanto, a hiptese de que as variveis X5 e X6 no se encaixam no
modelo.
8.27 (a) Como ambos so modelos log-lineares, os coeficientes angulares estimados
representam a elasticidade (parcial) da varivel dependente em relao ao regressor
sob observao. Por exemplo, o coeficiente 0,94 na Equao (3) significa que se a
produo em kWh aumenta 1%, em mdia, o custo total de produo sobe em 0,94%.
Analogamente, na Equao (4), se o preo da mo-de-obra em relao ao preo do
combustvel sobe 1%, em mdia, o custo relativo de produo sobe 0,51%.

(b)
Use
estatstica
como
segue:
( SQRR SQRSR ) / NR (0,364 0,336) /1

=
= 1, 012 , em que NR o nmero de
F=
(1 SQRSR ) / n k
(1 0,336) / 24
restries.
Esse F no significativo. No nvel de 5%, e para gl 1 e 24 no numerador e
denominador, respectivamente, o valor F crtico 4,26. Logo, no rejeitamos a
hiptese nula de que a soma das elasticidades preo igual a um.
Nota: No use a verso R do teste F dado em (8.7.10) do texto, pois as variveis
dependentes nas Equaes (3) e (4) no so as mesmas.
8.28 (a) No. O
estimado significativamente diferente de zero, pois seu valor t
5,3.
(b) Sim, j que ela lana luz sobre a validade da teoria. Alm disso, estatisticamente
significativa, como observado em (a).
(c) No. O retorno parece alto demais para letras do tesouro dos Estados Unidos.
(d) No. Novamente, parece muito alto.
(e) Uma pesquisa na literatura recente sobre CAPM indica que o modelo pode no ser
adequado a todas as situaes.
8.29 Discutiremos apenas os resultados baseados na TJCP, pois os baseados na TJLP
so anlogos.
O modelo em (a) do Exerccio 7.21 o modelo irrestrito e aquele em (b), o restrito.
Como as variveis dependentes so diferentes nos dois, usaremos o teste F dado na
Equao (8.7.9) do texto. As SQR com e sem restries valem, respectivamente,
0,0772 e 0,0463. Repare que aplicamos apenas uma restrio, a de que o coeficiente
de Y no primeiro modelo um.
F=
(0, 0772 0, 0463) /1

= 10, 69 .
(0, 0463) /(19 3)
Para gl 1 e 16, numerador e denominador, respectivamente, o valor F crtico a 5%

4,49. Ento, rejeitamos o modelo restrito e conclumos que a elasticidade verdadeira
renda menor que um.
8.30 Precisamos saber a covarincia entre os dois estimadores dos coeficientes
angulares para usar o teste t dado em (8.7.4) do texto. A partir dos dados fornecidos,
cov( 2 , 3 ) = 0,3319 . Aplicando (8.7.4) aos dados do Mxico,

(0,3397 + 0,8460 1)
= 1,94 .
obtemos: t =
0, 0345 + 0, 0087 + 2(0, 0173)
podemos mostrar que
Pela tabela t, vemos que o valor t bicaudal a 5% 2,12. Assim, nesse nvel de
significncia, no rejeitamos a hiptese de retornos constantes de escala, muito
embora numericamente a soma dos dois coeficientes (1,19) seja maior que um.
8.31(a) A priori, deveramos esperar uma relao positiva entre MI (mortalidade
infantil) e TFT (taxa de fertilidade total), pois quanto maior o nmero de filhos de uma
mulher, maior a probabilidade de aumento da mortalidade devido sade e outros
fatores.
(b) Os coeficientes de PNBpc no so muito diferentes, mas o de TAF . Podemos usar
o teste t para saber se a diferena real. Suponha que usemos a Equao (1) e que,
por hiptese, o coeficiente verdadeiro de PNBpc seja -1,7680. Podemos agora aplicar o
2, 2316 (1, 7680) 0, 4636

=
2, 2086 , valor que maior que 2
0, 2099
0, 2099
seguinte teste: t =
em termos absolutos, levando rejeio da hiptese de que o coeficiente verdadeiro

igual a -1,7680. Repare que usamos aqui a regra prtica 2-t, uma vez que o nmero
de observaes razoavelmente alto.
(c) Podemos encarar o modelo (1) como a verso com restries do modelo (2) e
podemos, ento, usar a verso R do teste F dado em (8.7.10) do texto, pois as
variveis dos dois modelos so as mesmas. A estatstica F resultante a seguinte:
F=
(0, 07474 0, 7077) /1 0, 0397

=
= 9, 4523
(1 0, 7474) /(64 4) 0, 0042
Sob as premissas normais, esse valor tem a distribuio F com 1 e 60 gl no numerador

e denominador, respectivamente. O F crtico para esses gl a 1% 7,08. Como o F
calculado excede esse valor crtico, podemos rejeitar o modelo restrito (1) e concluir
que a varivel TFT deve ser mantida.
(d) Relembre que
F1,k = tk2 . Portanto, extraindo a raiz quadrada (positiva) do valor F
dado em (c), temos
t = 9, 4523 = 3, 0744 .
Logo, sob a hiptese nula de que o valor verdadeiro do coeficiente de TFT no modelo
(2) zero, podemos obter o erro-padro do coeficiente TFT estimado dividindo-o pelo
valor t: ep =
12,8686
= 4,1857 .
3, 0744
8.32 (a) O coeficiente angular do modelo I nos informa que para cada incremento de
uma unidade nos gastos com publicidade, temos, em mdia, um aumento de 0,363
unidades nas impresses retidas. A taxa (mdia) de crescimento das impresses no
modelo II depende do nvel de gastos com publicidade. Tirando a derivada de Y em
relao a X, obtemos
dY
= 1, 0847 0, 008 X , um indicativo de que as impresses
dX

retidas aumentam a uma taxa decrescente conforme aumentam os gastos com
publicidade.
(b) & (c) Podemos encarar o modelo I como a verso condensada, ou restrita, do
modelo II e, por isso, aplicar a tcnica dos mnimos quadrados restritos para escolher
entre os dois. Como a varivel dependente a mesma em ambos, podemos usar a
verso
R
do
teste
F
dado
em
(8.7.10).
Seguem
os
resultados:
F=
(0,53 0, 424) /1 0,106

=
= 4, 0613 , valor que, sob as premissas normais do teste
(1 0,53) /18
0, 0261
F, segue a distribuio F com 1 e 18 gl no numerador e denominador,

respectivamente, com valor F crtico de 4,41 no nvel de 5% e 3,01 no nvel de 10%. O
valor p 0,0591 a cerca de 6%, prximo dos 5%. Parece que devemos manter no
modelo a varivel X.
(d) H retornos decrescentes nos gastos com publicidade, conforme observado em (b).
Se o coeficiente do termo X fosse positivo, os retornos com tais gastos teriam sido
crescentes. Igualando a derivada em (b) a zero, temos 1,0847 = 0,008X, logo X =
135,58, valor em que a taxa de crescimento de Y em relao a X zero. Como X
medido em milhes de dlares, pode-se dizer que no nvel de gastos da ordem de 136
milhes de dlares no h mais nenhum ganho nas impresses retidas, medidas em
milhes.
8.33 (a) Aplicando os dados da regresso (7.9.4) no teste t (8.7.4), obtemos:
t=
(1, 4988 + 0, 4899 1)

(0,5398) + (0,1020) 2(0, 03843)
2
0,9887
= 2, 0849 .
0, 4742
Como 15 o tamanho da amostra, temos gl 12. O valor t anterior significativo no

nvel de 5%, indicando que talvez tenha havido retornos de escala crescentes no setor
agrcola taiwans.
(b) Impondo a restrio de constantes retornos de escala, os resultados da regresso
so os seguintes:
Y
X3
ln
= 1, 7086 + 0, 6129 ln
X2
X2
ep = (0,4159)
(0,0933)
R = 0,7685
SQR = 0,0915.
A SQR sem restries, SQRSR, pela regresso (7.9.4) 0,0672 e a SQR com restries,
SQRR, pela regresso em (b), 0,0915. Com o teste F dado em (8.7.9), obtemos
F=
(0, 0915 0, 0672) /1

= 4,3393 . Sob as premissas habituais do teste F, esse valor
(0, 0672) /12
tem distribuio F com 1gl no numerador e 12 gl no denominador. O valor p de se

obter um F de 4,34 ou maior de 0,0593 ou cerca de 6%, prximo do nvel de
significncia de 5%. Parece, novamente, que houve retornos de escala crescentes no
setor agrcola taiwans.

Observe que a pequena diferena nos nveis de significncia de t e F deve-se a erros
de arredondamento. Repare tambm que, como as variveis dependentes so
diferentes nos modelos com e sem restries, no podemos usar verso R do teste F.
8.34 Seguindo exatamente os mesmos procedimentos mostrados na Seo 8.8 do
texto, aqui vo as vrias somas dos quadrados dos resduos:
SQR1 = 1953,639 (19701982)
SQR2 = 9616,213 (19831995)
SQRR = 23248,30 (19701995), que a SQR com restries. A SQRSR =
(1953,639+9616,213) = 11569,852.
Com o teste F, obtemos F =
( SQRR SQRSR ) / k
(11678, 448) / 2
=
= 11,1032 .
( SQRSR ) /( n1 + n2 2k ) (11569,852) / 22
O valor p de se obter um valor F de 11 ou mais cerca de 0,0005, uma probabilidade

mesmo muito pequena.
Embora a concluso geral deste exerccio e do exemplo visto na Seo 8.8 do texto
seja a mesma, isto , que houve uma variao estatisticamente significativa na
regresso poupana-renda, a resposta depende do ponto de quebra escolhido para
dividir a amostra, como vemos pelos valores F.

CAPTULO 9
MODELOS DE REGRESSO COM VARIVEIS BINRIAS
9.1 (a) Se o intercepto estiver presente no modelo, inclua 11 variveis binrias. Caso
contrrio, inclua 12.
(b) Se o intercepto no estiver no modelo (isto , regresso pela origem), introduza
seis variveis binrias. Caso contrrio, introduza apenas cinco.
9.2 (a) De acordo com a teoria econmica, espera-se que os coeficientes de X2 e X5
sejam positivos, e os de X3, X8 e X9, negativos. O de X4 pode ser positivo ou negativo,
dependendo da idade da esposa e do nmero de filhos. Uma varivel binria interativa
para idade e filhos com menos de 6 anos ou entre 6 e 13 anos talvez esclarea melhor
a relao entre idade e horas de trabalho desejadas.
(b) Mantendo-se todos os outros fatores constantes, espera-se que a varivel horas de
trabalho desejadas seja maior que o valor do intercepto (comum) de 1286 horas, mas
esse coeficiente tem sinal negativo, e como no estatisticamente significativo, pouco
se pode dizer sobre o impacto de X6 em Y (mdia). Quanto a X7, espera-se que seu
coeficiente seja positivo, e mesmo. Alm disso, estatisticamente significativo, pois
o valor t bem alto.
(c) Isso talvez se deva s colinearidades entre a idade e a escolaridade e entre estas e
o nmero de filhos. Repare tambm que o modelo no inclui os anos de estudo
completados pelo marido.
9.3 (a) Espera-se que a relao entre as duas variveis seja negativa porque se a taxa
de desemprego for alta, indicando excesso de oferta de mo-de-obra no mercado de
trabalho, menos provvel que os empregadores anunciem vagas em aberto.
(b) Ela 3,8998 (=2,7491+1,1507). Como o coeficiente da varivel binria
estatisticamente significativo, a taxa de desemprego estatisticamente maior no
perodo aps o quarto trimestre de 1966 do que era antes dele.
(c) Como o coeficiente diferencial da varivel binria quase significativo no nvel de
5%, podemos dizer que os coeficientes angulares da funo de regresso so
diferentes nos dois perodos.
(d) muito provvel que sim. O governo, ao tornar os benefcios-desemprego mais
generosos, reduz o custo de oportunidade de se permanecer desempregado.
9.4 Os resultados mostram que o preo mdio por barril em 1974 estava US$5,22
mais alto do que nos outros anos da amostra, mas o coeficiente angular, US$0,30, o
mesmo em todo o perodo. O grfico se assemelha ao da Figura 9.3 b do texto com a
linha de regresso para 1974 iniciando no ponto 5,22 do eixo vertical e para os outros
anos passando pela origem, mas ambas com o mesmo coeficiente angular de 0,30.

9.5 (a) Homens: E (Yi ) = (1 + 2 ) + X i . Mulheres: E (Yi ) = 1 + X i . Mantendo X
constante, o salrio mdio dos homens diferente por
2 .
(b) Homens: E (Yi ) = (1 + 2 2 ) + X i . Mulheres: E (Yi ) = (1 + 2 ) + X i . Mantendo X

constante, o salrio mdio dos homens tambm neste caso diferente por
2 .
(c) Homens: E (Yi ) = (1 2 ) + X i . Mulheres: E (Yi ) = (1 + 2 ) + X i . Mantendo X

constante, a diferena entre o salrio mdio das mulheres e dos homens 2 2 .
Como a escala da varivel binria arbitrria, a escolha no afetar a resposta, pois
nenhum mtodo apresenta vantagens sobre o outro.
9.6 Conforme o Captulo 8, podemos usar o seguinte teste t:
t=
( 2 3 ) ( 2 3 )
.
ep( )
2
Mas sob a hiptese nula de que

equao
passa
2 = 3 ,
ser
o segundo termo do numerador dessa
zero.
Repare
tambm
que
ep( 2 3 ) = [var( 2 ) + var( 3 ) 2 cov( 2 , 3 )] . Pode-se mostrar, para o nosso

exemplo, que ep( ) = 84,8392.
2
Portanto, a estatstica anterior torna-se t =
245,3750 347, 6250

= 1, 2055 , valor que
84,8392
no significativo e leva concluso de que os coeficientes de D2 e D3, embora sejam

ambos em termos estatsticos significativamente diferentes do intercepto do primeiro
trimestre, no o so um do outro.
Exatamente pelas mesmas razes, para testar a hiptese de que os coeficientes de D2
e D4 so iguais, obtemos t =
245,3750 (62,1250)
= 3, 6245 , valor estatisticamente
84,8392
significativo, indicando que os coeficientes de D2 e D4 so diferentes.

A resposta ltima parte da pergunta , em geral, no. Em termos lgicos, se A for
diferente de B e tambm for diferente de C, isso no implica necessariamente que B e
C sejam diferentes. Pode-se, claro, aplicar o teste t para responder a essa pergunta
numericamente.
9.7 (a) & (b) Os erros-padro dos coeficientes da regresso (9.5.6) podem ser obtidos
diretamente de (9.5.4). Mas para obter os erros-padro dos coeficientes em (9.5.7),
teremos de achar os de (1 + 2 ) e os de
( 1 + 2 ) por meio da conhecida frmula
estatstica para o erro-padro da soma ou diferena de dois ou mais coeficientes, que

est na dica do Exerccio 9.6. Para aplic-la, precisamos das covarincias dos termos
envolvidos na soma e diferena dos coeficientes, sem as quais no poderemos calcular
os erros-padro. Para o nosso exemplo, var (1 ) = 406,6205; var ( 2 ) = 1094,443;

var ( 1 ) = 0,00021; var ( 2 ) = 0,000255; cov (1 , 2 ) = 406,6205 e cov ( 1 , 2 ) =
0,00021. Portanto:
ep (1 + 2 ) =
[406, 6205 + 1094, 443 2(406, 6205)] = 26, 2263 e
ep ( 1 + 2 ) =
[0, 00021 + 0, 000255 2(0, 00021)] = 0, 0067 .
Nota: Esses ep so um tanto diferentes daqueles informados em (8.8.2a) devido a

erros de arredondamento e aproximao.
9.8 (a) Desprezando por enquanto as variveis binrias, cada coeficiente angular
estimado representa uma elasticidade, pois essa regresso duplo-log. Ento, se X2
(nmero total de agncias do banco) subir em mdia 1%, as horas trabalhadas pelos
auditores do FDIC sobem cerca de 0,22%, refletindo talvez alguma economia de
escala. Deve-se interpretar da mesma forma os outros coeficientes das variveis X
logartmicas que, a priori, espera-se que sejam positivos, e so mesmo.
(b) & (c) Como o regressando est em forma logartmica, temos de interpretar os
coeficientes das variveis binrias de acordo com a sugesto de Halvorsen e Palmquist.
Tire o antilogaritimo de cada coeficiente estimado ligado a uma varivel binria e
subtraia-lhe um. Multiplique o resultado por 100, o que dar a variao percentual do
regressando quando a varivel binria for do estado zero para o estado um. Considere,
por exemplo, o coeficiente de D4, que 0,2572. Tirando seu antilogaritmo, achamos
0,7732; subtraindo-lhe um e multiplicando o resultado por 100, obteremos -22,68%.
Ento, se a auditoria for realizada em conjunto com o rgo estadual competente, as
horas trabalhadas pelos auditores da FDIC caem cerca de 23%. Deve-se interpretar da
mesma forma os outros coeficientes das variveis binrias.
9.9 (a) & (c) Ceteris paribus, se a taxa de inflao esperada subir um ponto
percentual, espera-se que a taxa de juros das letras do Tesouro dos Estados Unidos
(TL) caia cerca de 0,13 ponto percentual, o que, em termos econmicos, no faz
sentido. Contudo, o coeficiente da TL no estatisticamente significativo, pois seu
valor t s 1,34. Se a taxa de desemprego subir um ponto percentual, espera-se que
a taxa mdia da TL caia 0,71 ponto percentual. Esse coeficiente estatisticamente
significativo, pois seu valor t 4,24. Alm disso, faz sentido em termos econmicos,
pois uma taxa de desemprego mais alta significa que a economia est em queda, e o
Fed, para revigor-la, provavelmente reduziria a taxa da TL. Se a variao na base
monetria subir uma unidade, em mdia, espera-se que a taxa da TL caia, pois um
aumento nessa base leva, por meio do efeito multiplicador, a um aumento na oferta de
moeda, que ter o efeito de reduzir a taxa de juros, ceteris paribus. O valor defasado
de Y positivo, estatisticamente significativo e leva em conta a dinmica da variao,
assunto que ser discutido no captulo sobre modelos de defasagem distribuda.
(b) No final de 1979, o ento diretor do Federal Reserve System (o Banco Central dos
Estados Unidos), Paul Volker, mudou a poltica monetria cuja meta era a taxa de
juros e passou a ser a base monetria com o objetivo de reduzir a
(comparativamente) alta taxa de inflao que havia ento na economia dos Estados
Unidos. Com o aperto da base monetria, que levou a aumentos na taxa da TL, a taxa
de inflao acabou caindo consideravelmente. A propsito, repare que o coeficiente da
varivel binria estatisticamente significativo.

9.10 Escreva assim o modelo: Yi = 1 + 2 D + 1 X i + 2 ( X i X *) D + ui , em que D=1,
quando Xi>X* e D=0, se Xi<X*. Assumindo que E(ui)=0, obtemos:
E (Yi | D = 0, X i < X * ) = 1 + 1 X i
E (Yi | D = 1, X i > X * ) = (1 + 2 ) + ( 1 + 2 )( X i X * )
Ento, quando Xi excede X*, o intercepto varia por 2 e o coeficiente angular por 2.
9.11 (a) Essa designao das variveis binrias presume uma diferena constante
(proporcional): a escala da loja de rede 10 vezes a daquela de descontos, e a da loja
de convenincia 10 vezes a de rede (ou 100 vezes a da loja de descontos). Isto ,
obviamente, arbitrrio.
(b) Como esperado, os refrigerantes de marca so mais caros do que aqueles sem
marca. Os resultados tambm indicam que recipientes menores so mais caros que os
maiores, tambm como esperado. O modelo explica cerca de 60% da variao do
preo dos refrigerantes.
(c) A varivel binria tem os valores mais elevados atribudos aos menores recipientes.
9.12 (a) O coeficiente da varivel renda em formato logartmico uma semielasticidade, ou seja, representa a variao absoluta da expectativa de vida para uma
variao percentual na renda.
(b) Esse coeficiente mostra que provvel que a expectativa mdia de vida aumente
0,0939 anos se a renda per capita aumentar 1%, ceteris paribus. (Veja o Captulo 6
sobre o modelo lin-log).
(c) Esse regressor foi includo para contornar o efeito sobre a expectativa de vida dos
aumentos crescentes da renda per capita acima do valor limite de US$1097. O
regressor tambm informa o nmero de anos adicionais que se pode esperar viver
quando a renda passa de US$1097. O valor do coeficiente estimado no , entretanto,
estatisticamente significativo, pois seu valor p de 0,1618.
(d) A equao da regresso para os pases cuja renda per capita est abaixo do nvel
de 1097 dlares americanos 2,40+9,39 lnXi , e para os pases cuja renda est
acima desse nvel 2,40+(9,393,36) lnXi + (3,36)(7) = 21,12 + 6,03 lnXi.
Embora numericamente as duas regresses paream diferentes, no o so
estatisticamente, pois o coeficiente do ltimo termo da equao zero em termos
estatsticos. Se considerarmos pases mais ricos aqueles com renda per capita maior
que US$1097, parece no haver entre estes e os outros mais pobres nenhuma
diferena estatstica perceptvel na expectativa de vida.
9.13 (a) & (b) 1 d o valor esperado de Y para as 20 primeiras observaes e 2 d a
variao do valor esperado de Y para as 30 observaes seguintes, sendo (1 + 2 ) o
valor esperado real de Y para as ltimas 30 observaes.

(c) Pela conhecida frmula para achar a soma ou a diferena de duas ou mais variveis
aleatrias
(veja
Apndice
A
do
texto)
pode-se
demonstrar
que
var( 1 + 2 ) = var( 1 ) + var( 2 ) + 2cov( 1 , 2 ) .
Para
obter
os
valores
numricos,
aplicamos as frmulas dados no Captulo 3 para o modelo de duas variveis. Temos,

ento:
var( ) =
1
D
n ( D D )
2
i
2 =
2
1 30
300 = 15 e var( 2 ) =
50 12
( D D)
300
= 25 .
12
Isso nos informa que a covarincia entre os dois estimadores 15. Juntando esses
nmeros todos, temos
Nota: Verifique que
var( 1 + 2 ) = 10 .
( D D)
= 12 .
9.14 (a) A relao esperada entre as duas variveis negativa.

(b). Sim, confirmam.
(c) & (d) Nos estados em que no havia leis de direito ao trabalho, a mdia de
empregados que pertenciam a sindicatos era de 19,8%. Por outro lado, nos estados
com essas leis, essa mdia era 9,39 pontos percentuais menor, aproximadamente,
com um total real de sindicalizados de 10,42%.
9.15 Pelas frmulas dos MQO dadas no Captulo 3, temos
2 =
( Di D)Yi
( D D)
(1)
fcil verificar que D =
n
n
n2
. ( Di D ) = 1 , se D = 1 e 2 , se D = 0.
n
n
n
O denominador da Equao (1) pode ser escrito como segue:

n1
n2
nn
n
n
2
2
(
)
(
)
( Di D ) 2 = n1 2 + n2 1 = 1 2 .
D
D
=
D
D
+
i
i
n
n
n
i =1
i =1
2
seu
numerador como:
n1
n2
i =1
i =1
( Di D)Yi = ( Di D)Yi + ( Di D)Yi =

intercepto dado por
9.16 (a) 2,4%.
1 + Y 2 D
n2
n1
n1
Yi +
i =1
1
n2
n2
Y = Y
i =1
Y1 = Ycs Ysg , e o
que, depois das substituies fica 1 = Ysg .

(b) Como tanto o intercepto diferencial quanto os coeficientes angulares so muito
significativos, os nveis e as taxas de crescimento da populao so diferentes nos dois
perodos. Essa taxa para o perodo anterior a 1978 de 1,5% e para o posterior,
2,6%(= 1,5%+1,1%).
Problemas
2
9.17 Fazendo a regresso separadamente para os dois perodos, encontramos 1 =
2
0,00768 (gl = 30) para o primeiro e 2 = 0,03638 (gl = 17) para o segundo. Ento,
sob a premissa de que as varincias das populaes respectivas so as mesmas, e de

acordo com a Equao (8.8.8), a relao a seguir est de acordo com a distribuio F:
F=
22
F
.
22 ( n k ),( n k )
1
No nosso exemplo, k = 2, n1 = 32 e n2 = 19. Levando esses valores expresso

anterior, obtemos F = 4,7369. O valor p de se obter um F de 4,7369 ou maior de
0,00001, muito pequeno. A concluso que as varincias nos dois subperodos no
so iguais.
9.18 A varivel dependente nos modelos (9.7.3) e (9.7.4) a mesma, ento podemos
usar a verso R do teste F dado na Equao (8.7.10). No caso em tela, obtemos o R
2
2
restrito ( RR ) de (9.7.3), que vale 0,5318, e o irrestrito ( RSR ) vale 0,7298 e dado por
(9.7.4). No exemplo, n = 2, k = 5 e m = 1. Lanando esses valores na Equao
(8.7.10), obtemos F =
(0, 7298 0,5318) /1

= 19,8 , que tem a distribuio F com 1 e 27
(1 0, 7298) /(32 5)
gl respectivamente no numerador e denominador. Com essa distribuio, o valor p de

se obter um F de 19,8 ou maior praticamente zero. Conclumos da que no valida
a restrio imposta pelo modelo (9.7.3) de excluir a varivel X. Ou melhor, a varivel
X, despesas com bens durveis, deve definitivamente ser includa no modelo.
9.19 Neste caso, a varivel binria Z toma o valor 2 quando D = 0 e o valor 5 quando
D = 1. Com esses valores, obtemos os seguintes resultados para a regresso:
Varivel dependente: POUPANA
Mtodo: Mnimos quadrados
Amostra: 1970 1995
Observaes includas:
26
Varivel
Coeficiente
C
-100,6363
RENDA
0,123978
Z
50,82618
Z*RENDA
-0,021823
R-quadrado
0,881944
R-quadrado ajustado
0,865846
Erro-padro
Estatstica-t
37,88404
-2,656429
0,024574
5,045035
11,02746
4,609058
0,005327
-4,096340
Desvio-padro
da
varivel
Probabilidade
0,0144
0,0000
0,0001
0,0005
162,0885
63,20446

dependente
E.P. da regresso
23,14996 Critrio info Akaike
Soma quad resduos
11790,25 Critrio Schwarz
Verossimilhana Log
-116,4125 Estatstica-F
Estat Durbin-Watson
1,648454 Probabilidade (Estatstica-F)
9,262501
9,456055
54,78413
0,000000
Temos de ter cuidado ao comparar esses resultados queles dados em (9.5.4), (9.5.5)
e (9.5.6), pois a varivel Z toma o valor 2 quando D = 0 e 5 quando D = 1. Para obter
as regresses poupana-renda comparveis a (9.5.5), em que o valor original da
varivel binria era zero, e (9.5.6), em que esse valor era 1, atribua varivel Z o
valor 2, no primeiro caso, e 5 no segundo, onde quer que ela aparea, como a seguir:
Regresso poupana-renda 19701981
Poupana
=
[-100,6363+2(50,826180)]+[0,1239782(0,02182)]renda
=
1,0161+0,0803 renda,
resultado que o mesmo obtido em (9.5.5), descontados os erros de arredondamento.
Regresso poupana-renda 19821995
Poupana
=
[-100,6363+5(50,826180)]+[0,1239785(0,02182)]renda=
153,4947+0,0148 renda,
resultado que o mesmo obtido em (9.5.6).
A lio neste exerccio que a escolha dos valores numricos para as variveis binrias
essencialmente arbitrria.
9.20 Como seria de se esperar, o sinal do coeficiente da varivel binria na regresso
(9.5.4) vai se tornar negativo (152,4768) e o do coeficiente de (DtXt), positivo. O
termo do intercepto ser agora 153,4973, e o coeficiente da varivel renda, 0,0148.
Todas essas mudanas so lgicas.
9.21 (a) Como a varivel binria est em formato logartmico, e o logaritmo de zero
no existe, redefinido-a como 1 e 10 ser possvel obter logaritmos.
(b) Os resultados da regresso so os seguintes, com os valores t entre parnteses:
ln(poupana)t = 0,1589+0,6695 lnrendat +(0,00029)lnDt
t = (0,2074) (6,2362)
(0,00505)
R = 0,8780.
Para todos os propsitos prticos, os dois termos de intercepto so iguais, pois o
coeficiente da varivel binria no estatisticamente significativo. A interpretao do
valor 0,1589 do coeficiente de intercepto que ele representa o valor do logaritmo da
poupana quando todos os regressores tomam o valor zero. Se tirarmos o
antilogaritmo desse valor, obtemos 0,8531 (bilhes de dlares), nmero que, claro,
no tem muito significado econmico.
Pode ser interessante comparar esses resultados com os seguintes, que levam em
conta o efeito de interao:
ln(poupana)t = 2,0048+0,9288 lnrendat +2,3278lnDt 0,2985lnDt* rendat
t = (2,6528) (8,7596)
(3,9696)
(3,9820)
R = 0,9291.

