Você está na página 1de 12
Manual de Soluções • Econ ometria Básica • Gujarati CAPÍTULO 10 MULTICOLINEARIDADE: O QUE ACONTECE

Manual de Soluções • Econometria Básica •

Gujarati

CAPÍTULO 10 MULTICOLINEARIDADE: O QUE ACONTECE SE OS REGRESSORES SÃO CORRELACIONADOS?

10.1 Se X k é uma combinação linear perfeita das variáveis explanatórias restantes,

então existem (k-1) equações com k incógnitas. Com mais incógnitas do que

equações, soluções únicas (ou singulares) não são possíveis.

10.2 (a) Não. A variável X 3i é uma combinação linear exata de X 2i , pois X 3i = 2X 2i – 1.

(b) Reescrevendo a equação, obtemos:

Y i = β + β X + β X −+ u = ββ− + β + β Xu+ = αα+ Xu+

1

22

i

3

(2

2

i

1)

i

(

1

3

)

(

2

2

3

)

2

i

i

1

22

i

i

, em que

α= (ββ

1

13

)

e

α = β + β

2

(

2

2

2

) . Podemos, portanto, estimar α 1 e α 2 singularmente,

mas não os β originais, pois só temos duas equações para resolver três incógnitas.

10.3 (a) Embora os valores numéricos do intercepto e dos coeficientes angulares de

PNBpc e TAF tenham mudado, os seus sinais são os mesmos. Além disso, essas variáveis continuam sendo estatisticamente significativas. As mudanças devem ser devidas à inclusão da variável TFT, indicando que pode haver alguma colinearidade entre os regressores.

(b) Como o valor t do coeficiente de TFT é muito significativo (o valor p é só 0,0032),

essa variável, aparentemente, se encaixa no modelo. O sinal positivo desse coeficiente também faz sentido porque quanto mais filhos tiver uma mulher, maiores são as chances de aumentar a mortalidade infantil.

(c)

Esta

é

uma

daquelas

ocorrências

“felizes”

em

que,

apesar

da

possível

colinearidade,

os

coeficientes

individuais

são,

assim

mesmo,

estatisticamente

significativos.

 

10.4 A relação pode ser reescrita assim:

X

X

X

1

i

2

3

i

i

=−

=−

=−

λ

2

λ

3

λ

1

XX

2 3

ii

λ

1

=

β

12.3

λ

1

λ

3

λ

2

XX

1

ii

λ

2

β

=

321.3

λ

1

λ

2

λ

3

XX

1

2

ii

λ

3

=

β

31.2

Portanto,

X

2

X

X

1

1

i

i

i

+

+

+

β

13.2

β

23. 1

β

32.1

X

X

X

3 i

3 i

2 i

ˆ ˆ r = ( β )( β ) 12.3 12.3 21.3 ˆ ˆ =
ˆ
ˆ
r
=
(
β
)(
β
)
12.3
12.3
21.3
ˆ ˆ
=
(
)(
β
)
r 13.2
β 13.2
31.2
ˆ ˆ
=
(
)(
β
)
r 23.1
β 23.1
32.1

Manual de Soluções • Econometria Básica •

λ λ 2 1 =− ( )( − ) =±1 λ λ 1 2 λ
λ
λ
2
1
=− (
)(
) =±1
λ
λ
1
2
λ
λ
3
1
=− (
)(
λ
) =±1
1 λ
3
λ
λ
3
2
=− (
)(
) =±1
λ
λ
2
3

Daí,

2

R

1.23

= r +−(1 rr)

12

12

13.2

2

22

=

1 . Analogamente,

R = R =1.

2.13

3.12

2

2

Gujarati

O grau de multicolinearidade é perfeito.

10.5 (a) Sim. Dados de séries temporais econômicas tendem a evoluir na mesma

direção, como acontece com as variáveis defasadas de renda neste caso.