Temos agora um quadro completamente diferente, pois tanto o intercepto quanto o
coeficiente angular diferenciais binrios so significativos. Para o perodo 1982 a 1995,
a propenso marginal a poupar (PMP) 0,6303, enquanto para o perodo anterior
0,9288. E por sinal, o termo de intercepto para o primeiro perodo negativo, mas
positivo para o segundo.
Veja s como erros de especificao podem mudar os resultados, como demonstrado
nos clculos anteriores.
9.22 (a) Apresentamos os resultados para os trs eletrodomsticos em forma de
tabela, como segue:
Eletrodomstico
Lavadora
de
louas
t
Intercepto
D2
D3
D4
748,2500
8,25
42,875
49,875
0,0219
(13,824)
(0,10)
(0,56)
(0,65)
Trituradores
887,00
(18,8066)
-77,50
(-1,16)
-55,50
(-0,83)
11,12
(0,16)
1225,625
-45,25
1,00
106,875
(33,2219)
(0,8673)
(0,01)
(-2,05)
t
Lavadora
roupas
de
t
0,0810
0,169
(b) Os coeficientes angulares so, de fato, interceptos diferenciais, sendo o primeiro

trimestre o de referncia. Somente a varivel binria do quarto trimestre para
mquinas de lavar roupas significativamente diferente da do primeiro em termos
estatsticos, indicando que s para essas mquinas h algum tipo de sazonalidade.
Isso contrasta com os resultados para geladeiras dados em (9.7.3) em que havia
sazonalidade no segundo e terceiro trimestres, mas no no quarto.
(c) No h necessidade de dessazonalizar os dados porque no h sazonalidade
estatstica visvel para as vendas de lavadoras de pratos e trituradores de lixo. Quanto
s lavadoras de roupas, os resduos da regresso representaro uma srie temporal
dessazonalizada.
9.23 Seguem os resultados da regresso fornecidos pelo software Eviews 3. Nas
tabelas seguintes, D1, D2 e D3 so as variveis binrias para o segundo, terceiro e
quarto trimestres. PRAT, TRIT e ROUP representam, respectivamente, as vendas de
lavadoras de pratos, trituradores de lixo e lavadoras de roupas em milhares de
unidades, e DUR representa despesas em bens durveis em bilhes de dlares. Nem
todas as estatsticas das tabelas j foram discutidas, mas sero ao longo do livro
medida que avanarmos.

Varivel dependente: PRAT
Amostra:
1978:1
1985:4
Observaes includas:
32
Erro-padro
Estatstica-t
Varivel
Coeficiente
C
106,8419
168,8010
0,632946
D1
5,840220
62,14176
0,093982
24,14839
62,32067
0,387486
D2
29,81285
62,34750
0,478172
D3
DUR
2,322680
0,590194
3,935452
R-quadrado
0,378492 Varivel dependente mdia
Desvio-padro
da
varivel
R-quadrado ajustado
0,286416
dependente
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
Varivel dependente: TRIT
Amostra:
1978:1
1985:4
Observaes includas:
32
Varivel
Coeficiente
C
56,40125
D1
-80,62057
-79,75024
D2
-14,85471
D3
DUR
3,007781
R-quadrado
0,820847
R-quadrado ajustado
0,794306
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
59,98346
97146,41
-173,6979
0,733166
Varivel dependente: ROUP

Amostra:
1978:1
1985:4
Observaes includas:
32
Varivel
Coeficiente
C
741,0680
D1
-4707049
-13,14717
D2
Erro-padro
Estatsticat
81,47305
0,692269
29,99319
-2,687963
30,07954
-2,651312
30,09249
-0,493635
0,284862
10,55875
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Erro-padro
107,2523
39,48345
39,59713
Estatstica-t
6,909578
-1,192157
-0,332023
Probabilidade
0,5321
0,9258
0,7014
0,6364
0,0005
773,5000
147,1194
12,62551
12,85453
4,110677
0,009944
Probabilidade
0,4947
0,0122
0,0133
0,6256
0,0000
856,5312
132,2576
11,16862
11,39764
30,92730
0,000000
Probabilidade
0,0000
0,2436
0,7424

-122,0311
39,61418
-3,080491
1,754688
0,374996
4,679221
Desvio-padro
da
varivel
R-quadrado ajustado
0,473264
dependente
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
D3
DUR
R-quadrado
0,0047
0,0001
1187,844
108,7996
11,71844
11,94746
7,963248
0,000224
(b) A incluso de gastos com bens durveis na equao para as mquinas de lavar
pratos no muda o resultado no que tange sazonalidade, que no existe nos dados
(comparados aos do primeiro trimestre). Os resultados para os trituradores de lixo so
consideravelmente diferentes, pois que h sazonalidade pronunciada nos segundo e
terceiro trimestres. Para as mquinas de lavar roupas, os resultados so
qualitativamente os mesmos. Observe, entretanto, que o coeficiente de gastos com
bens durveis estatisticamente significativo em todas as regresses.
(c) A incluso das variveis binrias no modelo de regresso remove a sazonalidade,
se houver, no s da venda dos vrios eletrodomsticos, mas tambm dos gastos com
bens durveis, a la teorema de Frisch-Waugh mencionado no captulo do livro-texto.
9.24 (a) & (b) Este um trabalho para ser feito individualmente pelos alunos. Nos
Estados Unidos, as eleies presidenciais de 2000 ocorreram em sete de novembro. Se
voc tivesse usado seu modelo, sua previso do resultado teria sido correta?
(c) Os resultados desse modelo so os seguintes:
Varivel dependente: V
Amostra: 1 21
Observaes includas:
21
Varivel
Coeficiente
C
0,505678
I
-0,019753
VB
0,055755
G*I
0,009625
P
0,000155
N
-0,004637
R-quadrado
0,788321
R-quadrado ajustado
0,717762
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,039879
0,023855
41,39511
2,229997
Erro-padro
Estatstica-t
0,026324
19,21007
0,016347
-1,208325
0,019637
2,839255
0,001706
5,642862
0,002804
0,055370
0,003293
-1,407866
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0000
0,2456
0,0124
0,0000
0,9566
0,1796
0,490690
0,075065
-3,370963
-3,072528
11,17242
0,000125
Talvez G possa ser includo no modelo como regressor, embora os autores no o

tenham feito.

9.25 Os resultados do Eviews 3 para a regresso so os seguintes:
Varivel dependente: SALH
Amostra: 1 528
Observaes includas:
528
Varivel
Coeficiente
C
-0,261014
GNERO
-2,360657
RAA
-1,732729
GNERO*RAA
2,128986
ESCOLARIDADE
0,802807
R-quadrado
0,203263
R-quadrado ajustado
0,197169
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
4,609140
11110,70
-1553,493
1,873724
Erro-padro
Estatstica-t
1,106956
-0,235794
0,430203
-5,487303
0,794716
-2,180314
1,222109
1,742059
0,081014
9,909478
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,8137
0,0000
0,0297
0,0821
0,0000
9,047538
5,144082
5,903384
5,943811
33,35678
0,000000
Como mostram os resultados, a varivel binria interativa gnero-raa

estatisticamente significativa no nvel de 8%. Se considerarmos que esse valor p
suficientemente baixo, essa varivel significativa, e os resultados dados em (9.6.4)
tm de ser reinterpretados. Em relao s ao gnero repare que a varivel binria do
gnero 1 para as mulheres , o seu salrio mdio por hora cerca de US$2,36 mais
baixo em comparao ao dos homens. Da mesma forma, o salrio mdio por hora dos
no-brancos e no-hispnicos US$1,73 mais baixo. Mas esses resultados precisam
ser modificados para levar em considerao a varivel binria gnero-raa.
Por exemplo, se mantivermos raa constante, o salrio mdio por hora das mulheres
passa a ser s US$0,2317 (= -2,3606 + 2,1289) mais baixo. Analogamente, se
mantivermos gnero constante, o salrio mdio por hora dos trabalhadores nobrancos e no-hispnicos passa a ser US$0,3962 (= -1,7327 + 2,1289) mais alto.
Podemos ver, desse modo, como a varivel binria interativa (ou multiplicativa)
atenua ou exagera o efeito das aditivas.
9.26 Os resultados do Eviews 3 para a regresso so os seguintes:
Varivel dependente: SALH
Amostra: 1 528
Observaes includas:
528
Varivel
Coeficiente
C
9,067519
ECIVIL
0,713991
REGIO
-2,540727
ECIVIL*REGIO
1,323573
Erro-padro
0,446115
0,551188
0,826694
1,020982
Estatstica-t
20,32552
1,295367
-3,073359
1,296373
Probabilidade
0,0000
0,1958
0,0022
0,1954

R-quadrado
Desvio-padro
da
varivel
R-quadrado ajustado
0,029786
dependente
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
9,047538
5,144082
6,090880
6,123221
6,392958
0,000293
Os resultados indicam que no parece haver muita interao entre o estado civil e a
regio, pois a varivel binria multiplicativa com valor p de cerca de 20% no
significativa. No h, aparentemente, necessidade de incluir essa varivel binria, e os
resultados dados em (9.3.1) so, portanto, confiveis.
9.27
dar o valor mdio das primeiras 40 observaes, e
observaes seguintes. A varincia de
100/40 e a de
( 1 + 2 ) o das 60
( 1 + 2 ) 100/60. Lembre-
se de que se X for uma varivel aleatria com mdia E(X) e var= x , ento a mdia
2
amostral X tem o mesmo valor esperado, mas sua varincia igual a

o tamanho da amostra.
x2
n
, em que n
9.28 (a) Os resultados do Eviews 3 para a regresso so os seguintes:

Varivel
dependente:
ln
(POUPANA)
Amostra: 1970 1995
Observaes includas:
26
Varivel
Coeficiente
C
3,677198
RENDA
0,000709
VB
1,3971
VB*RENDA
-0,0006
R-quadrado
0,933254
Estatstica-F
102,5363
Estat Durbin-Watson
1,612107
Erro-padro
Estatstica-t
0,108486
33,89569
7,80E-05
9,084319
0,1779
7,8500
8,60E-05
-7,4361
Soma quad resduos
Probabilidade
0,0000
0,0000
0,0000
0,0000
0,341255
O modelo (9.5.4) linear, ao passo que este um modelo log-linear. Assim, os

coeficientes angulares do regressor devem ser interpretados como semi-elasticidades.
Qualitativamente, ambos os modelos fornecem resultados similares, mas como o
regressando dos dois diferente, no podemos comparar diretamente os R.
(b) Como mencionado no texto, se tirarmos o antilogaritmo do coeficiente 3,6772 da
varivel binria, o que obtemos a poupana mediana no perodo 19701981,
mantendo constantes todos os outros fatores. Esse antilog vale 39,5355, ento, se a

renda for zero, essa poupana ser de 40 bilhes de dlares, aproximadamente. Mais
uma vez, um nmero que deve ser interpretado com prudncia.
Se agora tirarmos o antilogaritmo de (3,6772+1,3971), que vale 159,8602, nmero
que, em bilhes de dlares, representa a poupana mediana no perodo 19821995,
mantendo constante a varivel renda. Outro nmero que deve ser interpretado com
prudncia.
(c) Regressando o log de Y (poupana) contra X (renda), as varincias dos erros
2
2
estimados nos dois perodos so = 0,0122 (gl=10) e = 0,0182 (gl = 12). Sob a
hiptese nula de que as varincias das duas populaes so iguais, temos
F=
0, 0182
= 1, 4918 , valor que, para gl 10 e 12 respectivamente no numerador e
0, 0122
denominador, no significativo sequer no nvel de 25%. Conclumos, ento, que so

iguais as varincias dos erros. Repare que no modelo original discutido no livro
regressamos Y (no ln Y) contra X. Portanto, se havia heterocedasticidade nesse
modelo e no no log-lin, pode ser que a transformao logartmica seja mais
adequada.

CAPTULO 10
MULTICOLINEARIDADE: O QUE ACONTECE SE OS REGRESSORES SO
CORRELACIONADOS?
10.1 Se Xk uma combinao linear perfeita das variveis explanatrias restantes,

ento existem (k-1) equaes com k incgnitas. Com mais incgnitas do que
equaes, solues nicas (ou singulares) no so possveis.
10.2 (a) No. A varivel X3i uma combinao linear exata de X2i, pois X3i = 2X2i 1.
(b) Reescrevendo a equao, obtemos:
Yi = 1 + 2 X 2i + 3 (2 X 2i 1) + ui = ( 1 3 ) + ( 2 + 2 3 ) X 2i + ui = 1 + 2 X 2i + ui , em que
1 = ( 1 3 ) e 2 = ( 2 + 2 2 ) . Podemos, portanto, estimar 1 e 2 singularmente,
mas no os originais, pois s temos duas equaes para resolver trs incgnitas.
10.3 (a) Embora os valores numricos do intercepto e dos coeficientes angulares de
PNBpc e TAF tenham mudado, os seus sinais so os mesmos. Alm disso, essas
variveis continuam sendo estatisticamente significativas. As mudanas devem ser
devidas incluso da varivel TFT, indicando que pode haver alguma colinearidade
entre os regressores.
(b) Como o valor t do coeficiente de TFT muito significativo (o valor p s 0,0032),
essa varivel, aparentemente, se encaixa no modelo. O sinal positivo desse coeficiente
tambm faz sentido porque quanto mais filhos tiver uma mulher, maiores so as
chances de aumentar a mortalidade infantil.
(c) Esta uma daquelas ocorrncias felizes em que, apesar da possvel
colinearidade, os coeficientes individuais so, assim mesmo, estatisticamente
significativos.
10.4 A relao pode ser reescrita assim:
2
X 2i 3 X 3i = 12.3 X 2i + 13.2 X 3i
1
1
X 2i = 1 X 1i 3 X 3i = 21.3 X 1i + 23.1 X 3i
2
2
X 3i = 1 X 1i 2 X 2i = 31.2 X 1i + 32.1 X 2i
3
3
X 1i =
Portanto,
r12.3 = ( 12.3 )( 21.3 ) = ( 2 )( 1 ) = 1

1
r13.2 = ( 13.2 )( 31.2 ) = ( 3 )( 1 ) = 1

1
r23.1 = ( 23.1 )( 32.1 ) = ( 3 )( 2 ) = 1

2
Da,
2
2
2
2
R1.23
= r122 + (1 r122 ) r13.2
= 1 . Analogamente, R2.13
= R3.12
= 1.
O grau de multicolinearidade perfeito.

10.5 (a) Sim. Dados de sries temporais econmicas tendem a evoluir na mesma
direo, como acontece com as variveis defasadas de renda neste caso.
(b) Como vimos sucintamente no Captulo 10 e mais a fundo no Captulo 17, a
transformao de primeira diferena pode minorar o problema.
10.6 Quando a varivel riqueza excluda do modelo, ocorre erro de especificao, e o
coeficiente da varivel renda fica tendencioso. O que se observa, ento, na equao
(10.6.4) uma estimativa tendenciosa do coeficiente de renda. A natureza do vis
a seguinte:
Dado que
Yi = 1 + 2 X 2i + 3 X 3i + ui , vem que b12 = 2 + 3b32 , em que b12 o
coeficiente angular na regresso de Y contra X2, e b32 na de X3 contra X2. De acordo

com os dados informados, temos que
2 =
0,9415; 3 = -0,0424; b32 = 10,191 e b12 = 0,5091. Portanto, o vis em b12
( 3 )(b32 ) = (0,0424) (10,191) = 0,4321.

10.7 Como dissemos na Questo 10.5, as variveis em Economia so muitas vezes
influenciadas por fatores tais como ciclos econmicos e tendncias. Espera-se,
portanto, colinearidade na anlise de regresso com variveis como PIB e oferta de
moeda.
10.8 (a) Sim, porque o coeficiente de correlao entre X2 e X3 zero.
Conseqentemente, os termos do produto cartesiano anulam-se nas frmulas para os
coeficientes (Equaes 7.4.7 e 7.4.8), que ficam assim iguais quelas para os
coeficientes e (Equao 3.1.8).
(b) Ser uma combinao, como demonstramos a seguir:
1 = Y 2 X 2 3 X
1 = Y 2 X 2 = Y 2 X 2
1 = Y 3 X 3 = Y 3 X 3
Logo, 1 = 1 + 1 Y .
(c) No, pelas seguintes razes:
var( 2 ) =
var( 2 ) =
2
2i
2
1
2
2i
(1 r )
2
23
2
2i
(Nota: r23 = 0 )
2
(veja a Equao 3.3.1)
2
Repare que =
2
i
n3
12 =
2
i
n2
10.9 (a) O coeficiente de correlao entre trabalho e capital relativamente alto e

aproximadamente igual a 0,698.
(b) No. Apesar da correlao entre as duas variveis, os coeficientes da regresso so
estatisticamente significativos no nvel de 5%. Excluir uma varivel nessas condies
acarretaria vis de especificao.
(c) Se for excluda a varivel trabalho, o coeficiente do capital ser tendencioso. O vis
pode ser calculado como no Exerccio 10.6 e vale ( 2 )(b23 ) = (1,4988)(0,1319) =
0,1975.
10.10 (a) No, porque a multicolinearidade diz respeito associao linear entre
variveis, e nesse caso ela no-linear.
(b) No h razo para exclu-las. So terica e estatisticamente significativas neste
exemplo.
(c) Se uma das variveis for excluda, haver vis de especificao que aparecer nos
coeficientes das variveis remanescentes.
10.11 No. Variveis devem ser includas com fundamento terico, e no apenas para
aumentar a SQE ou o R. Alm disso, se as variveis estiverem correlacionadas, sua
incluso ou excluso alterar os valores dos outros coeficientes.
10.12 (a) Falsa. Se existir relao linear exata entre variveis, no poderemos sequer
estimar os coeficientes ou seus erros-padro.
(b) Falsa. Deve-se conseguir obter um ou mais valores t significativos.

(c) Falsa. Conforme observado no texto (veja a Equao 7.5.6), a varincia de um
estimador de MQO dada pela frmula var( j ) =
1
, e dela se pode
x 2j 1 R 2j
deduzir que um R j elevado pode ser contrabalanado por um baixo
2
j
ou um alto
(d) Incerta. Se houver somente dois regressores no modelo, um alto coeficiente de

correlao entre pares de variveis pode indicar multicolinearidade. Se um ou mais
regressores entrarem de forma no-linear, as correlaes entre pares podem levar a
respostas enganosas.
(e) Incerta. No h mal nenhum se a colinearidade observada persistir nos valores das
amostras futuras. Mas se esse no for o caso ou se o objetivo for uma estimao
precisa, ento a multicolinearidade pode ser um problema.
(f) Falsa. Veja a resposta (c).
(g) Falsa. FIV e TOL fornecem a mesma informao.
(h) Falsa. Normalmente se obtm R elevados em modelos com muita correlao entre
os regressores.
(i) Verdadeira. Como se pode ver pela frmula dada em (c), se a variabilidade de X3
2
for pequena, R j tender a ser pequeno e no caso extremo de no haver variabilidade

em X3,
2
3i
ser igual a zero, caso em que a varincia de 3 estimado ser infinita.
10.13 (a) Reportando-nos Equao (7.11.15), vemos que se todos os r forem zero,
R ser zero, ipso facto.
(b) No ser explicada pelo modelo nenhuma variao do regressando se este no
tiver correlao com nenhum dos regressores.
10.14 (a) Se todas as correlaes de ordem zero, ou simples, forem iguais a r, a
Equao (7.11.5) se reduz a
2r 2 (1 r ) 2r 2
R =
=
.
(1 r 2 )
1+ r
2
(b) Pela Equao (7.11.1), pode-se ver, por exemplo, que
r12.3 =
r (1 r )
r
=
.
2
1 r
1+ r

10.15 (a) Se houver multicolinearidade perfeita, (XX) passa a ser uma matriz
singular e, portanto, no pode ser invertida. Conseqentemente, os coeficientes e seus
erros-padro so indefinidos.
(b) Pode-se testar isso examinado o determinante de (XX). Se for zero, existe
colinearidade perfeita.
10.16 (a) Como no caso de colinearidade perfeita a matriz (XX) no pode ser
invertida, a de varincia-covarincia indefinida.
(b) Se a colinearidade alta, a matriz de varincia-covarincia definida, mas as
varincias (dadas pelos elementos da diagonal principal) tendero a ser muito grandes
conforme o determinante de (XX) for se aproximando de zero e medida que a
colinearidade for crescendo.
10.17 (a) Se o determinante de R for zero, existir colinearidade perfeita.
(b) Se o determinante for pequeno, a colinearidade ser menos que perfeita.
(c) Se o determinante for 1, as variveis sero ortogonais (veja o Exerccio 10.18).
10.18 (a) S haver elementos na diagonal principal.
(b) Obtenha a matriz (XX), sua inversa e (Xy).
(c) No haver elementos fora da diagonal, isto , elementos de covarincia.
(d) No. Como todos os regressores so ortogonais, todos os termos de covarincia
(isto , produto cruzado) sero zero.
10.19 (a) Como o terceiro regressor (Mt Mt-1) uma combinao linear de Mt e Mt-1 ,
poder haver um problema de colinearidade.
(b) Se reespecificarmos o modelo assim:
GNPt = 1 + ( 2 + 4 ) M t + ( 3 4 ) M t 1 + ui = 1 + 1M t + 2 M t 1 + ui ,
poderemos
estimar singularmente 1, 1 e 2, mas no 2, 3 e 4.

(c) Todos os parmetros poderiam ser estimados singularmente, pois no haveria mais
colinearidade perfeita.
(d) A resposta a mesma de (c).
10.20 Recorde que
r =
2
23
( x2i x3i ) 2
( x22i )( x32i )
Logo, (
x ) = r ( x22i )( x32i ) .
2 i 3i
2
23
Substitua essa expresso nos denominadores das Equaes (7.4.7) e (7.4.8) e

simplifique.
10.21 Quando existe colinearidade perfeita, r23 = 1. Portanto, os denominadores em
(7.4.12) e (7.4.15) sero zero, e, conseqentemente, indefinidas as varincias.
10.22 Como ep ( 2 + 3 ) =
[var( 2 ) + var( 3 ) + 2 cov( 2 , 3 ) , e tendo em vista que os
valores de covarincia so dados, verificar o que se pede mera questo de substitulos na equao.
10.23 (a) Ceteris paribus, a varincia do coeficiente estimado de k diminui medida
que
k2 cresce, o que permitir uma estimao mais precisa de k .
(b) A varincia indefinida quando a colinearidade perfeita.

(c) Verdadeiro. Conforme aumenta R, diminui (1-R), o que reduzir a varincia do
coeficiente estimado.
10.24 (a) Dados o relativamente alto R de 0,97, o valor F significativo e o
(economicamente falando) insignificante e impropriamente sinalizado coeficiente de log
K, pode ser que haja colinearidade no modelo.
(b) A priori, espera-se que o impacto do capital sobre a produo seja positivo, o que
no ocorre nesse caso devido provavelmente colinearidade nos regressores.
(c) uma funo de produo tipo Cobb-Douglas, pois podemos escrever o modelo

dado como Y = 1 K 2 L 3 e 4 t .
(d) Em mdia, ao longo do perodo estudado, um incremento de 1% no ndice de uso
real de mo-de-obra leva a um aumento de 0,91% do ndice de produto real. No
modelo, a varivel t representa o tempo, que com freqncia tomado como varivel
instrumental para mudana tecnolgica. O coeficiente de 0,47 indica que ao longo do
perodo estudado, a taxa de crescimento do produto real (como medida pelo ndice de
produto) foi de 4,7%, em mdia.
(e) Implicitamente, a equao assume que h retornos de escala constantes, ou seja,
( 2 + 3 ) = 1 . Uma eventual vantagem da transformao pode ser a reduo do
problema da colinearidade.
(f) Dado que o coeficiente da relao capital/mo-de-obra estatisticamente
insignificante, o problema da colinearidade, ao que tudo indica, no foi resolvido.

(g) Como mencionado em (e), o autor est tentando saber se h retornos de escala
constantes. O teste F visto no Captulo 8 poderia ser utilizado para descobrirmos se a
restrio vlida. Mas como as variveis dependentes so diferentes nos dois
modelos, precisamos das somas dos quadrados dos resduos restritas e irrestritas para
usar a verso R desse teste.
(h) De acordo com (g), os valores de R no so comparveis. Para torn-los
comparveis, poderamos adotar os procedimentos vistos no Captulo 7.
10.25 (a), (b), (c) & (d) Em essncia, todas essas opinies nos dizem que a
multicolinearidade , muito freqentemente, um problema de deficincia de dados.
Problemas
10.26 (a) Os resultados da regresso do modelo modificado so:
Yi = 20,995 + 0,710Zi
ep = (6,341)
t = (3,311)
(0,066)
(10,771)
r = 0,906
3 = (0,75)(0,710) = 0,532. Portanto, 4 = (0,625)(0,710) = 0,444.

(b) A varivel Z pode ser interpretada como uma mdia ponderada dos diferentes tipos
de renda.
10.27 (a) Os resultados do Eviews 3 para a regresso so os seguintes:
Varivel dependente: LIMPORTA
Data: 11/11/2000 Hora: 10:16
Amostra: 1970 1998
Observaes includas:
29
Varivel
Coeficiente
C
1,975260
LPIB
1,043167
LIPC
0,446142
R-quadrado
0,982318
R-quadrado ajustado
0,980958
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,124862
0,405356
20,76993
0,461405
Erro-padro
Estatstica-t
0,782070
2,525683
0,405783
2,570749
0,569840
0,782925
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0180
0,0162
0,4407
12,49048
0,904848
-1,225512
-1,084068
722,2174
0,000000
(b) A julgar pelo alto R e pelo valor t insignificante do coeficiente de ln IPC,

provvel que haja multicolinearidade nos dados.