(b) Como vimos sucintamente no Capítulo 10 e mais a fundo no Capítulo 17, a transformação de primeira diferença pode minorar o problema.

10.6 Quando a variável riqueza é excluída do modelo, ocorre erro de especificação, e o

coeficiente da variável renda fica tendencioso. O que se observa, então, na equação (10.6.4) é uma estimativa tendenciosa do coeficiente de renda. A natureza do viés é a seguinte:

ˆ

ˆ

o

coeficiente angular na regressão de Y contra X 2 , e b 32 na de X 3 contra X 2 . De acordo com os dados informados, temos que

é

Dado que

Y

i

=+β β

1

XX

22 i

33 i

+ β

+ u

i

,

vem

que

b

12

=β+β

2

3

b

32

,

em

que

b 12

é

ˆ

β = 0,9415;

2

ˆ

β = -0,0424; b 32 = 10,191 e b 12 = 0,5091. Portanto, o viés em b 12

3

ˆ

(β )(b

3

32

)

= (–0,0424) (10,191) = –0,4321.

10.7 Como dissemos na Questão 10.5, as variáveis em Economia são muitas vezes

influenciadas por fatores tais como ciclos econômicos e tendências. Espera-se, portanto, colinearidade na análise de regressão com variáveis como PIB e oferta de moeda.

10.8 (a) Sim, porque o coeficiente de correlação entre X 2 e X 3 é zero. Conseqüentemente, os termos do produto cartesiano anulam-se nas fórmulas para os coeficientes β (Equações 7.4.7 e 7.4.8), que ficam assim iguais àquelas para os coeficientes α e γ (Equação 3.1.8). (b) Será uma combinação, como demonstramos a seguir:

Manual de Soluções • Econ ometria Básica • ˆ ˆˆ β =− YX ββ −

Manual de Soluções • Econometria Básica •

ˆ ˆˆ β =− YX ββ − X 1 22 3 ˆ αα ˆ =−
ˆ
ˆˆ
β
=−
YX
ββ
X
1
22
3
ˆ
αα
ˆ
=− Y
ˆ
XY =−
β
X
1
22
2
2
ˆ
γγ
ˆ
=− Y
ˆ
XY =−
β
X
1
33
3
3
ˆ
Logo,
βαγ= ˆ
+−ˆ Y .
1
11

(c) Não, pelas seguintes razões:

var(

ˆ

β

2

) =

ˆ

ˆ

σ

2

σ

2

=

x

2

2

i

(1

2

23

r

)

x

2

2 i

(Nota:

2

23

r

var( ˆ

α

2

)

ˆ

σ

2

1

=

x

2

2

i

(veja a Equação 3.3.1)

Repare que

ˆ

2

σ =

ˆ

u

2

i

ˆ

u

2

i

≠=σ ˆ

1

2

n

3

n

2

.

= 0 )

Gujarati

10.9 (a) O coeficiente de correlação entre trabalho e capital é relativamente alto e aproximadamente igual a 0,698.

(b) Não. Apesar da correlação entre as duas variáveis, os coeficientes da regressão são

estatisticamente significativos no nível de 5%. Excluir uma variável nessas condições

acarretaria viés de especificação.

(c) Se for excluída a variável trabalho, o coeficiente do capital será tendencioso. O viés

pode ser calculado como no Exercício 10.6 e vale

0,1975.

ˆ

(β )(b

2

23

)

= (1,4988)(0,1319) =

10.10 (a) Não, porque a multicolinearidade diz respeito à associação linear entre variáveis, e nesse caso ela é não-linear.

(b) Não há razão para excluí-las. São teórica e estatisticamente significativas neste exemplo.

(c) Se uma das variáveis for excluída, haverá viés de especificação que aparecerá nos

coeficientes das variáveis remanescentes.

10.11 Não. Variáveis devem ser incluídas com fundamento teórico, e não apenas para

aumentar a SQE ou o . Além disso, se as variáveis estiverem correlacionadas, sua

inclusão ou exclusão alterará os valores dos outros coeficientes.