(c) Seguem os resultados das regresses:
Data: 11/11/2000 Hora: 10:21
Amostra: 1970 1998
Observaes includas:
29
Varivel
Coeficiente
C
1,407426
LPIB
1,359628
R-quadrado
0,981901
Erro-padro
0,290493
0,035525
Estatstica-t
4,844960
38,27295
Probabilidade
0,0000
0,0000
Erro-padro
0,250312
0,055221
Estatstica-t
15,57499
34,50388
Probabilidade
0,0000
0,0000
Erro-padro
0,1080
0,0238
Estatstica-t
17,0680
58,6972
Probabilidade
0,0000
0,0000

Amostra: 1970 1998
Observaes includas:
29
Varivel
C
LIPC
R-quadrado
Coeficiente
3,898610
1,905351
0,977824
Varivel dependente: LPIB

Amostra: 1970 1998
Observaes includas:
29
Varivel
C
LIPC
R-quadrado
Coeficiente
1,8437
1,3988
0,9922
A regresso auxiliar de LPIB contra LIPC mostra que h alta correlao entre as duas
variveis, indicando a possibilidade de haver problemas de colinearidade com os
dados.
(d) No caso, a melhor soluo seria expressar as importaes e o PIB em termos reais
dividindo-os pelo IPC, conforme observado no captulo do livro-texto. Os resultados do
Eviews 3 so os seguintes:
Varivel
dependente:
LOG(IMPORTA / IPC)
Data: 11/11/2000 Hora: 10:26

Amostra: 1970 1998
Observaes includas:
29
Erro-padro
Estatstica-t
Varivel
Coeficiente
C
0,106099
0,494911
0,214380
LOG(PIB/IPC)
2,162167
0,135693
15,93429
R-quadrado
0,903881
Probabilidade
0,8319
0,0000
10.28 (a) Como h cinco variveis explanatrias, haver cinco regresses auxiliares.
Por economia de espao, apresentamos a seguir somente os valores R obtidos com
essas regresses:
Varivel
dependente
X2
X3
X4
X5
X6
R
0,9846
0,9482
0,9872
0,9889
0,9927
(b) Como os R esto uniformemente altos em todas as regresses auxiliares, parece

que h um problema de multicolinearidade com os dados.
(c) provvel que haja na equao excesso de variveis para substitutos da carne de
frango. Poderamos usar como regressores apenas o preo composto dos substitutos, o
da carne de frango e a renda disponvel, o que j foi feito no Exerccio 7.19.
(d) Criar uma varivel de preo relativo, digamos, o preo da carne bovina dividido
pelo da suna, poderia amenizar o problema da colinearidade.
10.29 (a) & (c) Pelo exame dos coeficientes de correlao entre as possveis variveis
explanatrias, observamos uma correlao muito alta entre o IPC geral e o IPC de
carros novos (0,997), e entre este e a RPD (0,991). Os outros so relativamente altos,
mas podem permanecer no modelo por razes tericas. A RPD tambm est
estreitamente ligada ao nvel de emprego, e a correlao entre as duas 0,972.
Podemos, portanto, excluir o IPC geral e a RPD e estimar o seguinte modelo:
Varivel dependente: LY
Amostra: 1971 1986
Observaes includas:
16
Varivel
C
LX2
LX5
LX6
R-quadrado
Coeficiente
-22,10374
-1,037839
-0,294929
3,243886
0,684855
Erro-padro
Estatstica-t
8,373593
-2,639696
0,330227
-3,142805
0,073704
-4,001514
0,872231
3,719068
Probabilidade
0,0216
0,0085
0,0018
0,0029
9,204273

Desvio-padro
da
varivel
R-quadrado ajustado
0,606069
dependente
E.P. da regresso
Soma quad resduos
Verossimilhana Log
21,03144 Estatstica-F
Estat Durbin-Watson
0,119580
-2,128930
-1,935783
8,692569
0,002454
Nota: Nesta tabela, a letra L significa logaritmo de.

Ao que tudo indica, no h problemas de colinearidade nesse modelo.
(b) Incluindo todas as variveis X, obtemos os seguintes resultados:
Varivel dependente: LOG(Y)
Amostra: 1971 1986
Observaes includas:
16
Varivel
C
LOG(X2)
LOG(X3)
LOG(X4)
LOG(X5)
LOG(X6)
R-quadrado
Coeficiente
3,254859
1,790153
-4,108518
2,127199
-0,030448
0,277792
0,854803
R-quadrado ajustado
0,782205
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
0,055806
0,031143
27,23099
1,793020
Erro-padro
Estatstica-t
19,11656
0,170264
0,873240
2,050012
1,599678
-2,568341
1,257839
1,691154
0,121848
-0,249884
2,036975
0,136375
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,8682
0,0675
0,0280
0,1217
0,8077
0,8942
9,204273
0,119580
-2,653874
-2,364153
11,77442
0,000624
Como suspeitvamos, so evidentes os problemas de colinearidade desse modelo.

10.30 Vamos, primeiro, apresentar a matriz de correlao dos regressores:
TAXA
GE
TAXA
1,000000
0,571693
GE
0,571693
1,000000
GMO
0,058992
NEIN
ATIVOS
IDADE
0,701787
0,778932
0,044173
Dependentes
0,601358
0,881271
0,040994
0,234426
0,274094
0,015300
0,692881
0,549108
Escolaridade
GMO
0,058992
0,040994
1,000000
NEIN
0,701787
0,234426
ATIVOS
0,778932
0,274094
0,359094
0,359094
0,292243
0,775494
0,050212
-
Dependentes
-0,60135
-0,69288
0,292243
IDADE
0,044173
0,015300
0,775494
1,000000
0,987510
0,502432
0,987510
1,000000
0,417086
0,502432
0,417086
1,000000
-0,52083
-0,51355
-0,04836
0,520832
0,539173
0,513552
0,630899
0,048360
-
1,000000
0,05021
-0,60257

0,298555
0,331067
Nota: Nesta tabela, considere a ltima linha como a ltima coluna.

Como mostra a tabela, as correlaes aos pares, ou simples, variam desde valores
muito baixos (-0,0409 entre GM e GMO, por exemplo) a valores comparativamente
altos (0,8812 entre Escolaridade e Taxa, por exemplo).
(a) Regressando a varivel Horas contra todos os regressores, obtemos os seguintes
resultados:
Varivel dependente: HORAS
Amostra: 1 35
Observaes includas:
35
Varivel
C
TAXA
GE
GMO
NEIN
ATIVOS
IDADE
Dependentes
Escolaridade
R-quadrado
Coeficiente
1904,578
-93,75255
0,000225
-0,214966
0,157208
0,015572
-0,348636
20,72803
37,32563
0,825555
R-quadrado ajustado
0,771879
E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson
30,62279
24381,63
-164,2220
1,779824
Erro-padro
Estatstica-t
251,9333
7,559849
47,14500
-1,988600
0,038255
0,005894
0,097939
-2,194896
0,516406
0,304427
0,025405
0,612970
3,722331
-0,093661
16,88047
1,227930
22,66520
1,646826
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade
0,0000
0,0574
0,9953
0,0373
0,7632
0,5452
0,9261
0,2305
0,1116
2137,086
64,11542
9,898400
10,29835
15,38050
0,000000
A interpretao simples e direta. Ento, ceteris paribus, se os salrios mdios por

hora (TAXA) subirem um dlar, em mdia, o nmero mdio de horas trabalhadas
durante o ano (HORAS) cai cerca de 93 horas.
(c) Por economia de espao, calcularemos FIV e TOL somente da taxa do regressor.
Regressando TAXA contra todos os outros regressores, obtemos um valor R de
0,9416. Pela Equao (7.5.6) podemos verificar que o FIV para esse regressor cerca
de 2224, e o inverso desse nmero a TOL, que vale 0,00045.
(d) Nem todas as variveis do modelo so necessrias. Uma ou mais podem ser
excludas aplicando os testes de diagnstico apresentados no livro, ou podemos usar
uma combinao linear delas.
(e) Embora os resultados sejam variados, talvez haja alguma evidncia de que valha a
pena experimentar o imposto de renda negativo.

10.31 Este para ser feito em aula.
10.32 Os resultados do Eviews para a regresso so os seguintes:
Amostra: 1947 1961
Observaes includas:
15
Varivel
Coeficiente
C
-3017441
X1
-20,51082
X2
-0,027334
X3
-1,952293
X4
-0,958239
X5
0,051340
X6
1585,156
R-quadrado
0,9955
R-quadrado ajustado
0,9921
E.P. da regresso
295,6219
Soma quad resduos
699138,2
Estatstica-F
295,7710
Estat Durbin-Watson
2,492491
Erro-padro
939728,1
87,09740
0,033175
0,476701
0,216227
0,233968
482,6832
Estatstica-t
-3,210973
-0,235493
-0,823945
-4,095429
-4,431634
0,219430
3,284049
Probabilidade
0,0124
0,8197
0,4338
0,0035
0,0022
0,8318
0,0111
Comparando esses resultados com os da Seo 10.10, vemos que a excluso de uma
nica observao pode alterar as magnitudes e/ou os sinais de alguns dos coeficientes,
o que fundamenta o argumento apresentado no texto de que, em casos de alta
colinearidade, pequenas mudanas nos dados podem levar a diferenas considerveis
nos resultados.

CAPTULO 11
HETEROCEDASTICIDADE: O QUE ACONTECE SE A VARINCIA DO ERRO NO
CONSTANTE?
11.1 (a) Falsa. Os estimadores no so tendenciosos, mas ineficientes.

(b) Verdadeira. Veja a Seo 11.4.
(c) Falsa. Tipicamente, mas nem sempre, a varincia ser superestimada. Veja a
Seo 11.4 e o Exerccio 11.9.
(d) Falsa. Alm da heterocedasticidade, tal padro
autocorrelao, erros de especificao de modelo etc.
(e) Verdadeira. Como os
pode
ser
resultado
de
i2 verdadeiros no so diretamente observados, algum
pressuposto a respeito da natureza da heterocedasticidade inevitvel.

(f) Verdadeira. Veja a resposta (d).
(g) Falsa. Heterocedasticidade tem a ver com a varincia do termo de erro ui, no com
a varincia do regressor.
11.2 (a) A Equao (1) mostra que medida que N aumenta 1 unidade, em mdia, W
aumenta 0,009 dlares. Se multiplicarmos toda a segunda equao por N, veremos
que os resultados sero bem parecidos com os da primeira.
(b) Aparentemente, o autor estava preocupado com a heterocedasticidade, pois dividiu
a equao original por N, o que equivale a pressupor que a varincia do erro
proporcional ao quadrado de N. Ele est, portanto, aplicando mnimos quadrados
ponderados para estimar a Equao (2).
(c) O coeficiente do intercepto da Equao (1) o coeficiente angular na Equao (2) e
vice-versa.
(d) No. As variveis dependentes no so iguais nos dois modelos.
11.3 (a) No. Estes modelos no so lineares nos parmetros e no podem ser
estimados por MQO.
(b) Para estimar modelos no-lineares h procedimentos especficos que veremos no
captulo sobre modelos de regresso no-lineares. Podemos, informalmente, estimar
os parmetros por tentativa e erro.
11.4 (a) Veja o Exerccio 7.14 e a Seo 6.9.

(b) No. E[ln(ui)] = E[ln(1)] = 0. Mas E[ln(ui)] < lnE(ui) devido propriedade de
concavidade da transformao logartmica. A expectativa do logaritmo de uma varivel
aleatria menor do que o logaritmo de sua expectativa, e essas expectativas s
sero iguais se a varincia da varivel for zero.
(c) Seja Yi = ln 1 + 2 ln X i + ln ui = + 2 ln X i + ui , em que ui = [ln ui E (ln ui )] e
*
= [ln 1 + E (ln ui )] .
Mas E (ui ) = E[ln ui E (ln ui )] = 0 . A propsito, repare que no

*
conseguimos uma estimativa direta de
1 .
11.5 A resoluo deste exerccio s uma questo de substituir termos definidos e

simplificar.
11.6 (a) A pressuposio que a varincia do erro proporcional ao quadrado do
PNB, conforme postulado no enunciado. Os autores observaram essa relao
examinando os dados ao longo do tempo.
(b) Os resultados so essencialmente os mesmos, embora os erros-padro para dois
dos coeficientes sejam menores no segundo modelo. Podemos tomar isso como
justificativa emprica da transformao para heterocedasticidade.
(c) No. Os termos R no podem ser comparados porque as variveis dependentes
no so as mesmas nos dois modelos.
11.7 Como veremos no Problema 11.13, o teste Bartlett mostra que no h problema
de heterocedasticidade neste conjunto de dados. Essa descoberta no , portanto,
nenhuma surpresa. Veja tambm o Problema 11.11.
11.8 Substituindo wi = w na Equao (11.3.8), obtemos:
2* =
(nw)( w X iYi ) ( w X i )( w Yi )
(nw)( w X i2 ) ( w X i )2
n X iYi ( X i )( Yi )
n X i2 ( X i 2 )
= 2 .
Pode-se mostrar analogamente a igualdade das varincias.
11.9 Pela Equao (11.2.2), temos
var( 2 ) =
xi ki
=
equao, vem var( 2 ) =
2 2
( xi )
xi2
2
x
( x )
x k
x
2
i i
2
i
2
i
2
i
2 2
i
. Substituindo
i2 = 2 ki nessa

O primeiro termo direita a varincia mostrada na Equao (11.2.3). Portanto, se
x k
x
2
i i
2
i
> 1 , ento a varincia heterocedstica dada anteriormente maior que a
homocedstica, que nesse caso subestimar a heterocedstica levando a estatsticas t

e F inflacionadas. No podemos tirar concluses gerais porque o resultado se baseia
num tipo especfico de heterocedasticidade.
11.10 Conforme os Apndices 3A.3 e 6A.1, temos que
Dado que var(ui ) = X
2
2
i ,
obtemos var( 2 ) =
X
( X
2
i
var( 2 ) =
X i2
2 2
i
X var(u ) .
( X )
2 X i4
( X i2 ) 2
2
i
2 2
i
Problemas
11.11 Os resultados da regresso j foram dados em (11.5.3). Se a produtividade
mdia subir um dlar, a remunerao mdia aumenta cerca de 23 centavos.
(a) Os resduos da regresso so: -775,6579; -205,0481; 165,8512; 183,9356;
199,3785; 54,6657; 112,8410; 150,6239; 113,4100.
(b) Essa verificao simples e direta.
(c) Os resultados das regresses so:
ui = 407,3455 0,0203Xi
t = (0,6433)
(-0,3013)
r = 0,0128
ui = 575,2976 3,7097 X i
t = (0,4479)
(-0,2787)
r = 0,0109
Esses resultados mostram que, com base nos testes de Glejser, os indcios de
heterocedasticidade so pequenos.
(d) Se classificarmos os valores absolutos dos resduos e os nmeros da produtividade
mdia em ordem ascendente e calcularmos o coeficiente de correlao por ordem de
Spearman conforme (11.5.5), observaremos que vale -0,5167. Aplicando a frmula t
dada em (11.5.6), obtemos t = -0,8562, que no estatisticamente significativo, pois
seu valor crtico absoluto no nvel de 5% com 7 gl 2,447. Portanto, com base no
teste de correlao por ordem, no h motivos para esperarmos heterocedasticidade.
Em suma, todos os testes anteriores sugerem que no h o problema da
heterocedasticidade.

11.12 (a) e (b)
VERTICAL = VMDIO
HORIZONTAL = DESVIO PADRO VMDIO
(c) Seguem os resultados da regresso:
EPi = 0,9910 0,0650VMDIOi

t = (0,3756) (-0,1795)
r = 0,0064.
No h relao sistemtica entre as duas variveis porque o coeficiente angular no

estatisticamente diferente de zero, o que pode ser visto pelo grfico em (a).
(d) No h necessidade de transformao nenhuma, pois no existe relao
sistemtica entre a mdia da razo vendas/dinheiro em caixa e seu desvio-padro nos
vrios nveis de ativos.
11.13 Aplicando o teste de Bartlett, 6,6473, cujo valor p 0,5748. No
rejeitamos, portanto, a hiptese nula de que as varincias so iguais.
2
11.14 Aplicando a Frmula (11.3.8) para mnimos quadrados ponderados, podemos
2 2
. Se usarmos MQO, obtemos ento
3
X iYi = Y1 Y2 = 1 (Y Y ) . E aplicando (6.1.7),
da Equao (6.1.6) o seguinte: =
1
2
2
2
X i2
demonstrar que
1
3
* = (2Y1 Y2 )
temos que var( ) =
e var( ) =
1
= 2.
X 2
2
i

Comparando as duas estimativas, vemos que a de mnimos quadrados ponderados
atribui peso de 2/3 a Y1 e 1/3 a Y2, ao passo que a de MQO atribui igual peso s duas
observaes Y. A varincia do estimador do coeficiente angular maior em MQP do
que em MQO.
= 189,9597 1,2716VMi + 0,3904HPi 1,9032PVi

MPG
i
ep = (22,5287)
t = (8,4318)
(0,2331)
(-5,4551)
(0,0762)
(5,1207)
(0,1855)
(-10,2593)
R = 0,8828.
Conforme as expectativas, MPG positivamente relacionada a HP e negativamente a

VM e PV.
(b) A priori, de se esperar heterocedasticidade
transversal abrangendo veculos diversos.
porque so dados em corte
(c) Regressando os quadrados dos resduos do modelo em (a) contra os trs

regressores, seus quadrados e seus produtos cruzados, obtemos um R de 0,3094,
que multiplicado pelo nmero de observaes (81), dar 25,0646, valor com
distribuio qui-quadrado com 9 gl (3 regressores, 3 quadrados de regressores e 3
produtos cruzados) sob a hiptese nula de que no h heterocedasticidade. O valor p
de se obter um valor qui-quadrado de 25,0646 ou maior , sob essa hiptese, 0,0029,
que muito pequeno. Temos, portanto, de rejeitar a hiptese nula, ou seja, h
(d) Os resultados baseados nos procedimentos de White so os seguintes:
Varivel dependente: MPG
Amostra: 1 81
Observaes includas:
81
Varivel
Coeficiente
C
189,9597
VM
-1,271697
HP
0,390433
PV
-1,903273
R-quadrado
0,882864
Durbin-Watson
1,0237
Erro-padro
33,90605
0,336039
0,108781
0,285077
Estatstica-t
5,602531
-3,784375
3,589180
-6,676352
Probabilidade
0,0000
0,0003
0,0006
0,0000
Comparando esses resultados com os obtidos com MQO, descobriremos que os valores
dos coeficientes estimados so iguais, mas suas varincias e erros-padro so
diferentes. Estes, como vemos, so mais altos nos procedimentos de White porque os
|t| so menores, indicando que os erros-padro esto subestimados nos resultados
obtidos com MQO. Tudo isso pode ser atribuvel heterocedasticidade.
(e) No existe uma frmula simples para determinar a natureza exata
heterocedasticidade neste caso. Podemos, talvez, partir de alguns pressupostos
da

simples e tentar diferentes transformaes. Se, por exemplo, acharmos que a varivel
culpada HP e que a varincia do erro proporcional a HP, podemos dividir a
equao por HP e ver o que acontece. Naturalmente, qualquer outro regressor um
candidato to bom quanto esse para a transformao.
Varivel dependente: DESPALIM
Varivel
Coeficiente
C
94,20878
DESPTOT
0,436809
R-quadrado
0,369824
Erro-padro
50,85635
0,078323
Estatstica-t
1,852449
5,577047
O grfico dos resduos dessa regresso :
(b) A representao grfica dos resduos (R1) contra a despesa total :
Probabilidade
0,0695
0,0000

EIXO VERTICAL = R1
HORIZONTAL = DESPTOT
Ao que tudo indica, conforme crescem as despesas totais, tambm crescem talvez de
forma no-linear os valores absolutos dos resduos.
(c) Segue o teste de Park:
Varivel dependente: LOG(RESQ)
Varivel
Coeficiente
C
-16,86288
LOG(DESPTOT)
3,703235
R-quadrado
0,097018
Erro-padro
10,00140
1,551873
Estatstica-t
-1,686053
2,386300
Probabilidade
0,0977
0,0206
Esse teste confirma a heterocedasticidade, pois o coeficiente angular significativo.

Agora, o teste de Glejser:
Varivel dependente:
ui Valor absoluto dos resduos
Varivel
C
DESPTOT
R-quadrado
Coeficiente
-32,21965
0,130709
0,135158
Erro-padro
29,48998
0,045417
Estatstica-t
-1,092563
2,877997
Probabilidade
0,2795
0,0058
Como o coeficiente angular estimado estatisticamente significativo, esse teste

tambm sugere homocedasticidade.
Finalmente, o teste de White:
Varivel dependente: ui
Varivel
C
DESPTOT
DESPTOT QUADRADO
R-quadrado
Coeficiente
13044,00
-53,12260
0,059795
0,134082
Erro-padro
21156,58
71,48347
0,058860
Estatstica-t
0,616546
-0,743145
1,015887
Probabilidade
0,5402
0,4607
0,3144
Se a hiptese nula de que no h heterocedasticidade, e multiplicarmos o Rquadrado por 55, o produto resultante de 7,3745 segue a distribuio qui-quadrado
com gl 2, e o valor p de tal distribuio pequeno e aproximadamente igual a 0,025.
Portanto, assim como os testes de Park e Glejser, o de White tambm indica
(d) O resultados para heterocedasticidade corrigida de White so os seguintes:
Varivel dependente: DESPALIM
Varivel
Coeficiente
C
94,20878
DESPTOT
0,436809
R-quadrado
0,369824
Erro-padro
43,26305
0,074254
Estatstica-t
2,177581
5,882597
Probabilidade
0,0339
0,0000

Comparados com os resultados da regresso MQO dados em (a), no h nestes muita
diferena no erro-padro do coeficiente angular, embora o do intercepto tenha
diminudo. difcil afirmar se vale ou no a pena preocuparmo-nos com essa diferena
de resultados entre o mtodo MQO os procedimentos de White, mas sua magnitude s
pode ser avaliada se fizermos as regresses e as compararmos.
Varivel
LOG(DESPALIM)
Varivel
C
LOG(DESPTOT)
R-quadrado
dependente:
Coeficiente
1,154332
0,736326
0,412469
Erro-padro
0,777959
0,120713
Estatstica-t
1,483795
6,099834
Probabilidade
0,1438
0,0000
Os testes de Park, Glejser e White aplicados aos resduos obtidos pela regresso duplolog no mostraram sinais de heterocedasticidade.
Este exemplo mostra que a transformao logartmica pode amide reduzir a
heterocedasticidade. Por isso, a forma funcional do modelo de regresso pode ser fator
crtico para decidir se h ou no heterocedasticidade.
11.18 Primeiro, foram obtidos os quadrados dos resduos da regresso de despesas
2
com alimentao contra despesas totais, e denominados R1 . Depois, estes foram
regressados contra a previso e seu quadrado obtidos da mesma regresso. Os
resultados so os seguintes:
Varivel dependente: R1
Varivel
C
PREVDESPALIM
PREVDESPALIM^2
R-quadrado
Coeficiente
27282,63
-180,6629
0,313387
0,134082
Erro-padro
39204,59
221,5542
0,308486
Estatstica-t
0,695904
-0,815434
1,015887
Probabilidade
0,4896
0,4185
0,3144
Multiplicando o R anterior por 55, obtemos 7,3745. Sob a hiptese nula de que no
h heterocedasticidade, esse valor segue a distribuio qui-quadrado com 2 gl. O valor
p de se obter tal, ou maior, valor qui-quadrado pequeno e aproximadamente igual a
0,025. A concluso , portanto, que a varincia do erro heterocedstica.
Pode-se mostrar que no haveria sinais de heterocedasticidade se o procedimento
anterior fosse aplicado aos quadrados dos resduos obtidos pela regresso do logaritmo
de despesas com alimentao contra o logaritmo de despesas totais.
11.19 No havia, a priori, razes para crer que os resultados seriam diferentes, pois,
como se v pela regresso abaixo de lucros contra vendas, existe alta correlao entre
essas variveis.
Varivel dependente: LUCROS

Varivel
Coeficiente
C
-338,5385
VENDAS
0,100713
R-quadrado
0,845936
Erro-padro
1105,311
0,011097
Estatstica-t
-0,306283
9,075346
Probabilidade
0,7636
0,0000
11.20 (a)
SALRIOS MEDIANOS EM RELAO A ANOS DE EXPERINCIA

O grfico mostra que o salrio mediano aumenta com os anos no posto, mas no de
forma linear.
(b) Pelo grfico anterior, o modelo (2), que inclusive se encaixa na teoria econmica
do capital humano, seria o mais apropriado. Os resultados dos ajustes aos dois
modelos, linear e quadrtico, so os seguintes:
Varivel
C
X
R-quadrado
Coeficiente
73586,80
949,5621
0,593535
Erro-padro
3944,584
217,9417
Estatstica-t
18,65515
4,356954
Probabilidade
0,0000
0,0008
Varivel
C
X
X^2
R-quadrado
Coeficiente
66356,18
2285,920
-40,07090
0,693747
Erro-padro
5100,501
702,5469
20,22169
Estatstica-t
13,00974
3,253761
-1,981580
Probabilidade
0,0000
0,0069
0,0709
(c) O teste de White aplicado ao modelo (1) mostrou que havia pronunciada
heterocedasticidade, pois, pela regresso auxiliar dos quadrados dos resduos, o valor

de n.R foi de 11,4108 com valor p de 0,0033. Quando aplicado ao modelo (2), o
mesmo teste apresentou n.R de 7,6494 com valor p de 0,0538, indicando que no
havia heterocedasticidade no nvel de 5%. Mas o valor est to prximo desse nvel
que se pode suspeitar que haja ligeira heterocedasticidade no modelo, embora no se
possa descartar a possibilidade de erro de especificao.
(d) Presumindo que a varincia do erro seja proporcional ao quadrado de anos de
experincia, dividimos o modelo (1) todo por X e obtivemos os seguintes resultados:
Varivel
C
1/X
R-quadrado
Coeficiente
1403,809
68292,06
0,999767
Erro-padro
154,6360
289,4419
Estatstica-t
9,078151
235,9439
Probabilidade
0,0000
0,0000
Quando submetido ao teste de White, esse modelo no mostrou indcios de

11.21 A estatstica (=F) calculada :
SQR1 / gl 140 / 25
=
= 2,5454 .
SQR2 / gl 55 / 25
O F crtico a 5% para 25 gl no numerador e no denominador 1,97. Como o valor

estimado de 2,5454 excede esse valor crtico, rejeitamos a hiptese nula de
11.22 A seguir temos o grfico:
(b) Os resultados da regresso so:

Varivel
C
X
R-quadrado
Coeficiente
4,610282
0,757433
0,586380
Erro-padro
1,084906
0,149941
Estatstica-t
4,249478
5,051559
Probabilidade
0,0005
0,0001

Representados graficamente em relao a X, os resduos dessa regresso mostram o
seguinte quadro:
O resduo relativo ao Chile predomina sobre os outros.

(c) Excluindo os resultados do Chile, os resultados da regresso so os seguintes:
Varivel
C
X//
R-quadrado
Coeficiente
6,738082
0,221484
0,009262
Erro-padro
2,384860
0,555568
Estatstica-t
2,825358
0,398663
Probabilidade
0,0117
0,6951
Como vemos, o coeficiente angular em (a) era muito significativo, mas no o nesta
regresso. Observe como um nico ponto com valor extremo, um outlier 1 , (ou dado
discrepante) pode deturpar os resultados da regresso.
O grfico apresentado pelos resduos dos quadrados dessa regresso em relao a X
o seguinte:
Esse termo estatstico normalmente usado no Brasil, e denomina uma observao que muito diferente das outras da
amostra.
(d) Ao comparar os grficos residuais em (b) e (c), vemos que a relao entre Y e X
ficou pequena depois que foram excludos dos dados os resultados do Chile. Portanto,
qualquer indcio de heterocedasticidade esprio.

CAPTULO 12
AUTOCORRELAO: O QUE ACONTECE SE OS TERMOS DE ERRO SO
CORRELACIONADOS?
12.1 (a) Falsa. Os estimadores no so tendenciosos, mas so ineficientes.

(b) Verdadeira. Ainda conservamos as outras premissas do MRLC.
(c) Falsa. A pressuposio de que
= +1 .
(d) Verdadeira. Para comparar os R, o regressando tem de ser o mesmo nos dois
modelos.
(e) Verdadeira. Pode tambm implicar erros de especificao.
(f) Verdadeira. Pois o erro da previso envolve , que no corretamente estimado
pela frmula habitual de MQO.
(g) Verdadeira. Veja a resposta (e).
(h) Falsa. S pode ser feito com a estatstica g de Berenblut-Webb, embora usemos as
tabelas Durbin-Watson para testar a hiptese de que = 1 .
(i) Verdadeira. Escreva o modelo como Yt =
1 + 2 X t + 3t + 4t 2 + ui .
Tire a primeira
diferena dessa equao e verifique.

12.2 Para n = 50, k = 4 e = 5%, os valores d crticos so:
dL = 1,38
dU = 1,72
4 dL = 2,62
4 dU = 2,28
(a) Autocorrelao positiva.

(b) Inconclusivo.
(c) Inconclusivo.
(d) Autocorrelao negativa.
12.3 (a) H correlao serial no modelo A, mas no no B.
(b) A autocorrelao pode ser devida a erro de especificao do modelo A porque este
exclui o termo quadrtico de tendncia.
(c) Precisaramos de conhecimento prvio da forma funcional provvel.

12.4 (a) Calcule a razo de Von Neumann (V-N), sua mdia e sua varincia. Com a
tabela de distribuio normal, determine a quantas unidades de desvio-padro a razo
est do valor mdio calculado. Escolha um nvel de confiana e execute um teste de
intervalo de confiana.
n
d .
n 1
(b) V-N =
n
n
e 4
. Da, se n for suficientemente grande, a razo
n 1
n 1
(c) Os limites so 2
V-N, assim como o d Durbin-Watson, estaro entre 0 e 4.

(d) Os resduos MQO so estimativas consistentes dos termos de erro verdadeiros.
Portanto, a premissa de normalidade deve ser vlida para grandes amostras.
(e) Dado que n = 100, a mdia e a varincia da razo V-N sero 2,02 e 0,04,
respectivamente. Com esses valores, o intervalo
2, 02 3( 0, 04) = (1,4203 , 2,6197),
cobre cerca de 99,7% da rea sob a curva normal. Como o valor dado de 2,88 no
est nesse intervalo, podemos concluir que h autocorrelao neste caso.
12.5 Sim, h evidncia de autocorrelao com 3 ou 14 carreiras, positiva no primeiro
caso e negativa no segundo.
12.6 Dividindo o numerador e o denominador por n, obtemos:
d k2
1 + 2
2 n
=
k2
n2
n , tanto o segundo termo do numerador quanto o

d
denominador tendem a zero. Conseqentemente, 1 .
2
Para um dado k, quando
12.7 (a) A principal vantagem a simplicidade, mas com ele tambm podemos tratar
de problemas em que h mais de um mnimo local fazendo um ajuste fino do
procedimento de varredura.
(b) Isso questo de tentativa e erro e ajuste fino da varredura.
12.8 (a) Isso questo de verificao.
(b) O procedimento de C-O no garante o mnimo global. Por isso, Davidson e
Mackinnon argumentam que s aconselhvel aplic-lo depois que uma varredura
preliminar tenha confirmado a existncia de somente um mnimo local ou determinado
aproximadamente onde est localizado o mnimo global .

12.9 O estimado pela Equao (3) do procedimento C-O do exerccio anterior
0,9142, no muito diferente dos subjacentes s Equaes (12.9.16) e (12.9.17), que
so, respectivamente, 0,8919 e 0,9610. Portanto, no veremos muita diferena nos
resultados da regresso aplicando o procedimento C-O em duas etapas.
Amostra
(ajustada):
1960 1998
Observaes includas: 39 aps ajuste dos pontos
extremos
Varivel
C
X
X(-1)
Y(-1)
R-quadrado
Coeficiente
4,445970
0,601715
-0,554695
0,907369
0,995363
Pelo coeficiente Yt 1 , vemos que
Erro-padro
1,865601
0,144098
0,162254
0,057311
Estatstica-t
2,383131
4,175736
-3,418688
15,83237
Probabilidade
0,0227
0,0002
0,0016
0,0000
0,9073, valor no muito diferente do obtido com
o procedimento C-O de duas etapas ou com o iterativo. Logo, conclumos que os

resultados obtidos com o estimado pelo procedimento em duas etapas de DurbinWatson no diferem muito daqueles alcanados pelos mtodos C-O.
(b) Esse assunto parte do tpico sobre modelos de regresso no-lineares (nos
parmetros).
12.11 (a) O grfico mostra que provvel que haja vis de especificao devido a
erro de especificao do formato funcional.
(b) Inclua [log(produo)] como um regressor adicional. provvel que assim se
recupere a natureza quadrtica da relao entre custos e produo.
12.12 (a) H muitas razes para a existncia de um dado discrepante (outlier). Pode
ser simplesmente uma observao diferente das demais, ou resultado de erros de
medida, ou ainda devido a levantamento de amostras deficiente.
(b) A observao no deve ser descartada a menos que haja alguma razo plausvel
para crermos que est errada (por exemplo, medida incorretamente, registrada com
erro etc.).
(c) No. O dado discrepante pode predominar na SQR.

12.13 Veja a resposta da Questo 12.3.
12.14 E ( t ) = E (ut ut 1 ) = 0
var( t ) = E ( ut ut 1 )( ut ut 1 ) = 1 + 2 2 , devido independncia dos termos u.
cov ( t , t 1 ) = . Mais uma vez, observe que os termos u so independentes.

2
Portanto, embora os u no estejam correlacionados, os esto.

12.15 Como o modelo inclui como regressor a varivel dependente defasada, o d de
Durbin-Watson no o teste estatstico adequado. Deve ser usada neste caso a
estatstica h de Durbin dada na Questo 12.36.
12.16 Dado que se trata do esquema AR(1), seguem as respostas.
(a) O mtodo da primeira diferena adequado quando estiver prximo de 1.
(b) Se for cerca de 1, a regresso das mdias mveis apropriada.
(c) A transformao de Theil-Nagar adequada quando a primeira e a segunda
diferenas dos regressores forem pequenas comparadas aos limites das prprias
variveis.
(d) O procedimento C-O adequado quando a SQR converge.
(e) Veja a resposta da Questo 12.7.
(f) Se o valor do estimado pelo coeficiente da varivel defasada Y for mais ou menos
o mesmo que o estimado pela diviso do coeficiente da varivel defasada X pelo
coeficiente da varivel X (preste ateno aos sinais dos coeficientes).
12.17 Transforme o modelo como segue:
(Yt 1Yt 1 2Yt 2 ) = 1 (1 1 2 ) + 2 ( X t 1Yt 1 2Yt 2 ) + t .
Se os valores de forem conhecidos, podemos estimar os dados assim. Se no, estime

primeiro o modelo original por MQO e obtenha os resduos ut . Faa, ento, a seguinte
regresso: ut = 1ut 1 + 2ut 1 + vt , em que vt um termo de erro. Use os estimados
por essa regresso e faa a transformao dos dados como sugerido no incio. Se a
amostra for razoavelmente grande, esses valores de daro estimativas consistentes
de seus congneres da populao.
( x x ) (1 ) x y ( x x )( y y ) (1 ) x
C=
( x x ) (1 ) x + ( x x )
2
12.18
t 1
1 1
2
t 1
os somatrios so de t = 2 a t = n.
t 1
2
1
t 1
t 1
2
1
, todos

12.19 Comecemos com (12.9.6), que, em formato de desvio, pode ser escrita
yt* = 2* xt* + ( t ) .
2* =
y x
x
* *
t t
*2
t
Aplicando
frmula-padro
dos
MQO,
obtemos
( y y )( x x ) .
(x x )
t 1
t 1
t 1
Repare que a primeira observao foi omitida em virtude do processo de diferenciao.

12.20 H nesta seqncia 22 sinais positivos, 11 negativos e 14 carreiras. Usando a
aproximao normal dada no texto, podemos ver que o nmero esperado de carreiras
18,83 e sua varincia 0,4955. O intervalo de confiana de 95% , portanto,
18,83 1, 96(0, 7039) , ou seja, de 17,45 a 18,83. Como o nmero observado de 14
carreiras est abaixo do limite inferior, conclumos que a seqncia observada no
aleatria.
n
12.21 A frmula seria d12 =
(u
ut 12 ) 2
13
2
t
12.22 Conforme mencionado no texto, se houver um intercepto na regresso de

primeira diferena, significa que havia na regresso original um termo de tendncia
linear. Dado que as variveis mo-de-obra e capital esto determinadas, poderamos
interpretar que o intercepto fornece a taxa de crescimento da produo em virtude de
mudana tecnolgica, se presumirmos que tempo ou tendncia so variveis
instrumentais para essa mudana.
12.23 Quando d muito pequeno, 1
d
1 . Neste caso, a equao da diferena
2
generalizada se reduz regresso na forma de primeira diferena.

12.24 Se r = 0, a Equao (12.4.1) se reduz a:
E ( 2 ) =
2
1 = n 2 .
n2
n 2 1
2 n
(a) Se for positivo, mas menor que 1, ento E ( ) ainda ser tendencioso pois que
subestimar o verdadeiro .
2
(b) Se for negativo, mas maior que 1, E ( ) tambm ser tendencioso, mas
superestimar o verdadeiro .
2
(c) O vis s ser razoavelmente pequeno quando estiver prximo de zero.

12.25 (a) Como vemos pelos resultados gerados por computador, o nico resduo
estatisticamente significativo o da defasagem 1. possvel, naturalmente, que os
outros cinco resduos defasados no sejam significativos devido colinearidade.
(b) Como o coeficiente AR(1) de 0,8149 no , em termos estatsticos,
significativamente diferente de um, a transformao de primeiras diferenas pode ser
adequada.
Problemas
12.26 (a) A regresso estimada a seguinte:
ln Ct = 1,500 + 0,468 lnIt + 0,279 lnLt + 0,005 lnHt = 0,441 lnAt

ep = (1,003) (0,166)
t = (-1,496) (2,817)
(0,115)
(2,436)
(0,143)
(-0,036)
(0,107)
(4,415)
R = 0,936; R = 0,926; F = 91,543; d = 0,955.

2
Como vemos, os coeficientes individuais de I, L e A so estatisticamente significativos,

e seu impacto sobre C importante do ponto de vista econmico.
(b) Se fizermos o grfico dos resduos e dos resduos padronizados, veremos que
possvel que indique autocorrelao.
(c) Os resultados da regresso dados em (a) mostram que a estatstica d 0,955. Ora,
para n = 30, k = 4 e = 5%, o limite inferior de d 1,138. Como o d calculado est
abaixo desse limite crtico, existe evidncia de autocorrelao positiva de primeira
ordem.
(d) Para o teste das carreiras, n = 30, n1 = 17, n2 = 13 e R = 9. Pelas tabelas de Swed
e Eisenhart, os valores inferiores e superiores das carreiras a 5% so 10 e 22. Como o
R observado 9 e est abaixo do limite inferior, parece que h autocorrelao positiva
nos dados, reforando o resultado baseado no teste d em (c).
(e) Talvez possamos usar o teste de Breusch-Godfrey apresentado no texto.
Yt = 246,240 + 15,182 Xt
ep = (5,849)
t = (42,104)
(0,643)
(23,603)
r = 0,977; d = 0,4148.
(a) De acordo com esses resultados, d = 0,4148.

(b) Sim. Para n = 15, k = 1 e = 0,05, dL = 1,077. Como o d calculado menor que
dL, existe evidncia de autocorrelao positiva de primeira ordem.
(c) (i) A estatstica de Thiel-Nagar (veja a Questo 12.6) para n = 15 e k = 2 =
0,8251.
(ii) O procedimento de Durbin em duas etapas pode no ser adequado a esse caso
devido alta colinearidade entre as variveis explanatrias atuais e as defasadas.
(iii) O mtodo C-O fornece uma estimativa de 0,6691 para (convergindo no nvel de
0,005 aps 3 iteraes).
(d) Usando a estimativa de de Thiel-Nagar de 0,8251, transformamos os dados
assim:
[Yt (0,8251)Yt-1] e [Xt (0,8251)Xt-1]. Com os dados transformados, os resultados da
regresso so os seguintes:
Yt * = 32,052 + 19,404 X t* (Nota: * indica varivel transformada).

ep = (4,925)
t = (6,508)
(2,038)
(9,522)
r = 0,883; d = 1,923.
Repare que essa regresso no corrige a perda da primeira observao da forma
sugerida por Prais-Winsten.
(e) Embora o valor d de 1,923 provavelmente indique que no h autocorrelao, no
est claro se a estatstica de Durbin-Wartson adequada ao caso porque sugeriria um
modelo AR(2) para a regresso original. Poderamos, portanto, usar um teste noparamtrico, tal como o das carreiras, para testar correlao serial na regresso
anterior. Para ela, n = 14, n1 = 8, n2 = 6 e R = 10. Pela tabela de Swed-Eisenhart, os
valores crticos so 3 e 12. Como o valor observado das carreiras 10 e est entre
esses limites, podemos concluir que no h autocorrelao.
12.28 (a) Os resultados da regresso para o procedimento C-O de duas etapas so:
Yi * = 1,214 + 0,398 ln I t* + 0,336 ln L*t + 0,055 ln H t* = 0,456 ln At*

ep = (1,137) (0,247)
(0,121)
(0,147)
(0,162)
t = (-1,067) (1,610)
(2,766)
(-0,378)
(2,818)
R = 0,951; F = 89,476; d = 1,488. (Nota: Os asteriscos indicam variveis
transformadas).
O coeficiente de lnIt agora insignificante, enquanto os coeficientes de lnL e lnA,
embora com os valores numricos bem alterados, ainda so significativos. Com base
no teste das carreiras, tambm nesta regresso no parece haver autocorrelao: n =
29, n1 = 15, n2 = 14, R = 11 e valores crticos de 10 e 22 a 5%.
(b) O estimado pelo mtodo C-O de duas etapas 0,524, enquanto o estimado pela
estatstica d (veja a Questo 12.26) : = 1 d / 2 = 1 0,955 / 2 = 0,5225. Assim,
ambos os mtodos do essencialmente a mesma estimativa.

12.29 Os resultados da regresso linear do custo total so:
Yi = 166,4667 + 19,933 Xt
ep = (19,021)
t = (8,752)
(3,066)
(6,502)
r = 0,841; d = 0,716.
Para n = 10, k = 1 e = 0,05, dL = 0,879. Como o d calculado est abaixo desse
valor, parece haver autocorrelao, que pode, no entanto, ser mais aparente que
real. De acordo com o mencionado no Captulo 7, a funo custo total poderia ser mais
adequadamente especificada como polinomial do terceiro grau. Por isso, a correlao
observada na regresso deve-se a erro de especificao do modelo.
12.30 Os resultados da regresso em forma de nvel j foram dados na Questo 7.21.
Eles mostram que o valor d bem baixo e igual a 0,2187, indicando que o termo de
erro correlacionado. Podemos, com esse d, calcular como segue: = 1 d / 2 =
0,8906, valor possivelmente prximo de 1 o bastante para tentarmos a transformao
de primeira diferena, cujos resultados so os seguintes:
Varivel dependente: DLOG(RM2)
Varivel
DLOG(RPIB)
DLOG(TJLP)
R-quadrado
Estatstica
DurbinWatson d
Coeficiente
0,6086
-0,1354
0,5461
Erro-padro
0,1665
0,0427
Estatstica-t
3,6551
-3,168
Probabilidade
0,0021
0,0060
0,3832
A letra D o comando do Eviews para tomar as primeiras diferenas. Observe

tambm que no h intercepto nesse modelo. Por qu?
Os resultados dessa regresso so interessantes comparados aos originais no
Problema 7.21. Enquanto antes a elasticidade da TJLP era estatisticamente
insignificante, agora muito significativa. Ao mesmo tempo, a elasticidade da renda
aumentou de 0,4946 para 0,6086 e tambm muito significativa. Talvez a diferena
nos resultados tenha a ver com a natureza da srie temporal envolvida, a qual bem
possvel que no seja estacionria. No temos ainda as ferramentas para tratar dessa
questo, mas as teremos quando estudarmos o tpico da econometria das sries
temporais mais adiante no texto.
12.31 Como os valores de X j esto arrumados em ordem crescente, o valor d igual
ao calculado com o mtodo sugerido por Thiel. Para a justificativa desse procedimento,
consulte Thiel.
12.32 No Problema 11.22 temos os resultados de duas regresses. Os da primeira
levam a um valor d estimado de 2,6072, o qual indicaria que no h autocorrelao.
Mas essa indicao suspeita, pois h uma observao excepcional relativa ao Chile,
que, excluda do modelo, levou aos resultados da segunda regresso, que mostram

no haver relao entre as duas variveis e exibem um d estimado de 2,6199. No
existe mesmo autocorrelao nesses dados. Estudaremos no Captulo 13 o papel das
observaes anormais (ou excepcionais), chamadas dados discrepantes (outliers),
alavancagem etc.
12.33 Segue um conjunto de dados gerados segundo o esquema sugerido:
ut
09,464
10,544
11,944
10,427
09,316
08,681
07,525
08,070
07,504
05,797
(a)
Xt
1
2
3
4
5
6
7
8
9
10
Yt
12,964
14,544
16,444
15,427
14,816
14,681
14,025
15,070
15,004
13,797
Yt = 14,694 + 0,003 Xt
ep = (0,688)
t = (21,354)
(0,111)
(-0,027)
r = 0,000; d = 1,296.
(b) Os resultados individuais variaro medida que ut varia.
(c) Mais uma vez, os resultados individuais variaro.
12.34 (a) Os resultados da regresso de estoque (Y) contra vendas (X), ambas as
variveis em milhes de dlares, so:
Yt = 1668,154 + 1,554 Xt
ep = (1806,696) (0,007)
t = (0,910) (-222,832)
r = 0,999; d = 1,374.
(b) (i) Para n = 42 e k = 1, o dL a 5% 1,46. Como esse valor est acima do d
observado de 1,374, existe evidncia de autocorrelao positiva de primeira ordem.
(ii) Podemos obter uma estimativa de pelo valor d de 1,374: = 1 d / 2 = 0,3218.
Com esse dado, obtemos: z =
( n ) ( 0,3218) = 2, 027 , valor significativo no nvel de
5%, indicando que h autocorrelao.

(c) Considerando os resultados em (b), no parece provvel que o verdadeiro seja
um. Mas se, assim mesmo, aplicarmos mecanicamente o teste, obteremos os
seguintes resultados:
g=
MQOeqprimeirasdiferenas
MQOeqformadenvel
2,93 109
= 1,320 .
2, 22 109
Para 41 observaes, k = 1 e = 0,05, dL = 1,45. Como o g observado est abaixo

desse valor, no rejeitamos a hiptese nula de que o verdadeiro = 1. Mas lembre-se
do aviso dado anteriormente.
(d) A estatstica do teste de Breusch-Godfrey significativa para 3 defasagens (p de
0,03), 4 defasagens (p de 0,04) e 7 defasagens (p de 0,07), embora nenhum
coeficiente defasado individual seja zero. Em prol da parcimnia, devemos escolher 3
defasagens.
(e) Se usarmos s o esquema AR de primeira ordem e aplicarmos o p de 0,3218 que
obtivemos em (b), podemos fazer a transformao [Yt (0,3128)Yt-1] e [Xt
(0,3128)Xt-1] e rodar com ela a regresso. Se preferirmos usar um esquema AR(3),
teremos de fazer as transformaes [Yt p1Yt-1 p2Yt-2 p3Yt-1] e outra anloga para
Xt.. Teremos de obter os trs valores de p pelo procedimento de Breusch-Godfrey.
(f) Os resultados do modelo log-linear so os seguintes:
Varivel
C
LOG(VENDAS)
R-quadrado
Estatstica
DurbinWatson d
Coeficiente
0,507409
0,995128
0,999324
Erro-padro
0,048561
0,004091
Estatstica-t
10,44886
243,2302
Probabilidade
0,0000
0,0000
1,2077
Os resultados desse modelo so qualitativamente os mesmos do linear, exceo de

que neste a estatstica Breusch-Godfrey significativa somente na primeira
defasagem.
(g) Veja a discusso no Captulo 6 e na Seo 8.11 do livro-texto.
12.35 (a) Seguem os resultados da regresso:
Varivel
C
INFLAO
R-quadrado
Estatstica
DurbinWatson
Coeficiente
23,98694
-4,375620
Erro-padro
5,235037
1,022227
Estatsticat
4,582000
-4,280479
Probabilidade
0,0001
0,0002
Erro-padro
8,111369
1,293445
1,082101
Estatstica-t
0,435415
3,048693
-2,309789
Probabilidade
0,6670
0,0054
0,0294
2,076724
(b) A regresso a seguinte:

Varivel
C
CRESCIMENTO
INFLAO
Coeficiente
3,531812
3,943315
-2,499426

0,572374
Durbin1,8965
R-quadrado
Estatstica
Watson d
(c) A afirmao de Fama est correta, e, para vermos isso melhor, faremos a
regresso de inflao atual contra crescimento da produo como segue:
Varivel
C
CRESCIMENTO
R-quadrado
Estatstica
DurbinWatson
Erro-padro
0,788408
0,192818
Coeficiente
6,326759
-0,679792
0,323439
Estatstica-t
8,024730
-3,525570
Probabilidade
0,0000
0,0016
0,538786
(d) Os valores d esto em torno de 2 em ambas as regresses, indicando que

provavelmente no h autocorrelao de primeira ordem. Esse resultado no de
surpreender porque as variveis nas duas regresses esto em forma de crescimento,
o que significa que a primeira diferena est implcita, e esta em geral reduz a
autocorrelao.
Varivel
C
X
Y(-1)
R-quadrado
Estatstica
DurbinWatson d
Coeficiente
8,176797
0,124403
0,801918
0,993815
Erro-padro
1,723142
0,040598
0,055007
Estatstica-t
4,745284
3,064274
14,57853
Probabilidade
0,0000
0,0041
0,0000
1,5005
Esses resultados indicam que o ndice de remunerao real depende no s do ndice

de produo, mas tambm do ndice de remunerao real predominante no perodo
principal.
(b) Aplicando a estatstica h, temos:
h =
( )
1 n var 3
= (0, 2497)
40
= 1, 6835 , em que o estimado foi
1 40(0, 003)
( ) igual ao quadrado do erro-padro de Y
obtido pelo valor d dado em (a) e var 3
t-1,
tambm dado em (a).

Se presumirmos que a amostra de 40 observaes razoavelmente grande, ento o h
calculado anteriormente segue a distribuio normal padro. Ora, como o valor do Z
(isto , varivel normal padro) crtico a 5% 1,96, e o h que calculamos menor que
esse valor, podemos concluir que no h autocorrelao neste exemplo.

12.37 Seguem os resultados da regresso baseados no procedimento Maddala
examinado no livro-texto, em que ISTAR a varivel renda transformada, NDUM a
varivel binria transformada e PROD o produto das duas.
Varivel
C
ISTAR
NDUM
PROD
R-quadrado
Estatstica
DurbinWatson d
Coeficiente
-4,041785
0,086407
67,37838
-0,067809
0,551249
Erro-padro
23,34284
0,031605
35,50361
0,036959
Estatstica-t
-0,173149
2,733972
1,897789
-1,834690
Probabilidade
0,8642
0,0124
0,0716
0,0808
2,203363
Se compararmos esses resultados com os da Equao (9.5.4), veremos que o

coeficiente da varivel renda e o seu coeficiente angular diferencial so quase iguais.
Devido transformao dos dados, no podemos comparar diretamente os
coeficientes de intercepto e a varivel binria (NDUM).

CAPTULO 13
MODELAGEM ECONOMTRICA: ESPECIFICAO DO MODELO E DIAGNSTICOS
13.1 Como o modelo est aparentemente fundamentado na teoria econmica, parece
estar bem especificado. No entanto, a forte correlao existente entre as variveis
preo poderia levar a problemas decorrentes da multicolinearidade. A escolha da forma
funcional uma questo emprica.
13.2 Em formato de desvio, o modelo verdadeiro pode ser escrito

Agora, 1 =
Logo,
y x = x + ( u u ) x
x
x
1 i
i i
2
i
2
i
yi = 1 xi + (ui u ) .
E (1 ) = 1 , pela aplicao das vrias propriedades de ui e xi. Ou seja, mesmo
que incluamos o intercepto desnecessrio no segundo modelo, o coeficiente angular

permanecer no-tendencioso, conforme reza a teoria.
As varincias dos dois estimadores so:
u2
e var(1 ) =
var( 1 ) =
2
X
i
v2
(X X )
, que no so iguais.
13.3 Sabemos que:
1 =
X ( + X + v ) = X
X
X
X
X
+ .
Portanto, E ( ) =
X
X iYi
2
i
1
2
i
2
i
+ 1 +
v X
X
i
2
i
2
i
Neste caso, o estimador do coeficiente angular no modelo incorreto fornece um

estimador tendencioso do verdadeiro coeficiente angular. As varincias so como no
Exerccio 13.2.
13.4 (a) Recordemos a seguinte frmula do Captulo 7:
R2 =
r122 + r132 2r12 r13r23

.
1 r232
Como X3 irrelevante, r13 =0, e a frmula se reduz a
R2 =
r122
. Ento, tipicamente,
1 r232
a incluso de X3 aumentar o valor de R. Se, no entanto, r23 for zero, o R no ser

alterado.
(b) Sim, pelas razes apresentadas no texto, so no-tendenciosas.
(c) As varincias de 2 nos dois modelos so:
2
var 2 = u 2 , para o modelo verdadeiro; e var 2 =
xi
incorreto.
v2
2
i
(1 r232 )
, para o modelo
Logo, as varincias no so iguais.

13.5 (a) Conforme vimos no texto, a omisso de uma varivel relevante levar
estimao tendenciosa. Da, E ( 1 ) 1 e E ( 2 ) 2 . As derivaes com lgebra
escalar conduzem a expresses pesadas, difceis de lidar. Por outro lado, podem ser
facilmente realizadas com lgebra matricial. Mas se quiser prosseguir, estime os
parmetros do modelo incorreto e ento coloque o modelo verdadeiro nos
parmetros estimados, tome as expectativas e descubra se os valores esperados dos
parmetros do modelo incorretamente especificado so iguais aos seus valores
verdadeiros. Se no forem, ento h vis.
(b) Se L2 for uma varivel irrelevante, ento as estimativas permanecero notendenciosas, com o seno de terem varincias maiores devido presena da varivel
incmoda L2.
13.6 Se a varincia menor de
mais do que compensa pelo vis, devemos escolher
esse estimador baseados no critrio EQM (erro quadrtico mdio). O objetivo deste
exerccio registrar que s vezes um estimador tendencioso pode ser escolhido em
virtude de sua menor varincia. Tudo depende, naturalmente, do propsito da
pesquisa.
13.7 Pela Equao (13.5.3), aplicando MQO, temos:
xi yi
2
i
x Y = x ( + X
x
x
i i
2
i
i
2
i
+ ui + i )
=+
xu +x
x
i i
i i
2
i
Tomando as expectativas da expresso anterior em ambos os lados, e observando as

propriedades de xi, ui e , vemos que no tendencioso.
13.8 (a) Com os subscritos de observao omitidos por convenincia, para a Equao
(2), resultamos de MQO:
xy = [ y + (u u )][ x (v v )] .
x
[ x + (v v )]
y x .
E para a Equao (1) =
x
*
* *
*2

Substituindo isso na expresso anterior, simplificando e achando o limite quando
n , chegamos expresso p lim( ) =
2
1 + v2
x
, que mostra que tendencioso.
(b) No, como se pode observar pela expresso precedente. Em outras palavras,
no um estimador consistente.
13.9 (a) O mtodo e os resultados so os mesmos da Questo 13.8.
(b) H vrias medidas corretivas apresentadas na literatura avanada.
13.10 O modelo correto
Yi = 1 + 2 X 2i + 3 X 3i + ui .
Mas se dele omitirmos X3, regressarmos Y somente contra X2 e depois regressarmos os

resduos dessa regresso contra X3 e obtivermos seu coeficiente, digamos, 3 , este
ento ser tendencioso e tambm estimador inconsistente do verdadeiro
3 . Para uma
prova formal, consulte Diagnostic Tests as Residual Analysis, de A. R. Pagan e A. D.

Hall, Econometric Reviews, Vol. 2, 1983, pp. 159-218.
13.11 (a)
(b)
1( verdadeiro ) = 1 + 52
1( verdadeiro ) = 1
2( verdadeiro ) = 2 .
2( verdadeiro ) = 32 .
(c) O coeficiente do intercepto ser no-tendencioso, mas o coeficiente angular ser

tendencioso e inconsistente.
13.12 Para a Equao (13.3.2), temos
1 = Y 2 X 2 . Portanto, aplicando (13.3.3)
E (1 ) = Y ( 2 + 32b32 ) X 2 = ( 1 + 2 X 2 + 3 X 3 ) ( 2 + 3b32 ) X 2 = 1 + 3 ( X 3 b32 X 2 ) .
13.13 Leamer aborda o problema econometria terica versus economia aplicada de

uma forma um tanto quanto ctica. Ele essencialmente sustenta que os tericos
examinam o campo e identificam reas problemticas quando pem em prtica a
teoria. Algumas delas so autocorrelao, heterocedasticidade, multicolinearidade e
especificao de modelos. Dos profissionais espera-se, ento, que discutam como seus
resultados podem ser influenciados por essas reas identificadas pelos tericos.
13.14 A afirmao de Thiel diz respeito s estratgias de regresso, justamente o
ttulo do captulo de onde vem essa citao. Ele se refere ao pensar com cautela sobre
os testes de hipteses e fundamenta isso no fato de que os referidos testes de
regresso surgem de processos de tomada de deciso dinmicos em que cada deciso

sucessiva depende das informaes disponveis no momento em que deve ser tomada.
Para uma discusso mais extensa, leia o captulo correspondente do livro de Thiel.
13.15 Blaugh pode estar certo. Pesquisadores por vezes impem a um conjunto de
dados um modelo que tenham desenvolvido sem avaliar criticamente a sua
aplicabilidade queles dados. Sempre que surge uma nova tcnica economtrica, eles
encantam-se por ela e comeam a aplic-la indiscriminadamente. Por exemplo, quando
os modelos de expectativas racionais se tornaram o grito da moda, houve quem os
aplicasse a todo tipo de economia sem lestudar suas estruturas.
13.16 Para ilustrar o pensamento de Blaugh, recordemos que ao testar hipteses, se o
teste estatstico (o t, por exemplo) no for significativo, no afirmamos que aceitamos
a hiptese nula, mas que no a rejeitamos. A razo para isso a possibilidade de que
com base em outro conjunto de dados possamos rejeitar a mesma hiptese nula.
Assim, ao no a rejeitarmos, apenas afirmamos que a amostra disponvel no nos d
nenhum motivo para rejeit-la.
13.17 Pode-se fazer objeo estipulao de que a afirmao so as variaes na
oferta monetria que determinam as variaes no PNB (nominal) seja forte demais
com base no modelo St. Louis. Dois dos cinco coeficientes para a taxa de crescimento
dos gastos do governo em termos de pleno, ou alto, emprego so estatisticamente
significativos no nvel de 95%. E por sinal, dois dos coeficientes da taxa de
crescimento da oferta de moeda no so estatisticamente diferentes de zero. Alm
disso, deve haver colinearidade no modelo entre a taxa de crescimento da oferta de
moeda e a taxa de crescimento dos gastos do governo em termos de pleno emprego.
Seria interessante reproduzir o modelo St. Louis com dados mais recentes. Acabou a
primazia da oferta de moeda M1, que est sendo substituda pela da M2.
13.18 Pode-se mostrar que

(Dica:
E (1 ) = 4 + 43 e E ( 2 ) = 2 + 7 4 .
X = 0 em virtude dos valores tomados por X.
13.19 Suprimindo o subscrito de observao i por convenincia, como Y = 1 + 2 X i ,

vem que Y = 1 + 2 12 X + 2 X .
2
Se
substituirmos
ltimo
Y = 1 + 2 X + 3 + 2 1 2 X + X
2
1
2
2
valor
) = (
na
+ 3
2
1
equao
) + (
RESET,
+ 2 3 12 X + 3
obteremos:
2
2
)X
= 1 + 2 X + 3 X 2 , que o resultado solicitado, em que os so uma mistura dos

coeficientes originais.
13.20 (a) Verdadeira. Veja a Figura 13.4.
(b) Verdadeira. Veja a Figura 13.4.

(c) Verdadeira. Veja a Figura 13.4.
(d) Verdadeira. O termo linear e o quadrtico so necessrios numa equao do
segundo grau.
(e) Verdadeira. O primeiro modelo em formato de desvio
No segundo modelo, espera-se que
yi = 2 x2i + 3 x3i + (ui u ) .
seja zero (Por qu?). Portanto, os dois modelos
so basicamente iguais, de forma que a linha (plano) de regresso estimada a

mesma.
13.21 (a) A Equao (1) o modelo irrestrito, e a (2), o restrito. Aplicando o teste F
restrito que vimos no Captulo 8, podemos testar se a restrio (que a varivel X6 no
se encaixa no modelo) valida. Os R irrestrito e restrito so, respectivamente,
0,9803 e 0,9801. Da, obtemos:
( R R ) NR = ( 0,9803 0,9801) 1 = 0, 2206 .

F=
(1 R ) ( n k ) (1 0,9803) 23 4
2
SR
2
R
2
SR
Como esse valor no significativo, o modelo restrito (2) aceitvel. No h, ento,

necessidade de fazer aqui um teste RESET explcito. O mesmo se aplica ao teste ML.
(b) No caso em tela, a varivel ln X6 no estatisticamente significativa, mas bem
possvel que possa vir a s-lo em outra amostra.
(c) No. O fundamento para incluir variveis explanatrias num modelo a teoria
econmica slida, no estatsticas t ou F.
13.22 (a) Esse seria um caso de incluso de variveis desnecessrias.
(b) Os estimadores seriam no-tendenciosos e consistentes, mas suas varincias
seriam, no entanto, grandes.
13.23 Os resultados da regresso de Y contra X, ambas incorretamente medidas, so:
Yi = 28,302 + 0,584Xi
ep = (12,677) (0,071)
r = 0,895.
Resultados que esto prximos daqueles com os dados corretos, mas os coeficientes
refletem o vis esperado.
13.24 (a) Vis de omisso de varivel.
(b) Conforme vimos no texto, 2 ser tendencioso e tambm inconsistente.

(c) Os resultados do modelo ampliado so:
V
1
ln = -3,385 + 2,126lnW + 1,505 ln 1 +
E
L
t = (-0,534) (1,229)
(0,471)
R = 0,895; F = 67,91; d = 2,362.

Para comparao, os resultados do modelo original CES so:
V
ln = -0,472 + 1,340W
L
t = (-0,352) (3,022)
R = 0,413; d = 1,826.
Como vemos, os resultados do modelo ampliado so insatisfatrios, pois nenhum dos
coeficientes angulares estatisticamente significativo, denotando que a varivel
adicional suprflua, que h graves erros de medida nas elasticidades calculadas, que
existe colinearidade nos dois regressores ou que todos esses fatores esto presentes.
13.25 Este exerccio para ser feito em aula, pois o resultado real depender da
amostra que estiver mo.
13.26 Como no se pode derivar do modelo B o A e vice-versa, o teste J deve ser
mais adequado. O teste F aninhado, no entanto, pode ser usado para comparar o
modelo irrestrito do Problema 8.26 com os modelos restritos A e B, conforme os
resultados a seguir.
Comparao com o modelo A:
( R R ) NR = ( 0,823 0, 601) 2 = 6, 271, em

F=
(1 R ) ( n k ) (1 0,823) (16 6 )
2
SR
2
R
2
SR
que o R irrestrito o do modelo do Problema 8.26 e o restrito o do modelo A. Como

o F estimado significativo no nvel de 5%, rejeitamos o modelo A como correto.
Comparao com o modelo B: F =
( 0,823 0,189 ) 2 = 17,910 ,

(1 0,823) (16 6 )
em que os valores
0,823 e 0,189 so os R do modelo do Problema 8.26 e o do modelo B,

respectivamente.
Novamente, o F significativo no nvel de 5%, indicando que o modelo B tambm no
o correto.
13.27 Neste caso temos as seguintes etapas:
B
1. Estimar o modelo B e dele obter os valores estimados de Y, Yi .

B
2. Acrescentar Yi ao modelo A como varivel explanatria adicional, estimar a
regresso resultante e testar a hiptese de que o coeficiente dessa varivel

nesta regresso no estatisticamente significativo. Se a hiptese for rejeitada,
provvel que o modelo A no seja o correto.
3. Repetir as etapas 1 e 2 trocando os papis de A e B.
A seguir esto os resultados das regresses, sem o subscrito de observao t, omitido
por convenincia.
Y = 6042,059 + 1,226X3 820,010X4 1115,888 X6 + 1,213 Y B

t = (1,8480)
(0,831)
(-3,658)
(03,908)
(2,184)
R = 0,722; F = 7,138.
O valor p do coeficiente Y 5,15%, que no significativo se nos prendermos ao
nvel de 5%, indicando que o modelo A o correto.
B
Y = 8944,403 + 3,177X2 + 108,217X5 + 572,812 X6 + 1,210 Y A

t=
( 3,016)
(1,921)
(1,070)
(2,293)
(5,960)
R = 0,808; F = 11,583.
O coeficiente da varivel Y significativonao nvel de 0,0001.
Com base nesses resultados, parece que o modelo A o correto.
A
13.28 (a) A diferena entre os modelos (1) e (2) no Exerccio 7.19 que h no
segundo uma varivel explanatria adicional. Se o modelo (2) for o correto, estimar o
(1) constituiria vis de varivel omitida.
Pode-se fazer o teste RESET de Ramsey apresentado no livro. Aplicando a estatstica F,
cujo valor 1,474, no rejeitamos a hiptese de que o modelo (2) o que est
corretamente especificado.
(b) Com base no teste de Ramsey, descobriremos que o modelo (5) est corretamente
especificado.
13.29 H algumas possibilidades, mas s consideraremos uma, a saber, o teste J de
Davidson-MacKinnon, cujas etapas so as seguintes.
Yf A .
B
2. Estimar o modelo B e obter dele os valores previstos, Yf .
B
3. Executar novamente o modelo A incluindo a varivel Yf . Se o coeficiente
1. Estimar o modelo A e obter dele os valores previstos,
dessa varivel for estatisticamente significativo, escolha o modelo B.

4. Executar novamente o modelo B incluindo a varivel
Yf A . Se o coeficiente
dessa varivel for estatisticamente significativo, escolha o modelo A.

5. Se
Yf B no modelo A e Yf
no modelo B forem ambos estatisticamente
significativos, ento os dois modelos so aceitveis.

Se executarmos esses passos, chegaremos concluso de que ambos so modelos
aceitveis. Entretanto, se introduzirmos a taxa de juros, bem possvel que um seja
prefervel ao outro. A seguir temos os resultados das regresses sem a varivel taxa
de juros, em que Y a poupana e X a renda.
Yt = 39,2316 + 0,3616Xt 0,3801Xt-1 + 1,1188 Yf B

t = (1,7725)
(3,8804)
(3,9028)
(4,2355)
R = 0,8965; d = 1,8193.
Yt = 43,4574 0,0269Xt + 0,5864Yt-1 + 1,1430 Yf

t = (1,8294)
(2,1177)
(4,2355)
(3,9027)
R = 0,8965.
O d de Durbin-Watson para o segundo modelo 1,8193, mas no pode ser usado nele
para testar correlao serial devido presena de regressando defasado.
Como vemos, ambos os modelos so aceitveis com base no teste J. Por que ser que
o coeficiente da varivel renda no segundo modelo negativo?
13.30 Os resultados da regresso de poupana contra renda so os seguintes:
Perodo
Intercepto
Coef.
angular
1970
1981
1,0161
0,0803
0,9021
(0,873)
(9,6015)
9,7255
0,00591
(0,8999)
(12,2197)
50,2516
0,0444
(3,6396)
(7,6745)
62,4226
0,0376
(4,8917)
(8,8938)
1970
1985
1970
1990
1970
1995
0,9142
0,7561
0,7672
Como vemos, h bastante flutuao nos interceptos e coeficientes angulares

estimados, talvez trazendo tona a questo da estabilidade da relao poupanarenda ao longo dos diferentes perodos.

13.31
Aplicando
os
dados
( 23248,30 1785, 032 ) 14 = 8,5885 .

F=
(1785, 032 ) 10
na
Equao
(13.10.1),
obtemos:
Aqui, n1 = 12 e n2 = 14.
Esse F muito significativo estatisticamente (valor p = 0,0008), levando concluso
de que a relao poupana-renda no foi estvel ao longo do perodo observado.
13.32 Vejamos o efeito da excluso de X6 no coeficiente da varivel mantida lnX2. De
acordo com a equao dada no enunciado, vem que E
( ) =
2
+ 6b62 . No modelo
verdadeiro (1), os valores de 2 e 6 so, respectivamente, 0,4813 e 0,0610. Pode-se

mostrar que o valor de b62 0,4875. Da, obtemos:
( )
E 2 = 0,4812 (0,0610) (0,4875) = 0,4515.

Ou seja, o vis 0,0297. Dito de outra forma, com a excluso de X6 o coeficiente de
2 foi subestimado em aproximadamente -0,03.
Aplique esse procedimento para encontrar o vis no coeficiente de lnX3.

CAPTULO 14
MODELOS DE REGRESSO NO-LINEARES
14.1 Se um modelo de regresso parece no-linear nos parmetros, mas pode ser
linearizado nos parmetros com as transformaes adequadas, ento ele
basicamente, ou intrinsecamente, um modelo de regresso linear. Mas se no houver
jeito de torn-lo linear nos parmetros, ento se trata de um modelo de regresso
intrinsecamente no-linear. Exemplos disso j foram dados nos Exerccios 2.6, 2.7 e
2.9.
14.2 Se o termo de erro for includo de modo aditivo, o modelo Cobb-Douglas (C-D)
torna-se um modelo de regresso intrinsecamente no-linear. Se for includo de modo
multiplicativo, o modelo torna-se linear nos parmetros de inclinao, mas no no
intercepto. Mas as propriedades do termo de erro nesse modelo dependem de como
ele includo de modo multiplicativo, se conforme (14.1.2) ou (14.1.3). A diferena
tem implicaes diversas para estimao e inferncia. Tradicionalmente, tem sido
includo conforme (14.1.2).
Para determinar qual forma adequada em cada caso, podemos aplicar o teste J ou
um similar. Se estimarmos o modelo C-D com ambos os termos de erro aditivo e
multiplicativo, tambm podemos examinar os resduos estimados dessas duas
especificaes e descobrir se os termos de erro esto normalmente distribudos ou se
h correlao serial etc.
14.3 Na estimao por MQO podemos obter solues explcitas, ou analticas, para os
parmetros desconhecidos. Nas estimaes por MQNL no h como conseguir isso, e
as estimativas obtm-se por um procedimento iterativo.
14.4 Primeiro, escreva a equao assim: ui = Y 110
2 t
+t
. Vamos, agora, minimizar:
2 t
+t
u
Y
10
=
i 1 .
2
i
H trs incgnitas nessa expresso: 1, 2 e . Logo, temos de diferenciar a equao

em relao a cada uma das incgnitas, igualar a zero as expresses resultantes e
resolv-las simultaneamente. Como imaginamos, as expresses resultantes so nolineares e no podemos obter solues explcitas. Da, teremos de recorrer a um dos
mtodos de estimao no-linear vistos no livro. Para os alunos arrojados, a vo as
trs derivadas:
ui2
2 t
2 t
+t
= 2 Yi 110 + t 10
ui2
2 t
2 t
+t
+t
= 2 Yi 110 110
+ t
ui2
2 t
2 t
+t
+t
= 2 Yi 110 110
2t
2
( + t )
Iguale essas expresses a zero para obter as equaes normais, as quais tm de ser
resolvidas iterativamente.
14.5 (a) Verdadeira. Veja a discusso na Seo 14.5.
(b) Verdadeira. Veja a discusso na Seo 14.5.
14.6 Consulte a Seo 14A.3 no Apndice 14A. Usando s as primeiras derivadas,
podemos generalizar a Equao (2) para mais de duas incgnitas. Para usar essa
frmula, precisamos da derivada da funo CES em relao s incgnitas A, e . As
expresses dessas derivadas so pesadas, difceis de lidar. O aluno mais arrojado pode
encontr-las no livro de Judge, et alli 1 .
14.7 (a) Neste caso,
dy
= 2 . Esse modelo indica que Y cresce a uma taxa 2 , positiva
dt
ou negativa, dependendo do sinal, mas constante ao longo do tempo.

(b)
1 dY
= 2 , indicando que a mudana relativa em Y uma constante igual a 2 .
Y dt
Multiplicando isso por 100, teremos a variao percentual, ou taxa de crescimento.
1
, de
1 + 2
t , Y = 1 , que o
(c) O modelo logstico de crescimento tem forma de S. Quando t = 0, Y =

forma que este o valor inicial de Y. Da mesma forma, quando
valor limite de crescimento de Y. Da vem que
2 > 0 .
(d) Assim como a curva logstica de crescimento, a curva Gompertz de crescimento

tambm tem forma de S, mas no simtrica em torno do seu ponto de inflexo, que
dado por
Y=
1
e
= 0,3681 . Para obter o ponto de inflexo, faa
d 2Y
= 0 . Alm
dt 2
Veja George G. Judge, R. Carter Hill, William Griffiths, Helmut Lutkepohl e Tsoung-Chao Lee, Introduction to the Theory
and Practice of Econometrics, 2 edio, John Wiley & Sons, New York, 1988, p. 514

disso, repare que
dY dt
= 3 ( ln 1 ln Y ) , que significa que a taxa de crescimento
Y
relativa em Y est linearmente relacionada ao logaritmo de Y.
A curva Gompertz de crescimento tem sido utilizada para estudar o crescimento da

populao e de animais.
Problemas
14.8 Nos modelos seguintes, Y = populao e t = tempo.
Modelo linear
Yt = 221,7242 + 0,1389t
t = (109,2408) (44,4368); r = 0,8178.
Modelo log-lin
Y = 5,3170 + 0,0098t
ln
t
t =(8739,399)(285,9826); r = 0,9996.
Modelo logstico
Yt =
1432, 739
; R = 0,9997.
1 + 1, 7986e 0,01117 t
Repare que as razes t de 1, 2 e 3 estimados so, respectivamente 2,8209, 4,3618

e 14,0658.
Modelo Gompertz
Yt = 1440, 733exp 1,9606e0,0054t ; R = 0,9995.

Repare que as razes t de 1, 2 e 3 estimados so, respectivamente 2,7921, 5,4893
e 5,4197.
Deixamos para o leitor a interpretao desses resultados em vista da discusso terica
desses modelos no Exerccio 14.7.
14.9 Funo de produo Cobb-Douglas com erro aditivo
PIB = 0,5292(mo-de-obra)0,1810 (capital)0,8827; R = 0,9942.
Nota: Repare que as razes t dos trs coeficientes so, respectivamente 1,9511,
1,2814 e 12,4658.
Funo de produo Cobb-Douglas com erro multiplicativo

lnPIBt = 1.6524 + 0,3397 lnmo-de-obra +0,8459 lncapital
t = (2,7258) (1,82950)
(9,0624)
R = 0,9950.
Como vemos, qualitativamente os resultados das duas especificaes diferem na
elasticidade produo/mo-de-obra, maior no modelo multiplicativo. A significncia
marginal desse coeficiente tambm muito maior neste do que no aditivo. Mas tenha
em mente que os resultados do modelo de termo de erro aditivo (isto , modelo de
regresso no-linear) no podem ser comparados diretamente com os do outro. Alm
disso, as razes t estimadas devem ser interpretadas no contexto de grandes amostras
para o modelo no-linear.

CAPTULO 15
MODELOS DE ESCOLHA QUALITATIVA
15.1 Os resultados da regresso baseados na excluso das 12 observaes so:
X
1
Yi = 1, 246
+ 0,120 i
wi
wi
t = (10,332)
(17,454)
E os resultados baseados na manuteno das 12 observaes depois de feitos os

ajustes sugeridos so:
X
1
Yi = 0, 635
+ 0, 0820 i
wi
wi
t = (12,576)
(26,305)
A diferena entre os dois modelos perceptvel. No esquea que a regresso revisada

baseia-se nas 40 observaes, enquanto a original baseia-se somente em 28. Talvez
os resultados do modelo revisado sejam preferveis porque incluem todas as
observaes. Repare tambm na mudana das razes t estimadas.
15.2 Esses dados produziro um ajuste perfeito, pois todos os valores de X acima de
16 correspondem a Y = 1 e todos aqueles inferiores a 16 correspondem a Y = 0.
Portanto, uma infinidade de curvas se ajustaria a esses dados. O mtodo de mxima
verossimilhana pode falhar em situaes assim, e, por isso, as estimativas MV
fornecidas no enunciado so de valor questionvel.
15.3 Reportando-nos ao modelo original, verificamos que os resultados so de um
modelo de probabilidade linear e que a unidade para renda disponvel X1 milhares de
dlares.
(a) Dentre os regressores, somente as variveis X1, X13 e X16 so estatisticamente
significativas no nvel de 5% e tm os sinais corretos. O valor baixo de R no deve
preocupar, pois essa medida no deve ser adequada ao modelo em questo.
(b) Como esse coeficiente no estatisticamente significativo, no podemos atribuir
grande significado a essa varivel.
(c) Os termos ao quadrado so utilizados para contornar as taxas de variao dessas
variveis. Os sinais no tm sentido prtico, uma vez que nenhum dos dois
coeficientes estatisticamente significativo.
(d) A probabilidade 0,6431.
(e) A probabilidade 0,6936.

15.4 Como a medida convencional do R no especialmente til em modelos com
regressando dicotmico, no h muito sentido em testar sua significncia como o teste
F visto no Captulo 8. Medidas alternativas da qualidade do ajustamento so abordadas
no texto e nas referncias (veja tambm o Exerccio 15.13).
15.5 As probabilidades estimadas nos vrios nveis de renda so: 0,2458; 0,2761;
0,3086; 0,3611; 0,3981; 0,4950; 0,5923; 0,6828; 0,7614 e 0,8254. Representandoas contra a renda, obteremos quase uma linha reta com inclinao crescente,
conforme o grfico abaixo.
VERTICAL = PROB
HORIZONTAL = RENDA
15.6 Recordemos que I i = 1 + 2 X i . Portanto, a varivel normal padronizada
Ii =
Da,
X i x
1 =
x
x
x 1
+ X .
x x i
2 =
15.7 (a) O logaritmo das chances de uma taxa de homicdios mais alta est
positivamente relacionado ao nmero de habitantes e taxa de crescimento
populacional, mas negativamente relacionado taxa de alfabetizao. O coeficiente de
0,0014 ligado a Pi deve ser interpretado como segue: tome seu antilogaritmo,
subtraia-lhe 1 e multiplique o resultado por 100. Assim, antilog(0,0014) = 1,0014,
subtraindo-lhe 1 e multiplicando o resultado por 100, temos 0,14%, o que quer dizer
que se o nmero de habitantes aumentar uma unidade (no caso, mil), as chances de
uma taxa de homicdios mais alta crescem 0,14%. Os outros coeficientes devem ser
interpretados de forma anloga.
(b) Individualmente, os coeficientes de C e R so estatisticamente significativos no
nvel de 5% ou melhor.

(c) Seguindo as etapas dadas em (a), o efeito do aumento de uma unidade na taxa de
alfabetizao uma reduo de cerca de 49,93% nas chances de uma taxa de
homicdios mais alta.
(d) As chances subiro 5,77%.
[N] Nota: Se tomarmos os valores nominais dos coeficientes dos regressores, teremos
a variao percentual aproximada das chances de uma taxa de homicdios mais alta,
mas, para sermos precisos, temos de seguir o procedimento descrito em (a).
15.8 Os coeficientes estimados diferem pouco. A diferena principal est nos errospadro estimados. A Equao (15.7.3) corrige a heterocedasticidade, ao passo que a
(15.7.3) no o faz.
15.9 (a) Repare que nesse modelo o logaritmo da razo das chances uma funo do
logaritmo da renda, o que faz dele um duplo log. Da, se a renda aumenta 1%, em
mdia, o log das chances favorveis a possuir um carro cresce cerca de 34,8%.
(b) Tirando o antilogaritmo da equao estimada, obtemos
Pi
= 0, 0625 X 0,3475 , em
(1 Pi )
que X a renda. Note que tirando o logaritmo dessa expresso voltamos equao
dada no enunciado.
A partir da equao anterior, tiramos a expresso para a probabilidade de possuir um
carro:
Pi =
0, 0625 X 0,3475
.
1 + 0, 0625 X 0,3475
(c) A probabilidade
Pi =
0, 0625(20000)0,3475
0, 66 .
1 + 0, 0625(20000)0,3475
Ou seja, de aproximadamente 66%. Seguindo esse mesmo procedimento, podemos

verificar que para o nvel de renda de 25.000, essa probabilidade de cerca de 68%.
De acordo com a nota de rodap nmero 19 do livro-texto, tambm verificamos que a
variao da probabilidade do nvel de renda de 20.000 para o de 25.000 bem
pequena.
(d) Vemos pelos resultados que os coeficientes so individualmente muito
significativos, assim como tambm o o valor , medida da qualidade de
ajustamento.
15.10 Conforme o Apndice A, para uma distribuio Bernoulli o valor mdio P, e a
varincia, P(1-P).
15.11 (a) Embora os resultados no sejam uniformes, os coeficientes logit, em
algumas situaes, so, em valores absolutos, mais baixos para os alunos negros do
que para todos os alunos, mas h casos em que a diferena pode no ser

estatisticamente significativa. As variveis, no entanto, tm os sinais esperados na
maioria das vezes.
(b) Na maioria dos casos, sim.
(c) Como vemos, tomando todos os alunos, os coeficientes so todos estatisticamente
muito significativos, o que no o caso para os estudantes negros. A significncia
geral do modelo pode ser julgada pelos valores , muito significativos para todos,
inclusive os negros. Esse valor mede a qualidade de ajustamento do modelo
comparando os valores previstos por ele com os valores reais. Veja o Exerccio 15.13
sobre esse tema.
15.12 (a) Para tornar homocedstico o termo de erro, o peso deve ser o inverso do
erro-padro de termo de distrbio estocstico ui. Nesse caso, o peso wi =
Ni fi
Pi (1 Pi )
(b) Os pesos e os dados transformados so os seguintes:

Probabilidade
0,20
0,24
0,30
0,35
0,45
0,51
0,60
0,66
0,75
0,80
Peso
(wi)
0,075
0,086
0,114
0,140
0,415
1,991
0,243
0,168
0,102
0,095
I* =
Iwi
-11,157
-8,113
-4,571
-2,708
-0,289
0,015
1,029
2,388
6,557
8,820
Xi* =
Xiwi
79,690
92,717
87,896
92,636
36,181
10,044
102,856
179,124
342,509
420,000
(c) Os resultados pelos mnimos quadrados ponderados so:
I i* = 1, 086 + 0, 049 X i*
ep =
(0,031)
(0,001)
V-se que os resultados pelos mnimos quadrados no-ponderados e ponderados no

so muito diferentes, embora para estes ltimos os erros-padro sejam relativamente
menores, como era de se esperar.
15.13 Nesse caso, o teste estatstico 2,3449, com valor p de 0,97. Portanto, no
rejeitamos a hiptese nula de que no h diferena estatstica entre os valores
estimados da probabilidade e os reais.
15.14 Seguem os resultados do modelo logit ponderado
probabilidade de morte como funo do logaritmo da dosagem.
que
expressam
Li = 4,837 + 7,058lnXi
ep = (0,434) (0,599)
t = (11,141) (11,782); = 1,4069.
Esses resultados revelam que os coeficientes estimados so muito significativos. O
valor p do observado 0,7039, indicando que no h diferena estatstica entre os
valores da probabilidade estimados e os reais. Ou seja, o modelo ajustado bastante
bom.
15.15 (a) Seguem os resultados pelo MPL, com Y = 1 se o candidato for admitido; se
no, Y = 0.
Yi = 2,867 + 0,003Qi + 0,002Vi

t = (3,442) (2,976)
(3,441)
(b) Embora os resultados estatsticos paream aceitveis, o MPL no um modelo

satisfatrio devido aos problemas analisados no texto, tais como ausncia de
normalidade do termo de erro, heterocedasticidade etc.
15.16 (a) O modelo logit estimado :
Yi = 2,085 + 0,136Xi
t = (143,597) (151,621).
(b) O modelo probit estimado :
Ii = 3,722 + 0,083Xi
t =(316,543) (115,524).
(c) O valor logit estimado correspondente ao desconto de 17 centavos 1,2548, do
qual tiramos que a probabilidade estimada de aproximadamente 56%, quase igual
do modelo probit.
0, 70
= 2, 085 + 0,136 X i . Resolvendo essa
1 0, 70
(d) O que precisamos achar ln
expresso, teremos o valor de X, que 21,56 centavos.

15.17 (a) Como o coeficiente do estado civil estatisticamente insignificante para
ambos os perodos, no h muito a dizer sobre a importncia dessa varivel, mas seu
sinal positivo tanto em 1977 quanto em 1989, e isso faz sentido sob o aspecto
econmico.
(b) O coeficiente negativo estimado para a varivel minoria est provavelmente
refletindo algum efeito da varivel renda, e indica que as minorias tm rendas mais
baixas e menor necessidade de contas bancrias.

(c) Essa varivel tambm reflete o efeito da varivel renda, indicando que medida
que cresce o nmero de filhos, possvel que a famlia disponha de menos dinheiro
para depositar em contas correntes ou de poupana.
(d) A estatstica uma medida da qualidade de ajustamento do modelo que, nesse
caso, boa, pois a previso de quem teria ou no uma conta corrente foi feita com
acerto de 91% em 1977 e 90% em 1989.
15.18 (a) Os resultados do MPL ponderado so:
Yi = 0,184 + 0,874Xi
t = 1,373)
(5,042).
(b) Dado que X = 48, o verdadeiro E(Y|X=0,48) = 0,440, e o estimado E(Y|X) =

0,603.
(c) Com os dados, podemos confirmar assim a resposta dos autores:
P(Y*|X=0,48) = 0,969 + 2,764(0,48) = 0,3579.
A probabilidade 0,6398, validando o resultado dos autores.
(d) P(Y*|X=0,79) = 0,969 + 2,764(0,79) = 1,2145. A probabilidade 0,8878. A
variao prevista 24,80, que est de acordo com os resultados dos autores.

CAPTULO 16
MODELOS DE REGRESSO COM DADOS EM PAINEL
16.1 Nos dados em corte transversal, coletam-se informaes sobre vrias

microunidades no mesmo ponto no tempo. Presume-se, em geral, que tais dados so
de amostras aleatrias. Nos dados em sries temporais, obtemos informaes sobre
uma dada microunidade, ou unidade individual, ao longo de um perodo de tempo. Os
dados em painel combinam caractersticas dos dois tipos anteriores, pois dados sobre
vrias microunidades so obtidos por vrios perodos de tempo.
16.2 Num modelo de efeitos fixos (MEF), admitimos que cada microunidade seja
representada pelo seu prprio intercepto, que permanece o mesmo ao longo do tempo.
Podemos levar em considerao o tempo e o espao por meio da incluso de variveis
binrias de corte transversal e de tempo.
16.3 No modelo de correo de erros (MCE), ao contrrio do MEF, presumimos que o
intercepto de uma microunidade uma extrao aleatria com mdia e varincia
determinadas. Trata-se de um modelo econmico, visto que no se introduzem N
variveis binrias distintas de intercepto para N unidades de corte transversal.
Conforme informado no texto, se o termo de erro e os regressores no estiverem
correlacionados, possvel que o MCE seja adequado, mas se estiverem, o MEF talvez
seja apropriado.
16.4 So todos sinnimos.
16.5 A resposta est na Seo 16.1. Resumidamente, combinando as dimenses
espao e tempo, podemos estudar muitos aspectos de um problema de uma forma que
no seria vivel fazer somente com os dados em corte transversal ou em sries
temporais. Dois exemplos importantes dos dados em painel so o Estudo em Painel da
Dinmica de Renda e o Levantamento de Renda e Participao em Programas.
Acompanhando as mesmas unidades em corte transversal ao longo do tempo,
podemos estudar a dinmica das variaes.
16.6 O novo termo de erro ser wit = i + vt + uit , com as pressuposies de que
i N (0, 2 ) , vt N (0, v2 )
e uit N (0, u ) . Alm disso, presumimos que:

2
E ( i vt ) = E ( i uit ) = E (vt uit ) = 0

E ( i j ) = 0(i j ); E (vt vs ) = 0(t s )
E (uit uis ) = E (uit u jt ) = E ( wit , w js ) = 0;(i j; t s)
var( wit ) = 2 = 2 + v2 + u2 , isto , wit
Conseqentemente,
homocedstico. O
coeficiente de correlao entre wit e w jt (i j) , ou seja, entre os erros das duas

unidades
diferentes
cov( wit , w jt )
var( wit ) var( w jt )
de
corte
transversal
num
dado
ponto
no
tempo,
;(i j ) .
+ + u2
2
2
v
2
v
E o coeficiente de correlao entre wit e w jt (t s) ,ou seja, entre os erros de uma

determinada unidade de corte transversal em dois pontos diferentes no tempo,
cov( wit , wis )
[ var( wit ) var( wis )]
2
;(t s ) .
2 + v2 + u2
16.7 Temos neste caso N = 50 unidades de corte transversal e T = 2 sries temporais

de dados. Consulte a observao nmero 2 na Seo 16.5. Como no podemos
considerar os 50 estados da unio como uma extrao aleatria, possvel que o MEF
seja mais apropriado.
16.8 So 245,7924, 84,22, 93,8774 e 59,2258 para a GE, GM, USS e
Westinghouse, respectivamente. Comparados com os da GE, os interceptos (isto ,
efeitos fixos) das outras empresas so estatisticamente diferentes, como se v pela
regresso (16.1.5).
16.9 Os resultados no so substancialmente diferentes no que tange aos coeficientes
das variveis X. Os interceptos no so iguais, o que era de se esperar devido s
diferenas nas premissas subjacentes aos dois modelos.
16.10 (a) Em conjunto, os resultados fazem sentido do ponto de vista econmico. Por
exemplo, o logaritmo dos ganhos menor neste ano se no anterior o indivduo esteve
desempregado, e o mesmo acontece se suas condies de sade foram precrias
naquele ano.
(b) Qualitativamente, os dois modelos do resultados similares.
(c) Como temos 3774 observaes, temos graus de liberdade suficientes para estimar
um modelo de efeitos fixos. Mas como os dois modelos geralmente do resultados
anlogos, podemos optar por qualquer um. Formalmente, podemos aplicar o teste
Hausman para decidir entre os dois.

Problemas
16.11 (a)
Coef.
R
d
angular
1990 3118,484
-22,4984
0,0834 1,98
(3,5718)
(-2,0894)
1991 3149,356
-23,3485
0,0972 1,9
(3,8837)
(-2,2742)
Nota: Os valores entre parnteses so as razes t.
Ano
Intercepto
(b) Os resultados da regresso combinada so os seguintes:

Ovos = 3132,258 22,8952 Preo
t = (5,3281) (3,1173)
r = 0,0902; d = 2,0037.
As pressuposies feitas neste caso so que os interceptos, os coeficientes angulares e

as varincias de erro so iguais nos dois perodos de tempo.
(c) Fazendo D = 0 para 1990 e D = 1 para 1991, os resultados da regresso so:
Ovos = 3153,082 34,6977D 22,9403 Preo
t = (5,0767) (0,1087)
(3,1027)
R = 0,0903; d = 2,0047.
Como vemos, o coeficiente da varivel binria para 1991 no estatisticamente

significativo, indicando que so estatisticamente iguais os interceptos dos dois perodos
de tempo.
(d) Se fizermos isso, teremos de usar 49 variveis binrias, o que consumir muitos de
graus de liberdade. Consulte tambm a segunda observao na Seo 16.5.
(e) No, pelo mesmo motivo de (d).
(f) No possvel, nesse caso, estimar o MCE, porque para isso seria necessrio que o
nmero de unidades de corte transversal fosse maior que o nmero de coeficientes a
serem estimados. Se tentarmos faz-lo usando, por exemplo, o Eviews, o software
responder com essa afirmao.
16.12 A vo os dados necessrios:
Ano
SRQ
gl
1990
1,24E+08 48
1991
1,22E+08 48
Combinada 2,46E+08 98
Nota: 1,24E+08 significa 124.000.000 etc.

Se aplicarmos o teste de Chow, descobriremos que podemos rejeitar a hiptese nula
de que as varincias de erro dos dois perodos so diferentes, indicando que os dados
podem ser combinados.
16.13 (a) A seguir, temos os resultados da regresso em forma de tabela, com as
razes t entre parnteses.
Empresa
GE
GM
US Steel
Westinghouse
Combinada
Intercepto
-9,9563
(-0,3173)
-149,4667
(-1,4137)
-50,0780
(-0,3413)
-0,5804
(-0,0724)
-63,3041
F-1
0,0265
(1,7057)
0,1192
(4,6192)
0,1714
(2,3254)
0,0530
(3,3776)
0,1101
C-1
0,1516
(5,9015)
0,3715
(10,0270)
0,4087
(2,8208)
0,0916
(1,6334)
0,3034
R
0,7053
SQR
13217
d
1,07
0,9214
143118
0,93
0,4810
154988
0,92
0,7450
1796
1,42
0,7565
1560690
0,22
(b) Teste de Chow: A soma das SQR das quatro empresas 313092. Aplicando o teste
conforme o Captulo 8, obtemos F =
(1560690 313092) 3 415866

=
= 9, 032 , valor
313092 (80 12)
46043
muito significativo, levando rejeio da hiptese nula de que as quatro varincias de

erro so iguais.
(c) Em vista do teste de Chow, parece que no se deve combinar os dados neste caso.
Mas isso no invalida a utilidade da tcnica de combinao, que foi evidente no nosso
exemplo dos ovos no Problema 16.11.
16.14 (a) A priori, seria de se esperar uma relao inversa entre as duas variveis
porque se o desemprego for alto, haver menos presso por aumentos de salrios,
presumindo que os outros fatores se mantenham constantes.
(b) & (c) A seguir temos os resultados da regresso em forma de tabela, com as
razes t entre parnteses.
Pas
Canad
Coef.
angular
-0,7294
(0,2946)
SQR
0,0048
5372
0,0088
156,4412
-9,1186
0,4248
7856
0,3591
(6,6952)
(3,6463)
152,4665
-9,6686
0,5420
3375
0,4910
(10,9253)
(4,6159)
Intercepto
85,8286
(3,8706)
Reino
Unido
Estados
Unidos

Combinada
132,3895
-6,3409 0,3365
1941
0,2440
((13,4746)
5,4242)
(d) Esses resultados e os de (e) foram obtidos com o Eviews.
Varivel dependente: COM?
Mtodo:
Mnimos
quadrados
combinados
Amostra: 1980 1999
Observaes includas:
20
Nmero
de
cortes
transversais: 3
Total observaes (equilibradas) em
painel: 60
Varivel
Coeficiente
DESEMPREGO?
-6,7307
Efeitos fixos
CAN--C
138,7603
RU--C
134,5800
EUA--C
133,3699
R-quadrado
Estatstica
Watson
0,3462
Durbin-
Erro-padro
1,4553
Soma
resduos
quad
Estatstica-t
-4,6247
19123,6604
0,2674
(e)
Varivel dependente: COM?
Mtodo: MQG (componentes
varincia)
de
Amostra: 1980 1999

Observaes includas:
20
Nmero
de
cortes
transversais: 3
Total observaes (equilibradas) em
painel: 60
Varivel
Coeficiente
C
131,3202
DESEMPREGO?
-6,2098
Efeitos aleatrios
CAN--C
0,8264
RU--C
-1,7597
EUA--C
0,9333
R-quadrado
0,3312
Erro-padro
8,8974
1,0664
Soma
resduos
quad
Estatstica-t
14,7592
-5,8231
19561,0217

Estatstica
Durbin0,2358
Watson
(f) Os resultados dos dois modelos so semelhantes. Podemos, portanto, escolher
qualquer um deles.

CAPTULO 17
MODELOS ECONOMTRICOS DINMICOS: MODELOS AUTO-REGRESSIVOS E
COM DEFASAGENS DISTRIBUDAS
17.1 (a) Falsa. Modelos economtricos so dinmicos se descrevem a trajetria no

tempo da varivel dependente em relao a seus valores passados. Os que utilizam
dados em cortes transversais no so dinmicos, a menos que sejam usados modelos
de regresso em painel com valores do regressando defasados.
(b) Verdadeira. O modelo Koyck presume que todos os coeficientes de defasagem
distribuda tm o mesmo sinal.
(c) Falsa. Os estimadores so tendenciosos e tambm inconsistentes.
(d) Verdadeira. Para demonstrao, veja o texto de Johnston citado na nota de rodap
nmero 30 do livro-texto.
(e) Falsa. O mtodo gera estimativas consistentes, embora sejam tendenciosas
aquelas obtidas com pequenas amostras.
(f) Verdadeira. Em tais situaes, aplique a estatstica h de Durbin. Para calcul-la, no
entanto, pode-se usar a estatstica d de Durbin.
(g) Falsa. vlido para grandes amostras, estritamente falando.
(h) Verdadeira. O teste de Granger uma medida de precedncia e contedo da
informao, mas por si s no indica causalidade, no sentido trivial da palavra.
17.2 Use as Equaes (17.7.1), (17.6.2) e (17.5.2).
Yt* = 0 + 1 X t* + ut
(1)
Yt Yt 1 = (Yt * Yt 1 )
(2)
X t* X t*1 = ( X t X t*1 )
(3)
Reescreva a Equao (2) assim: Yt = Yt + (1 )Yt 1

*
Reescreva a Equao (3) assim: X t =

*
Xt
1 (1 ) L
em que L o operador de defasagem, tal que LX t = X t 1 .
(4)
(5)
Substitua a Equao (1) na Equao (4) para obter:
Yt = 0 + 1 X t* + ut + (1 )Yt 1
Substitua a Equao (5) na (6) para obter:
(6)
Yt = 0 + 1
X t + (1 )Yt 1 + ut
1 (1 ) L
(7)
Simplificando a Equao (7), temos:
Yt = 1 + 2 X t + 3Yt 1 + 4Yt 2 (17.7.2), em que os so combinaes (nolineares) dos diversos parmetros da Equao (7).
]} , j que E (ut ) = 0 .
Yt 1 E (Yt 1 ) = ut 1 .
17.3 cov Yt 1 , ( ut ut 1 ) = E Yt 1 E (Yt 1 ) ut ut 1
cov Yt 1 , ( ut ut 1 ) = E ( ut 1 )( ut ut 1 ) , j que
2
cov Yt 1 , ( ut ut 1 ) = E ( ut 1 ) , j que no h correlao serial.
2
cov Yt 1 , ( ut ut 1 ) = , como queramos demonstrar.
17.4 Os valores para P* so, respectivamente, 100, 105, 115, 135 e 160.
17.5 (a) Os valores estimados de Y, que so funo linear da varivel no-estocstica
X, no so assintoticamente correlacionas com v, o termo de erro da populao.
(b) Pode diminuir a gravidade do problema da colinearidade.
17.6 (a) A defasagem mediana o tempo para se completar metade da frao de
ajustamento. No caso do modelo de Koyck, resolva a expresso a seguir para
encontr-la:
0 1 t (1 ) 1
resposta no perodo t
1
=
= , que simplificada d t = . Portanto,
resposta de longo prazo
2
0 (1 )
2
2 ln 2
1
, que a resposta solicitada.
t ln = ln = ln 2 . Logo, t =
ln
2
(b)
0,2
0,4
0,6
0,8
ln
1,6094
0,9163
0,5108
0,2231
ln2
Defasagem
mediana
0,6932
0,4307
0,6932
0,7565
0,6932
1,3569
0,6932
3,1063

17.7 (a) Como
k = 0 k ; 0 < < 1; k = 0,1, 2... , a defasagem mediana :
0
k
0 k k (1 2 )
=
=
=
k
0
1 (1 ) 1
(b) Se for muito grande, a velocidade do ajustamento ser lenta.

17.8 Aplique a frmula
que, com os dados da Tabela 17.1 torna-se
11,316
= 10,986 10,959 .
1, 03
17.9 (a) Seguindo o procedimento adotado no Exerccio 17.2, podemos escrever a
equao para M t como segue: M t = +
1 (1 1 )
(1 2 )
Yt + 2
Rt + ut ,
1 1L
1 2L
que pode ser
reescrita assim:
M t = 0 + 1 (1 1 ) Yt 12 (1 1 ) Yt 1 + 2 (1 2 ) Rt
M t = 2 1 (1 2 ) Rt 1 + ( 1 + 2 ) M t 1 ( 1 2 ) M t 2 + ut ( 1 + 2 ) ut 1 + ( 1 2 ) ut 2 ,
que
uma combinao de
, 1
2.
Observe que se
1 = 2 = ,
em
o modelo pode
ser ainda mais simplificado.

(b) O modelo que acabamos de desenvolver muito no-linear nos parmetros e tem
de ser estimado com o emprego de alguma das tcnicas iterativas no-lineares
examinadas no Captulo 14.
17.10 A Equao (17.7.2) apresenta o mesmo problema de estimao que o modelo
de Koyck e o das expectativas adaptativas, pois so auto-regressivos com estruturas
de erro similares. Trata-se de um modelo de regresso intrinsecamente no-linear,
exigindo, portanto, tcnicas no-lineares de estimao.
17.11 Conforme explanado por Griliches, como o modelo de correlao serial inclui
valores defasados dos regressores, o que no acontece nos de Koyck e de ajustamento
parcial, possvel que ele seja apropriado mesmo que se assemelhe a estes ltimos
em situaes em que estejamos transformando um modelo para nos vermos livres
da correlao serial de primeira ordem.

17.12 (a) Sim, o modelo de Koyck pode, nesse caso, ser estimado com os MQO.
(b) Haver um vis de amostra finita devido ao regressando defasado, mas as
estimativas sero consistentes. Pode-se achar a demonstrao disso nas pginas 408 a
411 do livro Principles of Econometrics, de Henry Thiel, publicado por John Wiley &
Sons, New York, 1971.
(c) A pressuposio de que e sejam iguais plausvel, pois os valores de ambos
situam-se, por premissa, entre 0 e 1.
17.13 De forma anloga aos modelos de Koyck, Alt, Tinbergen e outros, essa uma
abordagem ad hoc e tem pouca sustentao terica. O modelo pressupe que a
importncia dos valores passados declina continuamente desde o incio, o que pode ser
uma pressuposio razovel em alguns casos. Pela utilizao da mdia ponderada das
variveis explanatrias atuais e passadas, esse modelo triangular anula os problemas
de multicolinearidade que possam existir em outros.
17.14 (a) Em mdia, ao longo do perodo estudado, a variao do nvel de emprego
est positivamente relacionada produo e negativamente ao nvel de emprego no
perodo anterior e ao tempo. Os sinais negativos no coeficiente da varivel tempo e na
varivel tempo ao quadrado indicam que a variao no nvel de emprego vem
declinando ao longo do perodo, mas mais rapidamente. Repare que o coeficiente de
tempo no significativo no nvel de 5%, mas o de tempo ao quadrado o .
(b) 0,297.
(c) Para obter a curva de demanda de longo prazo, divida a de curto prazo por e
exclua o termo defasado do nvel de emprego, o que resultar na funo 47,879 +
0,579Qt + 0,094t + 0,002t.
(d) O teste estatstico apropriado o h de Durbin. Dado que n = 44 e d = 1,37,
obtemos:
n
44
d
1
h = 1
= 1 d
= 2, 414 .
2 1 n var(coef de Et -1 ) 2 1 44(0, 001089)
J que o h segue assintoticamente a distribuio normal, seu valor crtico a 5% 1,96.
Pressupondo que a amostra de 44 observaes seja razoavelmente grande, podemos
concluir que h nos dados evidncia de autocorrelao positiva de primeira ordem.
17.15 (a) (1 - 0,0864) = 0,136.
(b) A elasticidade preo de curto prazo 0,218, e a de longo prazo (0,218/0,136)
= 1,602.
(c) A elasticidade juro de curto prazo 0,855, e a de longo prazo (0,855/0,136) =
6,287.

(d) A taxa de ajustamento de 0,136 relativamente baixa, e isso pode ser por causa
do tipo de tecnologia desse mercado. Lembre-se de que tratores so bens durveis
com vida til razoavelmente longa.
17.16 O termo defasado representa as influncias combinadas de todos os valores
defasados do(s) regressor(es) do modelo, como vimos ao explorar a abordagem de
Koyck.
17.17 O grau do polinmio deve ser pelo menos um a mais do que os pontos de
inflexo da srie temporal observada representada graficamente ao longo do tempo.
Assim, use um polinmio de 4 grau para o primeiro grfico no canto superior
esquerdo, um de 2 grau para o do canto superior direito, um de 6 grau para o do
canto inferior esquerdo e outro de 2 grau para o do canto inferior direito.
17.18 (a) var( i ) =
j =0
j< p
i 2 j var( j ) + 2 i j + p cov( j , p ) .
Segue uma expresso anloga, a no ser por um termo adicional.

(b) No necessariamente assim, porque, como visto em (a), as varincias das
estimativas de i envolvem tanto as varincias como as covarincias dos coeficientes
estimados , e estas ltimas podem ser negativas.
17.19 Dado que i = 0 + 1i + 2 i , se 0 = 0 0 = 0 e

quando 4 = 0 0 + 41 + 16 2 = 0 1 = 4 2 .
Portanto, o modelo transformado :
Yt = + ( i X i ) + ut = + 0 + 1i + 2i 2 X t i + ut = + 2 4 iX t i + i 2 X t i + ut .
i =0
17.20 Yt = +
X
i =0
k/2
t i
+ ut = + i X t i +
i =0
k
i = +1
2
( k i ) X t i + ut
Yt = + iX t i + ( k i ) X t i + ut = + Z t + ut .
17.21 No caso, n = 19 e d = 2,54. Embora a amostra no seja muito grande, vamos
fazer o teste h a ttulo de ilustrao:
h = 1
d
n
19
2, 54
= 1
= 1, 3773 , valor que
2 1 ( n) var(coeficiente de PFt -1 )
2 1 19(0, 0142)
no significativo no nvel de 5%. No h, portanto, evidncia de correlao serial

positiva de primeira ordem, no esquecendo que nossa amostra pode no ser
suficientemente grande para aceitarmos esse resultado.
Problemas
17.22 Empregando o modelo de ajustamento de estoques ou de ajustamento parcial
(MAP), a funo de gastos no curto prazo pode ser escrita da seguinte forma, em que
Y so os gastos em novas instalaes e equipamentos e X as vendas (veja Equao
17.6.5) :
Yt = 0 + 1 X t + (1 ) X t 1 + ut
(1).
De acordo com os dados, seguem os resultados da regresso:
Yt = 15,104 + 0,629Xt + 0,272Yt-1

t = (3,194)
(6,433)
(2)
(2,365)
R = 0,987; F = 690,056; d = 1,519.

Pelo coeficiente do valor de Y defasado, encontramos que = 0,728.
A funo de gastos no longo prazo
Yt* = 20,738 + 0,864 Xt , obtida dividindo (2) por
0,728 e excluindo o termo Y defasado.

Temos de empregar a estatstica h para ver se h correlao no problema. Aplicando a
devida frmula, pode-se constatar que h = 1,364, valor que, assintoticamente, no
significativo no nvel de 5%. Ento, tambm assintoticamente, no h correlao serial
nos dados.
17.23 Aplicando a mesma notao usada no Exerccio 17.22, a funo de gastos no
curto prazo :
ln Yt = ln 0 + 1 ln X t + (1 )Yt 1 + ut
(1)
Os resultados da regresso so:

ln Yt
= 1,078 + 0,905 lnXt + 0,260 lnYt-1

t = (5,854)
(8,131)
(2,962)
R = 0,994; F = 1425,219; d = 1,479.

Da, achamos = 0,740.
(2)

A funo de gastos no longo prazo ln Yt
= 0,376 + 1,222 ln Xt
A estatstica h para este problema 1,34. Assintoticamente, portanto, rejeitamos a

hiptese de que existe correlao positiva de primeira ordem no termo de erro.
Ambos os modelos do resultados anlogos, sendo a vantagem do logartmico que os
seus coeficientes angulares estimados fornecem estimativas diretas dos coeficientes de
elasticidade, ao passo que os do linear apenas medem a taxa de variao.
17.24 Os resultados estatsticos so os mesmos do Problema 17.22. No entanto, como
este um modelo de expectativas adaptativas, a interpretao diferente. O
estimado agora interpretado como a frao com que as expectativas de
investimentos em instalaes e equipamentos so revistas a cada perodo. A estrutura
de erro da populao tambm diferente, conforme observado no texto.
17.25 Neste caso, empregamos uma combinao dos modelos de expectativas
adaptativas e MAP. Segue a equao, em que vt = ut + (1 ) ut 1 :
Yt = 0 + 1 X t + (1 ) + (1 ) Yt 1 + (1 ) + (1 ) Yt 2 + vt ,
que,
por
convenincia, escrevemos Yt = 0 + 1 X t + 2Yt 1 + 3Yt 2 + vt . Com base nos dados,
seguem os resultados da regresso:
Yt = 19,7701 + 0,715Xt + 0,565Yt-1 0,409Yt-2

t = (4,467)
(8,323)
(4,250)
(3,460)
R = 0,992; F = 5653,234; d = 1,367.

Os coeficientes estimados so todos estatisticamente significativos, mas como so
combinaes no-lineares dos originais, fica difcil obter suas estimativas diretas.
Teoricamente, devemos estimar esse modelo empregando os mtodos no-lineares
apresentados no Captulo 14, os quais daro estimativas diretas dos diversos
parmetros que sero ento comparados queles obtidos nos Problemas 17.22, 17.23
e 17.24.
17.26 Hiptese nula H0: as vendas no causam, no sentido de Granger, os
investimentos em instalaes e equipamentos. Seguem os resultados do teste de
Granger:
N de
defasagens
2
3
Estatstica
F
17,394
5,687
3,309
0,0628
2,379
0,1606
1,307
0,4463
Valor p
Concluso
0,0001
0,0117
rejeitar H0
rejeitar H0
no rejeitar
H0
no rejeitar
H0
no rejeitar
H0

Hiptese nula H0: os investimentos em instalaes e equipamentos no causam, no
sentido de Granger, as vendas. Seguem os resultados do teste de Granger:
N de
defasagens
2
3
4
5
Estatstica
F
22,865
13,009
7,346
5,867
3,053
Valor p
Concluso
0,0001
0,0004
0,0065
0,0262
rejeitar H0
rejeitar H0
rejeitar H0
rejeitar H0
no rejeitar
H0
0,1939
Como se v por esses resultados, o teste de causalidade de Granger sensvel ao

nmero de termos defasados includos no modelo. At trs defasagens, a causalidade
bilateral, at cinco, de investimento para vendas, e at 6, nenhuma das duas
variveis causa a outra.
17.27 Um modelo elucidativo que se ajustou neste caso foi um polinomial de segundo
grau com quatro defasagens. Empregando o formato da Equao (17.13.15) e fazendo
Y representar os investimentos e X as vendas, os resultados da regresso so:
Yt = 35,4923 + 0,8910Xt + 0,3255Xt-1 0,0312Xt-2 0,1792Xt-3 0,1183 Xt-4

t = (4,3321)
(5,1042)
(3,6176)
(0,2530)
(2,1109)
(0,6562).
Exortamos o leitor a experimentar outras combinaes de defasagens e polinmios de

outros graus. Pode-se aplicar o critrio de informao de Akaike para fazer a escolha
entre os modelos concorrentes.
17.28 Obtivemos os seguintes resultados com o software Eviews 4.
COEFICIENTE
Intercepto
Xt
Xt-1
Xt-2
Xt-3
Xt-4
NER
23,3844
(2,3578)
0,3188
(3,5791)
0,4414
(3,9542)
0,3677
(5,4213)
0,0976
(2,1948)
-0,3686
(1,6678)
FER
BER
-36,0936
-5,9303
(-4,6740)
(-0,8799)
0,8712
(5,5205)
0,3515
(10,4464)
0,0045
(0,0993)
-0,1697
(-2,2065)
-0,1712
0,1215
(19,9423)
0,1945
(19,9423)
0,2188
(19,9423)
0,1945
(19,9423)
0,1215
(-2,7730)
(19,9423)

Nota: NER, FER e BER denotam restrio near-end, far-end e nos dois extremos,
respectivamente. Os nmeros entre parnteses so as razes t.
Nota-se que a aplicao de restries aos coeficientes dos modelos leva a resultados
muito diferentes. Repare na interessante descoberta de que a imposio de restries
nos dois extremos gerou erros-padro e razes t idnticas. melhor no impor
restrio nenhuma, a menos que haja a priori uma expectativa consistente.
Naturalmente, o que ainda preciso saber em cada caso o nmero de termos
defasados e o grau do polinmio.
17.29 (a)
Direo da
causalidade
YX2
X2Y
Nmero de
defasagens
2
2
Probabilidade
0,0695
2,8771
0,9329
0,0705 *
YX2
X2Y
3
3
0,1338
2,4892
0,9392
0,0793 *
YX2
X2Y
4
0,1407
0,9655
4
1,8239
0,1533
* Significativo no nvel de 10%
A seta indica a direo da causalidade, e a hiptese nula em cada caso de que a

varivel esquerda da seta causa a varivel direita. Parece que nessas situaes o
investimento em equipamento de processamento de informaes no causa vendas, no
sentido de Granger. Mas h evidncia inconcludente de que as vendas causem o
investimento. Experimente outras defasagens e verifique se essa concluso se altera.
(b) Os resultados da causalidade entre investimento e taxa de juros so interessantes
porque no h relao causal entre as duas at cinco defasagens; na sexta, a taxa de
juros causa investimento, mas no vice-versa; e na stima e oitava defasagens no h
correlao causal entre as duas. difcil justificar intuitivamente esses resultados.
(c) Na forma linear no havia efeito de defasagem distribuda discernvel de vendas
sobre o investimento. No modelo log-linear com 4 defasagens, polinmio do segundo
grau e impondo restrio near-end temos os seguintes resultados:
ln Yt
= 15,1508 + 0,2008lnX2t + 0,3288lnX2(t-1) + 0,3841lnX2(t-2) + 0,3665lnX2(t-3) +
0,2762ln X2(t-4)
t = (73,2185)
(2,1921).
(3,8962)
(5,0794)
(9,6896)
(15,0782)
Se representarmos graficamente os coeficientes dos diversos termos lnX2, veremos

que eles aumentam at a segunda defasagem e depois declinam, apresentando uma
curva em forma de U invertido.
17.30 (a) & (b) Pode-se mostrar, mediante a aplicao do teste de causalidade de
Granger, que h causalidade bilateral entre as duas variveis at quatro defasagens,

mas, alm da, no h causalidade unilateral ou bilateral. Por exemplo, na defasagem
3 achamos:
produtividade remunerao, F = 3,84, (valor p = 0,0314)
remunerao produtividade, F = 3,97, (valor p = 0,0284),
e na defasagem 4:
produtividade remunerao, F = 2,27, (valor p = 0,0888)
remunerao produtividade, F = 3,26, (valor p = 0,0265).
(c) Poderamos, por exemplo, regressar a remunerao contra a produtividade e a taxa
de desemprego para ver o efeito (parcial) desta ltima, deduzido o efeito da segunda.
Seguem os resultados da regresso, em que Y a remunerao, a produtividade X2,
e a taxa de desemprego X3:
Yt = 26,7834 + 0,6907X2t + 0,6680X3t

t = (12,8468) (33,2341) (2,7053)
R = 0,9694; d = 0,2427.
Todos os coeficientes estimados parecem estatisticamente significativos. possvel
que o sinal positivo da varivel taxa de desemprego contrarie a intuio, a no ser que
se possa alegar que altas taxas de desemprego incrementem a produtividade, a qual,
por sua vez, levaria a maior remunerao. Como a estatstica d muito baixa no caso
em tela, possvel que haja neste modelo autocorrelao ou vis de especificao, ou
ambos.
17.31 S para dar uma amostra do teste de Sims, regressamos Y (investimento em
novas instalaes e equipamentos) contra X (vendas) com duas defasagens e dois lead
terms X, obtendo os seguintes resultados:
Yt = 2,6549 + 1,4421Xt-1 0,4043Xt-2 + 0,3290Xt+1 0,5576Xt+2

t = (0,4039)
(7,1142)
(2,0425)
(1,6786)
(3,0060).
R = 0,9912; d = 3,0561.
Os resultados lanam dvidas de que as vendas causem investimentos, pois parece
que o lead term Xt+2 estatisticamente significativo. O leitor deve experimentar outras
estruturas com termos defasados e lead terms para ver se essa concluso se mantm.

CAPTULO 18
MODELOS DE EQUAES SIMULTNEAS
18.1 A demanda por dentistas seria uma funo do preo do tratamento dentrio, da
renda da populao de pacientes, da disponibilidade de seguro-sade odontolgico, do
nvel de escolaridade da populao que necessita de cuidados odontolgicos, do
tamanho da famlia etc. A oferta de dentistas seria uma funo do preo do tratamento
dentrio, do custo da conscientizao da necessidade desse tratamento, do tamanho
da populao que necessita dele, do nmero de escolas de odontologia, das exigncias
legais para o exerccio da profisso etc. Neste exemplo, as variveis endgenas so a
demanda por dentistas, a oferta de dentistas e o preo do tratamento dentrio. As
demais variveis devem ser consideradas exgenas.
18.2 Brunner e Meltzer usaram variveis tais como taxa de juros, a real riqueza do
Estado, a razo entre a renda corrente e a permanente etc. Tiegen usou a renda, a
taxa de juros de curto prazo, o estoque de capital defasado etc. Na literatura, h
controvrsia sobre qual das duas taxas de juros a de curto ou a de longo prazo
representa adequadamente o custo de oportunidade do capital.
18.3 (a) Em forma de desvio (dos valores mdios), podemos expressar como segue as
funes demanda e oferta:
qtd = 1 pt + (u1t + u1 ) = 1 pt + u1t*
(1)
q = 1 pt + (u2t + u2 ) = 1 pt + u
(2)
s
t
De (1), obtemos: 1
*
2t
q p = ( p ) + u
=
p
p
t
*
1t
2
t
2
t
p
pt u1*t .
= 1 +
pt2
(3)
Em equilbrio, (1) = (2). Logo, depois das simplificaes, temos:
u2*t u1*t
pt =
1 1
(4)
pu
*
t 1t
(u
=
u
p =
2
t
*
2t
u1*t u1*t
1 1
*2
2t
u
=
u u1*2t
* *
2 t 1t
1 1
+ u1*2t 2 u2*t u1t*
(1 1 )
Substituindo em (3) essas expresses e simplificando, obtemos:
(5)
(6)
1 = 1 +
u u u
u + u 2 u
*2
2t
* *
2 t 1t
*2
1t
*2
1t
* *
2 t 1t
(1 1 )
(7)
Como u1 e u2 no so correlacionados, ao tirar o limite de probabilidade (plim),

obtemos o seguinte:
p lim 1 = 1 (1 1 )
u2*1
u2*1 + u2*2
(8)
Como geralmente o ltimo termo em (8) diferente de zero,

consistente de
no estimador
1 .
(b) Se 1 = 1, ento a probabilidade anterior igual a 1.

18.4 Igualando as Equaes (18.2.13) e (18.2.18), obtemos:
0 + 1r = 0 + 1M + 2 r
Logo, rt =
(0 0 )
1
+
M
( 1 2 ) ( 1 2 )
(1)
(2)
Substituindo (2) na equao IS, temos:
Yt =
0 ( 1 2 ) + 1 (0 0 )
11
+
M
( 1 2 )
( 1 2 )
18.5 (a) As variveis Y (renda real per capita) e L (base monetria real per capita)
refletem a abordagem de preferncia pela liquidez. A varivel I (taxa de inflao
esperada) reflete a teoria de Fischer. As variveis NIS (varivel de novas emisses) e
E (retornos de aes esperadas em fins de perodos, representados pelos quocientes
esperados dos preos das aes) introduzem elementos de fluxo. A varivel Rbt-1
(rendimento dos ttulos de dvida defasados) leva em conta um efeito de defasagem
distribuda. So todas discutidas no artigo de Oudet.
(b) & (c) As variveis endgenas so Rbt e Rst. Rbt-1 uma varivel predeterminada
(endgena defasada). No h termo Rst defasado no modelo. Todas as outras variveis
so predeterminadas (exgenas).
18.6 (a) Todas as variveis Y so endgenas, e todas as X so exgenas.
(b) Sim, todas as equaes podem ser estimadas pelos MQO. Entretanto, como se
trata de sistema de equaes simultneas, pode ser que os estimadores MQO sejam
tendenciosos e tambm inconsistentes.

18.7 (a) Aparentemente, Bass no est interessado em desenvolver um modelo geral
de demanda e oferta, mas em estudar a relao entre despesas com publicidade e
vendas de cigarros.
(b) Se X2 fosse tratada como endgena, precisaramos de uma equao para explicla.
18.8 (a) As variveis endgenas so Y, C, Q e I. As predeterminadas, P, R, Yt-1, Ct-1 e
Qt-1, sendo as duas primeiras exgenas e as demais endgenas defasadas.
(c) possvel que essa varivel explique a inflao.
18.9 (a) No existe nesse exemplo um sistema de equaes simultneas, pois
nenhuma das variveis dependentes das equaes usada como regressor em outra
equao. Os estimadores sero no-tendenciosos e consistentes.
Problemas

DCP
t = 142,1826 + 0,6889PIBt
t = (5,3883)
(156,2434)
r = 0,9988; d = 1,2019.
18.11 Os resultados so:
It = 289,0339 + 66,8100PIB
t = (4,3262)
(17,5783)
r = 0,9169; d = 0,3851.
18.12 Os resultados da regresso so os seguintes:
It = 588,1915 + 1,5007(Y Yt-1)

t = (7,1598)
(4,0243)
r = 0,3749; d = 0,5245.

CAPTULO 19
O PROBLEMA DA IDENTIFICAO
19.1 Aplicando as definies de M, m, K e k, e fazendo R igual ao nmero de variveis
excludas (tanto endgenas como predeterminadas) de uma equao dada, ento, pela
Definio 19.1, R = ( M m) + ( K k ) ( M 1) . Subtraindo (M m) de cada lado,
temos
( K k ) m 1 , que a Definio 19.2.
19.2 Os coeficientes estruturais so:
0 = 3 1 0
1 = 4
1
2 = 5 2 4
1
0 = 3 1 0
1 = 5
2
2 = 4 1 5
2
19.3 (a) As equaes na forma reduzida so:
Yt = 0 + 1 I t + wt
(1)
Ct = 2 + 3 I t + wt
(2)
Para este sistema, M = 2(C,Y) e K = 1(I). A condio de ordem aplicada a (2) mostra
que ela exatamente identificada. A identidade renda , por definio, identificada.
(b) Seguem as equaes na forma reduzida:
W&t = 0 + 1UN t + 2 M& t + wt

P& = + UN + R& + M&
t
(1)
t
(2)
Para este sistema, M = 2(W& , P& ) e K = 3(UN , R& , M& ) . Pela condio de ordem, a equao
(1) superidentificada, mas a (2) exatamente identificada.
(c) Este problema se destina a mostrar o carter tedioso do desenvolvimento de
equaes na forma reduzida. Deixamos para o leitor a soluo.
19.4 Veja o Exerccio 19.3. O teste de condio de posto d o mesmo resultado.
19.5 A razo pela qual a equao da oferta superidentificada que a da demanda
contm duas variveis predeterminadas, I e R. Se contivesse s uma, a equao da

oferta seria exatamente identificada, o que, conseqentemente, tambm ocorreria se
2 = 0 ou 3 = 0.
19.6 (a) Para este sistema, M = 2(Y1,Y2) e K = 2(X1,X2). Pela condio de ordem, Y1 e
Y2 so ambas exatamente identificadas.
(b) Neste caso Y1 identificada, mas Y2, no.
19.7 (a) A partir dos Sistemas (19.2.12) e (19.2.22), pode-se demonstrar o seguinte:
10 = 20 22 10 = 3; 12 = 22 = 1, 25
12
12
20 = 20
11 = 21
21
10 = 6; 21 = 21 = 2
11
11
11 21

= 2, 25; 12 = 22 12 21 = 6
11
11
(b) Precisamos do erro-padro

lo, pois, como vemos por (a),
11
11
para testar essa hiptese, mas no fcil estim-
funo no-linear dos coeficientes .
19.8 (a) Neste exemplo, Y1 no identificada, mas Y2 . Como o sistema anlogo ao
formado por (19.2.12) e (19.2.13), temos que 21 = 3 = 1, 5; 20 = ( 2 21 0 ) = 4 . Os

1
outros coeficientes estruturais no podem ser identificados.

(b) Neste caso, tantoY1 quanto Y2 so identificadas.
19.9 Neste sistema M = 4 e K = 5, e todas as equaes so superidentificadas.
19.10 Neste caso, M = 4 e K = 4. Pela condio de ordem, Y1 e Y2 no so
identificadas, mas Y3 e Y4 so exatamente identificadas.
19.11 Neste caso, M = 5 e K = 4. Pela condio de ordem, Y1, Y2 e Y5 so exatamente
identificadas, Y3 no identificada e Y4 superidentificada.
Para mostrar como funciona a condio de posto, considere a primeira equao, que
exclui as variveis Y3, Y5, X2 e X3. Para que ela seja identificada, deve haver no mnimo
um determinante 4 x 4 diferente de zero dos coeficientes das variveis dela excludas,
mas includas nas demais equaes. Um determinante assim :
23
35
0
0
0
1
22 23
0 33
0
0 43
52 53
Dessa forma, a primeira equao tambm identificada pela condio de posto.

Aplique procedimento anlogo para as outras equaes.
19.12 Neste modelo, M = 4 e K = 2. Pela condio de ordem, a equao para C
identificada, e aquelas para I e T so superidentificadas.
Tratando r como exgeno, temos M = 4 e K = 3. Pela condio de ordem, agora as
equaes para C, I e T so todas superidentificadas.
19.13 Pela Equao (19.1.2), a forma reduzida para renda Yt = 0 + 1 I t + ut . Os
resultados pelos MQO so:
Yt = 10,0000 + 5,0000It
t = (8,458)
(12,503)
R = 0,897.
Pela Equao (19.1.4), a forma reduzida para consumo Ct = 2 + 3 I t + wt . Os
resultados pelos MQO so:
C t = 10,0000 + 4,0000It
t = (8,458)
(10,002)
r = 0,848.
Para este modelo, M = 2 e K = 1. Pela condio de ordem, a funo consumo
exatamente identificada. As estimativas dos coeficientes estruturais so
0 =
= 2; 1 = 3 = 0,8 .
1
2
19.14 Veja o Exerccio 19.1. Pela Equao (19.3.1) com a Definio 19.2,
K k m 1 . Somando k aos dois lados, obtemos K m + k 1 .
19.15 As equaes na forma reduzida so:
Y
Pt = 1 + 2 t
Nt
+ 3 Ft + 4Wt + 5Ct 1 + 6Tt 1 + 7 Pt 1 + vt
Y
Qt = 8 + 9 t
Nt
+ 10 Ft + 11Wt 1 + 12Ct 1 + 13Tt 1 + 14 Pt 1 + wt
(b) Nesse caso, M = 2 e K = 7. Pela condio de ordem, ambas as equaes so

superidentificadas.
19.16 (a) & (b) Aqui temos M = 2 e K = 2. Pela condio de ordem, a funo
demanda no identificada, e a funo oferta superidentificada.
(c) As equaes na forma reduzida so:
Yt = 0 + 1 Rt + 2 Pt + vt
M t = 3 + 4 Rt + 5 Pt + wt
(d) Para aplicar o teste de simultaneidade funo oferta, faa o seguinte:
(1) estime a forma reduzida para Yt e obtenha os resduos vt ;
(2) regresse Mt contra Yt e vt ;
(3) a hiptese nula de que no h simultaneidade, ou seja, o coeficiente vt de (2)
no estatisticamente significativo.
Os resultados disso so os seguintes:
Varivel dependente: M2
Amostra: 1970 1999
Observaes includas:
30
Varivel
Coeficiente
C
2021,6072
Y
0,7650
-0,1608
vt
R =
0,9872
Erro-padro
Estatstica-t
113,5850
-17,7981
0,0186
40,9533
0,0422
-3,8094
d=
0,5221
Como o coeficiente do termo de resduos muito significativo estatisticamente, rejeite

a hiptese nula de que no h simultaneidade.
(e) Empregamos aqui o teste de exogeneidade apresentado no texto. Estimamos a
seguinte regresso:
M t = 1 + 2Yt + 3Yt + ut , em que Yt obtido da regresso da forma reduzida dada em

(c) para Y.
Se o 3 estimado for estatisticamente diferente de zero, rejeite a hiptese nula de que
Yt exgena.

Varivel dependente: M2
Varivel
C
Yt
Y
t
R =
Coeficiente
2295,7898
0,3292
Erro-padro
Estatstica-t
78,9873
-29,0652
0,06825
4,82384
0,4791
0,0695
0,9928
6,8929
d=
0,5946
Como mostram os resultados, o coeficiente de Yt estatisticamente significativo,

levando concluso de que Y no exgena.

CAPTULO 20
MTODOS DE EQUAES SIMULTNEAS
20.1 (a) Falsa. Os MQO podem ser utilizados em sistemas recursivos.
(b) Verdadeira. Se uma equao no for identificada, nenhum mtodo fornecer
estimativas dos parmetros estruturais.
(c) Verdadeira.
(d) Falsa. Em um sistema de equaes simultneas h variveis endgenas assim
como exgenas, e por vezes no estamos certos em qual dessas categorias se
enquadra uma varivel. O que nos permite verificar isso o teste de exogeneidade.
(e) Verdadeira. Veja o Apndice 20A.1 a respeito dos MQI e a nota de rodap nmero
14 do Captulo 20 a respeito dos MQ2E.
(f) Verdadeira. Somente regresses individuais tm valores R.
(g) Falsa. O mtodo dos MQ2E pode ser modificado para dar conta de erros
autocorrelacionados.
(h) Verdadeira. Veja a Seo 20.4.
20.2 O mtodo MQ2E prope-se a fornecer estimativas nicas dos parmetros de uma
equao estrutural superidentificada, o que no possvel com o mtodo MQI. Mas se
uma equao for exatamente identificada, as estimativas fornecidas pelos dois
mtodos sero iguais.
20.3 (a) As trs equaes na forma reduzida so:
Yt = 0 + 1Yt 1 + 2Gt + v1t

Ct = 3 + 4Yt 1 + 5Gt + v2t
I t = 6 + 7Yt 1 + 8Gt + v3t
Para esse sistema, M = 3 e K = 2. Pela condio de ordem, a equao para C
superidentificada , e aquela para I exatamente identificada.
(b) Empregue o mtodo dos MQ2E para estimar a funo superidentificada consumo e
o mtodo MQI para a funo investimento.
20.4 Se o valor de R for alto no primeiro estgio do mtodo MQ2E, quer dizer que os
valores estimados das variveis endgenas esto muito prximos dos reais. Portanto,
menos provvel que estes estejam correlacionados com o termo de erro estocstico
nas equaes estruturais originais. Se, no entanto, o valor de R da regresso do
primeiro estgio for baixo, as estimativas MQ2E sero praticamente inexpressivas

porque os Y originais da regresso do segundo estgio estaro sendo substitudos
pelos Y estimados pela regresso do primeiro estgio, que representaro
essencialmente os distrbios nessas regresses. Em outras palavras, os valores Y
estimados sero variveis instrumentais muito deficientes para os valores Y reais. No
sistema de resultados mostrado neste exerccio, os valores estimados das variveis
endgenas esto prximos dos valores reais.
Os valores MQ2E no so insignificantes porque em grandes amostras fornecem
estimativas consistentes dos coeficientes estruturais.
20.5 (a) Escrevendo os sistemas em notao matricial, obtemos:
1
1 1
1 0
ln A
ln Q
0
ln L = ln ln , que pode ser escrito como Ay = x.
1 ln K
R
ln ln
P
Ora, se ( + ) = 1, pode-se mostrar que o determinante de A, |A|, zero, o que quer

dizer que a matriz A no pode ser invertida. No h, portanto, soluo.
(b) Mesmo que ( + ) 1, no h um problema de identificao. J que W/P e R/P
so conhecidos, podem ser tratados como constantes e absorvidos no termo constante
ln A. Conseqentemente, qualquer combinao linear das Equaes (2) e (3) ser
indistinguvel da Equao (1).
(c) H diversas possibilidades. Por exemplo, podemos incluir uma ou mais variveis
exgenas s Equaes (2) ou (3), certificando-nos de que teoricamente tais variveis
no apaream na funo produo (1). Outra opo seria introduzir mecanismo de
defasagem distribuda nas relaes marginais de produo, o que levaria incluso do
estoque de capital do ltimo perodo na relao marginal de produtividade para a
funo capital.
20.6 (a) A funo demanda no-identificada.
(b) A funo oferta superidentificada.
(c) Pode-se empregar o mtodo dos MQ2E para estimar os parmetros da funo
superidentificada oferta.
(d) Ambas as funes so, agora, superidentificadas. Use, ento, os MQ2E.
20.7 As equaes na forma reduzida so:
Yt = 0 + 1 I t + vt
Ct = 2 + 3 I t + wt
Com base nos dados fornecidos, as estimativas pelos MQO dessas regresses na forma
reduzida so as seguintes:
Yt = 1831,8580 + 4,6722It
t = (7,6427)
(17,5784)
(1-a)
r = 0,9169; d = 0,3287.
C t = 1130,843 + 3,2059I
t = (6,5225)
(16,6752)
(2-a)
r = 0,9085; d = 0,3751.
As estimativas pelos MQI das equaes estruturais originais so:
1 =
3 3, 2059
=
= 0, 6862
1 4, 6722
0 = 0 (1 1 ) = 574,8370
Para comparao, os resultados da regresso pelos MQO de C contra Y so os
seguintes:
C t = 142,1826 + 0,6889Yt
t = (5,3883)
(156,2434)
r = 0,9988; d = 1,2019.
Como vemos, as estimativas da propenso marginal a consumir (PMC) pelos MQI
0,6862 e pelos MQO 0,6889, uma diferena que pode no ser estatisticamente
significativa, mas talvez o seja em termos prticos. No primeiro caso, o multiplicador,
M=
1
1 MPC
, 3,1565 e no segundo (MQO), 3,2144. Seja como for, j que as
estimativas pelos MQO so tendenciosas e inconsistentes na presena de

simultaneidade, bom ter em mente esse fato ao compar-las s estimativas pelos
MQI.
Problemas
20.8 (a) Para justificar esse modelo pode-se usar o IS-LM de macroeconomia.
(b) Pela condio de ordem, a equao da taxa de juros no identificada, mas a da
renda exatamente identificada.

(c) Neste exemplo, a varivel exgena M. Usando os dados fornecidos na Tabela
20.2, obtemos os seguintes resultados pelos MQI:
Yt = 2834,488 + 1,2392Mt
t = (32,0163)
(37,3812)
r = 0,9803; d = 0,3074.
Deixamos para o leitor, a ttulo de exerccio, a tarefa de descobrir os coeficientes
estruturais originais, a saber, 0 e 1.
20.9 (a) Pela condio de ordem, a equao da taxa de juros no identificada, e a da
renda superidentificada.
(b) Podemos empregar neste caso os MQ2E. Usando M e Yt-1 como instrumentais,
seguem os resultados da regresso fornecidos pelo Eviews 4, em que R a taxa de
juros a seis meses das letras do tesouro dos Estados Unidos:
Yt = 16977,06 1627,870Rt
t = (3,0842)
(2,0350)
Observe que no apresentamos o valor de R pelas razes vistas no Captulo 20 do

livro-texto.
20.10 As duas equaes so, neste caso, exatamente identificadas. Podemos usar os
MQI ou os MQ2E para estimar os parmetros, mas ambos fornecero resultados
idnticos devido s razes apresentadas no Captulo 20.
A vo as estimativas pelos MQO das equaes na forma reduzida (FR). Observe que
na FR somente as variveis exgenas (I e M) aparecem do lado direito da equao.
Rt = 8,7056 + 0,00049Mt 0,00084It-1

t = (6,0589)
(05192)
(0,2281)
R = 0,1172.
Yt = 2421,074 + 0,8944Mt + 1,4585It-1

t = (32,7247)
(18,3144)
(7,6607)
R = 0,9938.
Deixamos para o leitor a tarefa de descobrir os parmetros estruturais originais pelos
coeficientes da forma reduzida.
20.11 Agora as equaes para R e Y no so identificadas, ao passo que a do
investimento exatamente identificada.

(b) Primeiro, achamos a forma reduzida para a funo investimento. J que s h uma
varivel exgena, M, regressamos I contra M , obtendo os seguintes resultados:
It = 283,4482 + 0,2364Mt
t = (5,6424)
(12,5681)
r = 0,8494.
Deixamos para o leitor a tarefa de estimar as regresses na forma reduzida para R e Y
e descobrir os coeficientes da funo investimento.
20.12 Se seguirmos o procedimento descrito no Apndice 20A.2, devemos encontrar
os erros-padro mostrados em (20.5.3), os quais foram diretamente obtidos do pacote
de software Eviews 4.
20.13 (a) Como a oferta uma funo do preo no perodo anterior, o sistema
recursivo. No h, assim, problemas de simultaneidade.
(b) As equaes podem ser estimadas empregando os MQO individualmente.
(c) Seguem os resultados das regresses:
Funo demanda:
Q td = 69,512 + 0,201Pt + 0,001Xt

t = (7,393)
(1,782)
(1,586)
R = 0,501.
Como os coeficientes dos dois regressores no so individualmente significativos sob o
aspecto estatstico, no h muito a dizer sobre essa funo demanda. Repare que o
coeficiente de preo positivo, contrariando as expectativas prvias.
= 66,287 + 0,330Pt-1
Funo oferta: Q
t
s
t = (8,288)
(4,579)
r = 0,525.
Como esperado, o coeficiente da varivel defasada preo positivo e tambm
estatisticamente significativo.
20.14 Deixamos este exerccio para ser feito em aula.

CAPTULO 21
ECONOMETRIA DE SRIES TEMPORAIS: ALGUNS CONCEITOS BSICOS
21.1 Diz-se que um processo estocstico fracamente estacionrio quando sua mdia
e varincia so constantes ao longo do tempo e o valor da covarincia entre dois
perodos de tempo depende somente da distncia ou defasagem entre esses perodos e
no do prprio tempo em que calculada.
21.2 Se uma srie temporal tem de ser diferenciada d vezes antes de se tornar
estacionria, ento integrada de ordem d e designada por I(d). Na sua forma nodiferenciada, tal srie temporal no-estacionria.
21.3 Em termos gerais, a expresso raiz unitria significa que uma suposta srie
temporal no-estacionria. Tecnicamente falando, o termo se refere raiz do
polinmio no operador de defasagem.
21.4 preciso diferenci-la trs vezes.
21.5 O Dickey-Fuller (DF) um teste estatstico que pode ser empregado para
determinar se uma srie temporal estacionria. O Dickey-Fuller Aumentado (DFA)
anlogo ao DF, mas leva em considerao a possvel correlao nos termos de erro.
21.6 Os testes EG e EGA so procedimentos estatsticos que podem ser empregados
para determinar se duas sries temporais so co-integradas.
21.7 Diz-se que duas variveis so co-integradas se existir entre elas uma relao
estvel no longo prazo, mesmo que ambas sejam individualmente no-estacionrias.
Nesse caso, a regresso de uma dessas variveis contra a outra no espria.
21.8 Os testes de raiz unitria so realizados em sries temporais individuais. A cointegrao lida com a relao entre as variveis de um grupo em que
(incondicionalmente) cada uma tem uma raiz unitria.
21.9 Se uma varivel no-estacionria for regressada contra outra varivel tambm
no-estacionria, possvel que a regresso resultante passe nos testes estatsticos
habituais (valor R alto, razes t significativas etc.) mesmo que, a priori, tal relao
entre as duas no seja esperada, especialmente se elas no forem co-integradas. Se,
no entanto, as duas variveis forem co-integradas, mesmo que sejam individualmente
no-estacionrias, ento possvel que tal regresso no seja espria.
21.10 Veja a resposta pergunta anterior.

21.11 Quase todas as sries temporais econmicas apresentam tendncias que, se
forem perfeitamente previsveis, so chamadas determinsticas, caso contrrio, so
chamadas estocsticas. Uma srie temporal no-estacionria exibe, em geral, uma
tendncia estocstica.
21.12 Se uma srie temporal apresenta uma tendncia determinstica, os resduos de
sua regresso contra a varivel de tendncia representam o que se chama de processo
estacionrio em tendncia. Se uma srie temporal no-estacionria, mas, aps
tirarmos sua primeira diferena (ou superiores) ela se torna estacionria, chamamos
tal srie de processo estacionrio em diferenas.
21.13 O passeio aleatrio um exemplo de processo no-estacionrio. Se uma
varivel segue um modelo de passeio aleatrio, quer dizer que o seu valor hoje igual
ao seu valor no perodo anterior mais um choque aleatrio (termo de erro). Pode no
ser possvel, em tais situaes, prever a evoluo ao longo do tempo de uma varivel
assim. Preos de aes ou taxas de cmbio so exemplos tpicos do passeio aleatrio.
21.14 Isso verdade. A demonstrao est no Captulo 21 do livro-texto.
21.15 A co-integrao implica uma relao de longo prazo, ou equilbrio, entre duas
(ou mais) variveis. No curto prazo pode, no entanto, haver desequilbrio entre elas. O
mecanismo de correo de erro (MCE) restaura o equilbrio no longo prazo entre as
variveis.
Problemas
21.16 (a) Os correlogramas para todas essas sries temporais assemelham-se
muitssimo ao do PIB dos Estados Unidos apresentado na Figura 21.8 do texto, e
indicam que elas no so estacionrias.
21.17 Os resultados das regresses so os seguintes:
DCPt = 93,392 + 0,799t 0,044DCPt-1
= (1,678) (1,360) (1,376)*
R = 0,022.
* Em valor absoluto, esse valor tau menor que o crtico, indicando que h uma raiz
unitria na srie temporal DCP, ou seja, que ela no estacionria.
RPDt = 326,633 + 2,875t 0,0157RPDt-1
(2,588)*
= (2,755) (2,531)
R = 0,076.

* Esse valor tau no estatisticamente significativo, indicando que h uma raiz
unitria na srie temporal RPD, ou seja, que ela no estacionria.
Lucrost = 6,522 + 0,084t 0,069Lucrost-1
= (2,514) (1,142) (1,715)*
R = 0,037.
* Esse valor tau no estatisticamente significativo, indicando que h uma raiz
unitria nesta srie temporal.
Dividendost = 0,565 + 0,113t 0,063Dividendost-1
= (1,515) (3,138) (2,640)*
R = 0,148.
* Esse valor tau no significativo, indicando que a srie temporal Dividendos no
estacionria.
Vemos, ento, que todas essas sries temporais so no-estacionrias. Os resultados
do teste Dickey-Fuller tanto sem a tendncia quanto sem esta e sem o intercepto no
alteraram a concluso.
21.18 Se os termos de erro no modelo apresentarem correlao serial, ento o teste
DFA o mais adequado. As estatsticas para os coeficientes apropriados nas trs
sries so, pelas regresses DFA, as seguintes:
DCP
Lucros
Dividendos
-1,605
-2,297
-3,158
Os valores tau crticos continuam os mesmos do Problema 21.17, e, mais uma vez,
chegamos mesma concluso, ou seja, as trs sries temporais so no-estacionrias.
21.19 (a) Provavelmente sim, pois as duas sries temporais so, individualmente, no
estacionrias.
(b) A regresso pelos MQO de dividendos contra lucros apresentou os seguintes
resultados:
Varivel
C
LUCROS
R =
Coeficiente
-13,3114
0,6281
0,6231
Erro-padro
7,3626
0,0526
d=
Estatstica-t
-1,8079
11,9253
0,0712
Quando os resduos dessa regresso foram submetidos aos testes de raiz unitria sem
termo constante, com termo constante e com este e mais a tendncia, os resultados
mostraram que eles no eram estacionrios, levando, ento, concluso de que

dividendos e lucros no so sries co-integradas. Assim sendo, mantm-se a concluso
do item (a).
(c) No h muito sentido neste exerccio, pois no existe relao de longo prazo entre
as duas sries.
(d) Ambas apresentam tendncias estocsticas, confirmadas pelos testes de raiz
unitria das duas sries.
(e) Se dividendos e lucros forem co-integrados, no importa qual deles o
regressando ou o regressor. Naturalmente, esse problema pode ser resolvido pela
teoria financeira.
21.20 Os correlogramas das primeiras diferenas de RDP, Lucros e Dividendos so
todos similares ao da Figura 21.9 do livro-texto. Na forma de primeiras diferenas,
essas sries temporais so todas estacionrias, o que pode ser confirmado pelo teste
DFA. As estatsticas para os coeficientes apropriados nas quatro sries so, pelas
regresses DFA, as seguintes:
DCP
RDP
Lucros
Dividendos
-4,852
-6,856
-5,517
-6,305
Em valor absoluto, todos esses tau excedem os valores crticos, confirmando que as
primeiras diferenas dessas sries temporais so mesmo estacionrias.
21.21 Teoricamente, no deveria haver um intercepto nesse modelo. Mas se houvesse
no original um termo de tendncia, ento um intercepto poderia ser includo na
regresso e o seu coeficiente indicaria o coeficiente da varivel de tendncia. Isso,
naturalmente, presumindo que a tendncia no seja estocstica, mas determinstica.
Para verificar isso, regressamos primeiro dividendos contra lucros e a varivel de
tendncia, com os seguintes resultados:
Varivel dependente: DIVIDENDOS
Varivel
Coeficiente
C
11,8978
LUCROS
-0,1096
Tendncia
1,6472
R quadrado
0,9668
Erro-padro
2,3538
0,02939
0,0554
Estatstica-t
5,05457
-3,7293
29,7008
Mas devemos desconfiar dessa regresso, pois ela presume que h uma tendncia
determinstica quando sabemos que a srie temporal dividendos tem tendncia
estocstica.
Regressando agora as primeiras diferenas de dividendos contra as de lucros e o
intercepto, chegamos aos seguintes resultados:

Varivel
C
LUCROS
R quadrado
Coeficiente
1,3502
-0,0238
0,0152
Erro-padro
0,1953
0,02080
Estatstica-t
6,9112
-1,1470
Nessa regresso, o coeficiente angular no significativo, mas o intercepto , e seu

valor de 1,3502 teoricamente igual ao coeficiente da varivel tendncia na equao
anterior. Os dois valores no so idnticos devido a erros de arredondamento e
tambm ao fato de que a tendncia no determinstica na srie dividendos.
Este exerccio mostra que devemos ser muito cuidadosos ao incluir a varivel de
tendncia numa regresso de srie temporal, a menos que estejamos certos de que
ela de fato determinstica. Sempre se pode, naturalmente, empregar os testes DF e
DFA para determinar se a tendncia estocstica ou determinstica.
21.22 Da regresso da primeira diferena dada no exerccio anterior podemos obter os
resduos ( ut ) e submet-los aos testes de raiz unitria. Regressamos ut contra seu
prprio valor defasado, sem intercepto, com intercepto e com este e mais a tendncia.
A hiptese nula, em todos os casos, era de que esses resduos no so estacionrios,
ou seja, eles tm uma raiz unitria. Os valores Dickey-Fuller para as trs opes
foram -3,9592, -3,9367 e -3,9726. Tal hiptese foi rejeitada em todos os casos no
nvel de 5% ou melhor (isto , valor p menor que 5%). Em outras palavras, embora as
sries dividendos e lucros no sejam co-integradas, elas o so na forma da primeira
diferena.
21.23 (a) Como | | menor que o valor | | crtico, parece que a srie temporal de
novas construes no-estacionria. H nela, portanto, uma raiz unitria.
(b) Habitualmente, um valor t absoluto tal como 2,35 ou maior seria significativo no
nvel de 5%, mas devido situao da raiz unitria o valor real de | t | neste caso
2,95 e no 2,35. Este exemplo mostra por que devemos ser cuidadosos ao empregar
indiscriminadamente a estatstica t.
(c) Como o | | de Xt-1 muito maior que o valor crtico correspondente, conclumos
que no h uma segunda raiz unitria na srie temporal de novas construes.
21.24 Deixamos este para o leitor resolver.
21.25 (a) & (b)
Y exibe uma tendncia linear, ao passo que X representa uma tendncia quadrtica.
A seguir est o grfico dos valores reais e ajustados de Y:
Residual = Resduos
Actual = Reais
Fitted = Ajustados
Poderamos, com base nos resultados fornecidos no enunciado, achar que esta uma
boa regresso, pois tem um alto R e razes t significativas, mas acontece que
uma relao completamente espria porque estamos regressando uma varivel de
tendncia linear (Y) contra uma de tendncia quadrtica (X). Pode-se inferir que h
algo de errado com esse modelo pelo valor muito baixo da estatstica d de DurbinWatson.
A inteno deste exerccio prevenir contra a distoro na interpretao dos
resultados da regresso de duas variveis com tendncia determinstica e trajetrias
temporais divergentes.

21.26 (a) A regresso (1) mostra que a elasticidade de M1 em relao ao PIB de
aproximadamente 1,60, que parece estatisticamente significativo, j que o valor t
desse coeficiente muito alto. Mas observando o valor d suspeitamos de que haja
correlao nos termos de erro ou de que a regresso seja espria.
(b) Ainda h relao positiva entre as duas variveis na forma de primeira diferena,
mas agora o coeficiente de elasticidade caiu muitssimo. Sim, os valores d
possivelmente sugerem que no h problema de correlao serial, mas a queda
significativa do coeficiente de elasticidade indica que o problema pode ser de ausncia
de co-integrao entre as variveis.
(c) & (d) Parece, pela regresso (3), que as duas variveis so co-integradas, pois o
valor crtico a 5% 1,9495 e o estimado mais negativo que isso. Contudo, o
crtico a 1% 2,6227, sugerindo que elas no so co-integradas. Se levarmos em
conta o intercepto e este e mais a tendncia na Equao (3), ento o teste DF
mostrar que as variveis no so co-integradas.
(e) A Equao (2) fornece a relao no curto prazo entre os logaritmos de M1 e o PIB.
Essa equao leva em conta o mecanismo de correo de erro (MCE), que tenta
restaurar o equilbrio caso as variveis se desviem da sua trajetria no longo prazo. O
termo de erro nessa regresso no , entretanto, estatisticamente significativo no
nvel de 5%.
Como os resultados dos testes de co-integrao so um tanto quanto variados,
conforme vimos em (c) e (d), difcil saber se os resultados da regresso
apresentados em (1) so ou no esprios.
21.27 (a) & (b) O grfico temporal do IPC dos Estados Unidos assemelha-se
muitssimo Figura 21.12 do livro-texto, a qual mostra claramente que h, em geral,
uma tendncia para cima no IPC. No vale a pena, portanto, levar em considerao as
regresses (1) e (2). Observe que o coeficiente do IPC defasado positivo em ambos
os casos, e para estacionariedade necessrio que esse valor seja negativo.
Por conseguinte,
unitria indicam
valores do IPC
significativo) so
a equao mais significativa a regresso (3). Os testes DF de raiz

que a srie temporal IPC estacionria em tendncia. Ou seja, os
em torno do seu valor de tendncia (que estatisticamente
estacionrios.
(c) Temos de usar o teste F porque a Equao (1) omite duas variveis.
Empregando a verso R desse teste, o R da regresso (1) o restrito e vale 0,0304,
e o da regresso (3) o irrestrito e vale 0,4483. Da vem que
F=
(0, 4483 0, 0304) 2

(1 0, 4483) 37
= 14, 0234 .
Consultando os valores F de Dickey-Fuller na Tabela D.7 do Apndice D, vemos que o

aqui observado muito significativo (Nota: No h na tabela o valor para 40
observaes, mas interpolando os valores l fornecidos, chega-se a essa concluso).
Da deduz-se que as restries impostas pela regresso (1) so invlidas. Mais
explicitamente, a regresso (3) que parece vlida.

CAPTULO 22
ECONOMETRIA DE SRIES TEMPORAIS: PREVISO
22.1 Como visto na seo 22.1, h, de modo geral, cinco mtodos de previso
econmica: (1) suavizamento exponencial; (2) modelos de regresso com uma nica
equao; (3) modelos de regresso com equaes simultneas; (4) modelos autoregressivos integrados de mdias mveis (ARIMA); e (5) auto-regresses vetoriais
(VAR).
22.2 A previso econmica por equaes simultneas (ES) baseia-se num sistema de
equaes (composto por, no mnimo, duas variveis, mas freqentemente muitas mais)
que, apoiado numa teoria econmica, explica alguns fenmenos econmicos. O mtodo
Box-Jenkins (B-J) tem por fundamento a anlise das propriedades estocsticas de uma
nica srie temporal. Ao contrrio da previso por ES que se baseia em k regressores, a
anlise B-J apia-se em valores passados (defasados) da nica varivel sob investigao.
A anlise B-J freqentemente descrita como aterica porque no se origina de
nenhuma teoria econmica.
22.3 As principais etapas da metodologia B-J so: (1) identificao; (2) estimao; (3)
verificao de diagnstico; e (4) previso.
22.4 Como o mtodo Box-Jenkins presume explicitamente que a srie temporal
subjacente estacionria, se for aplicado a uma srie temporal no-estacionria os
resultados sero absolutamente duvidosos. Imagine fazer a previso de uma varivel de
passeio aleatrio!
22.5 A abordagem B-J previso baseia-se na anlise das propriedades probabilsticas
de uma nica srie temporal sem o embasamento de qualquer teoria econmica
subjacente. A abordagem VAR se baseia em um sistema simultneo em que todas as
variveis so consideradas endgenas. Segundo a VAR, o valor de uma varivel
expresso como uma funo linear dos valores defasados dessa varivel e de todas as
outras includas no modelo.
22.6 aterica porque usa menos informao prvia que os modelos ES. Nestes, a
incluso ou excluso de determinadas variveis desempenha papel crucial na
identificao do modelo.
22.7 Como observado no Exerccio 22.1, h cinco mtodos de previso, cada qual com
seus pontos fracos e fortes. No existe um nico que seja adequado a todas as situaes.
22.8 Precisamos de defasagens com o comprimento certo para captar a dinmica do
sistema que estiver sendo modelado. Por outro lado, quanto mais defasagens usarmos,
maior ser o nmero de parmetros que tm de ser estimados, e, por isso, menos sero
os graus de liberdade. H, portanto, um compromisso entre ter um nmero suficiente de
defasagens e ter suficientes graus de liberdade. Este o ponto fraco de VAR. Pode-se,
naturalmente, empregar os critrios de informao de Akaike ou de Schwarz para
escolher o comprimento da defasagem.

22.9 Veja as respostas dos Exerccios 22.2 e 22.6.
22.10 Os dois procedimentos so, operacionalmente, similares. A diferena est no
propsito da pesquisa. No teste de causalidade de Granger, objetivamos verificar a
conexo causal entre duas ou mais variveis. Na VAR, nosso objetivo desenvolver um
modelo originariamente com finalidade de previso. Observe que esses procedimentos
no devem ser empregados a menos que as variveis subjacentes sejam estacionrias
ou co-integradas.
Problemas
22.11 As etapas envolvidas so as seguintes:
(1) Verifique se a srie estacionria. J vimos que a srie RPD no estacionria,
mas suas primeiras diferenas so.
(2) Verifique a funo de autocorrelao (ACF) e a funo de autocorrelao parcial
(PACF) da primeira diferena da srie RPD para decidir qual deve ser o modelo
ARMA apropriado. Repare que a srie RPD j a primeira diferena.
(3) Uma vez escolhido o modelo ARMA adequado, a prxima tarefa estim-lo e
examinar seus resduos. Se forem rudos brancos, no ser necessrio refinar
mais o modelo, mas se no forem, iniciamos o processo de busca, ou iterativo,
mais uma vez.
Um exame das funes ACF e PACF no revela nenhuma disposio ordenada. O pico na
defasagem 5 parece algo pronunciado, visto que est muito prximo do limite superior
de confiana de 95%. Pode-se, ento, como experincia, ajustar um modelo autoregressivo usando o intercepto e cinco defasagens.
No h, entretanto, necessidade de incluir todas as cinco defasagens, j que so muito
pequenas as correlaes at a defasagem 4. Assim, introduzimos s o intercepto e a
quinta defasagem como regressores. Os resultados, em que RPD* representa as
primeiras diferenas de RPD, so os seguintes:
RPDt* = 22,2768 0,2423 RPDt*5

t = (5,9678)
(2,1963)
r = 0,0568; d = 2,11.
Os resduos dessa regresso parecem rudo branco, de forma que no h necessidade de
refinar o modelo.
Pode-se, claro, incluir um componente MA e tentar reestimar o modelo. Deixamos isso
como exerccio.
22.12 Guie-se pelo Exerccio 22.11 e experimente o modelo ARIMA (0,1,14).

22.15 De acordo com o critrio de Schwarz, escolha o modelo cujo valor da estatstica
Schwarz seja menor. O mesmo se aplica ao critrio (concorrente) de Akaike. Assim, ao
comparar um modelo VAR com 8 defasagens a outro tambm VAR com 10 defasagens,
escolha aquele que apresentar o menor valor da estatstica Schwarz.
22.16 Determinou-se, com base no critrio de Schwarz, que um modelo VAR com duas
defasagens de RPD e DCP seria suficiente. Seguem os resultados, com as razes t entre
parnteses:
Variveis
explanatrias
Intercepto
DCPt-1
DCPt-2
RPDt-1
RPDt-2
R
Variveis
dependentes
DCP
RPD
14,655
60,944
(0,878)
(2,582)
1,106
0,623
(8,756)
(3,489)
-0,102
-0,400
(-0,707)
(-2,120)
0,069
0,682
(0,806)
(5,630)
-0,072
0,099
(-0,877)
(0,850)
0,998
0,997
Fundamentados nesse modelo, os valores reais e previstos das duas variveis para o
perodo de 1991:1 a 1991:4 so os seguintes:
Trimestre
1991:1
1991:2
1991:3
1991:4
RPD
real
3241,1
3252,4
3271,2
3271,1
RPD
prevista
3262,062
3277,870
3295,359
3313,034
DCP
real
3514,8
3537,4
3539,9
3547,5
DCP
prevista
3532,343
3550,343
3569,230
3588,260
22.17 Deixamos para o leitor a tarefa de executar as etapas prticas com trs
defasagens.
22.18 Consulte, por exemplo, o Eviews 4 para uma discusso da anlise de resposta a
impulso, assim como das etapas prticas envolvidas.
22.19 Veja a resposta do exerccio anterior.
22.20 Embora o modelo no tenha sido testado especificamente para causalidade,
podemos obter alguma informao sobre ela por meio da estatstica F informada. No
caso da varivel x, os nicos valores significativos so os seus prprios defasados. No da
y, parece que alm dos seus prprios valores defasados, tambm so importantes os
defasados de x. Talvez haja causalidade de x para y. Para a varivel z, parece que alm
dos seus prprios valores defasados, tambm so importantes os defasados de y, o que
indica que h certa causalidade de y para z.

22.21 Para que o mtodo VAR possa ser empregado, todas as variveis includas no
modelo tm de ser conjuntamente estacionrias. possvel que os autores tenham
percebido que as trs variveis eram no-estacionrias em forma de nvel, e uma das
maneiras de se conseguir a estacionariedade a forma de variao percentual.
22.22 Em forma de nvel, M1 no-estacionria de acordo com o teste DF em suas
vrias formas, e o mesmo se aplica a R.
Para vermos se so integradas, regressamos M1 contra R e obtivemos os seguintes
resultados:
1t = 36622,11 744,4635Rt
M
t = (19,2627)
(4,7581)
r = 0,3997; d = 0,2346.
Os resduos dessa regresso foram submetidos anlise de raiz unitria. Com a
aplicao do teste DF em suas diversas formas, conclumos que essas duas sries
temporais no so co-integradas.
Varivel
C
LOG(PIB)
LOG(R)
R quadrado
Coeficiente
-7,8618
1,4254
-0,0780
0,9316
Erro-padro
1,2807
0,0962
0,0302
Estat d DurbinWatson
Estatstica-t
-6,1385
14,8173
-2,5822
0,3476
Os coeficientes angulares representam elasticidades (parciais), pois este um modelo

duplo-log. As elasticidades renda e taxa de juros so, respectivamente, 1,4254 e
0,0780, ambas estatisticamente significativas. Mas repare que o baixo valor DurbinWatson indica a possibilidade de correlao serial, o que levanta dvidas a respeito dos
valores t calculados.
(b) Para verificarmos se h efeito ARCH, obtivemos os resduos (ut ) da regresso dada
em (a) e fizemos a seguinte regresso:
ut2 = 0,00064 + 0,3442 ut21

t = (3,1173)
(2,9206)
r = 0,2054; d = 2,11.
Experimentamos um modelo ARCH(2), mas os resultados no foram significativos.
Parece que h efeito ARCH neste exemplo.
22.24 O modelo dado no enunciado a verso restrita daquele da Equao (22.11.4)
Podemos, portanto, empregar o teste F restrito do Captulo 8. Os R irrestrito e o restrito
so, respectivamente, 0,2153 e 0,1397. Da segue que F =
(0, 2153 0,1397) 2

(1 0, 2153) (649 4)
= 31, 5 ,

valor muito significativo, indicando que se deve preferir o modelo da Equao (22.11.4)
ao dado no enunciado deste exerccio.

Respostas Gujarati PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Respostas Gujarati PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Como se v, as taxas de cmbio apresentam considervel flutuao. Em 1977, por

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

1+ 2 Xi + ui, que assim um

(b) A seguinte transformao, conhecida como logit, faz deste um modelo de

Manual de Solues Econometria Bsica Gujarati

(a) A transformao (1/Yi) = 1+ 2 Xi converte o modelo em linear.

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

Manual de Solues Econometria Bsica Gujarati

3.1 (1) Yi = 1+ 2Xi + ui, logo, E(Yi|Xi) = E[(1+ 2Xi + ui)|Xi]

Manual de Solues Econometria Bsica Gujarati

3.3 A FRP : Yi = 1+ 2Xi + ui.

3.4 Impondo a primeira restrio, obtemos:

u = (Y X ) = 0 , equao que, simplificada, d a primeira equao

u X = (Y X ) X = 0 , equao que, simplificada, d a segunda equao

3.5 Da desigualdade de Cauchy-Schwarz temos que

1 , por analogia com a desigualdade de CauchySchwarz, o que

tambm verdadeiro para

3.6 Observe que

2 , o coeficiente de correlao populacional elevado ao

. Multiplicando as duas equaes,

obtemos a expresso para r2, o coeficiente de correlao amostral elevado ao

Manual de Solues Econometria Bsica Gujarati

3.8 As mdias das duas variveis so iguais a: Y = X =

e a correlao entre os dois rankings : r =

n(n + 1)(2n + 1) n(n 1) 2 n(n 2 1)

, usando (2), obtemos:

Manual de Solues Econometria Bsica Gujarati

3.9 (a) 1 = Y 2 X i e 1 = Y 2 x [Observao: xi = ( X i X ) ].

Logo, nem as estimativas nem as varincias dos estimadores so iguais.

fcil verificar que var ( 2 ) = var ( 2 ) =

Ou seja, as estimativas e as varincias dos dois estimadores so idnticas.

= 0 , ou seja, a soma dos desvios em relao ao valor mdio

, j que as mdias das duas variveis so iguais a

zero. Esta a Equao (3.1.6) do livro-texto.

3.11 Sejam Z i = aX i + b e Wi = cYi + d , que, em formato de desvios, tornamse

zi = axi e wi = cyi . Por definio, r2 =

3.12 (a) Verdadeira. Na Questo 3.11, faamos a e c iguais a -1 e b e d iguais a 0.

Manual de Solues Econometria Bsica Gujarati

rxy = ryx > 0 ,

respectivamente) so ambos positivos, e ryx =

3.13 Sejam Z=X1+X2 e W=X2+X3. Em formato de desvios, podemos escrevlas como

X1, X2 e X3 no so correlacionadas. (Nota: por convenincia, omitimos o subscrito de

O coeficiente no zero porque os pares combinados so correlacionados, ainda que

, denotando que a covarincia entre z e w

uma constante diferente de zero.

Yi = 1 + 2 Z i + ui , em que Z=2X. Empregando o formato de desvios, sabemos que

, omitido o subscrito de observao.

Ou seja, o intercepto no afetado. Em conseqncia, os valores ajustados de Y e os

Manual de Solues Econometria Bsica Gujarati

3.15 Por definio, ryy =

= r 2 , aplicando a Equao (3.5.6) do texto.

= xi2 para o modelo de

duas variveis. O intercepto nesta regresso zero.

3.17 Escreva a regresso amostral assim: Yi = 1 + ui . Pelo princpio dos mnimos

. Derive essa equao em relao