10.12 (a) Falsa. Se existir relação linear exata entre variáveis, não poderemos sequer

estimar os coeficientes ou seus erros-padrão.

(b) Falsa. Deve-se conseguir obter um ou mais valores t significativos.

Manual de Soluções • Econ ometria Básica • Gujarati (c) Falsa. Conforme observado no texto

Manual de Soluções • Econometria Básica •

Gujarati

(c) Falsa. Conforme observado no texto (veja a Equação 7.5.6), a variância de um

estimador de MQO é dada pela fórmula

var(

ˆ

β

j

) =

2

x

1

σ

2

j

1

R

2

j

,

deduzir que um

x

2

j

.

R

2

j elevado pode ser contrabalançado por um baixo

e

dela

se pode

σ

2

ou um alto

(d) Incerta. Se houver somente dois regressores no modelo, um alto coeficiente de

correlação entre pares de variáveis pode indicar multicolinearidade. Se um ou mais regressores entrarem de forma não-linear, as correlações entre pares podem levar a respostas enganosas.

(e) Incerta. Não há mal nenhum se a colinearidade observada persistir nos valores das

amostras futuras. Mas se esse não for o caso ou se o objetivo for uma estimação

precisa, então a multicolinearidade pode ser um problema.

(f)

Falsa. Veja a resposta (c).

(g)

Falsa. FIV e TOL fornecem a mesma informação.

(h)

Falsa. Normalmente se obtêm elevados em modelos com muita correlação entre

os regressores.

(i) Verdadeira. Como se pode ver pela fórmula dada em (c), se a variabilidade de X 3

for pequena,

em X 3 ,

R tenderá a ser pequeno e no caso extremo de não haver variabilidade

2

j

2

x

3

i

será igual a zero, caso em que a variância de β 3 estimado será infinita.

10.13 (a) Reportando-nos à Equação (7.11.15), vemos que se todos os forem zero,

será zero, ipso facto.

(b) Não será explicada pelo modelo nenhuma variação do regressando se este não

tiver correlação com nenhum dos regressores.

10.14 (a) Se todas as correlações de ordem zero, ou simples, forem iguais a r, a

Equação (7.11.5) se reduz a

2

R =

2

rr

2

(1

)

2

r

2

=

(1

r

2

)

1

+

r

.

(b) Pela Equação (7.11.1), pode-se ver, por exemplo, que

r

12.3

=

(1

rr

)

r

=

1

r

2

1

+

r

.

Manual de Soluções • Econ ometria Básica • Gujarati 10.15 (a) Se houver multicolinearidade perfeita,

Manual de Soluções • Econometria Básica •

Gujarati

10.15 (a) Se houver multicolinearidade perfeita, (X’X) passa a ser uma matriz

singular e, portanto, não pode ser invertida. Conseqüentemente, os coeficientes e seus erros-padrão são indefinidos.

(b) Pode-se testar isso examinado o determinante de (X’X). Se for zero, existe

colinearidade perfeita.

10.16 (a) Como no caso de colinearidade perfeita a matriz (X’X) não pode ser

invertida, a de variância-covariância é indefinida.

(b) Se a colinearidade é alta, a matriz de variância-covariância é definida, mas as

variâncias (dadas pelos elementos da diagonal principal) tenderão a ser muito grandes conforme o determinante de (X’X) for se aproximando de zero e à medida que a colinearidade for crescendo.

10.17 (a) Se o determinante de R for zero, existirá colinearidade perfeita.

(b)

Se o determinante for pequeno, a colinearidade será menos que perfeita.

(c)

Se o determinante for 1, as variáveis serão ortogonais (veja o Exercício 10.18).

10.18 (a) Só haverá elementos na diagonal principal.

(b)

Obtenha a matriz (X’X), sua inversa e (X’y).

(c)

Não haverá elementos fora da diagonal, isto é, elementos de covariância.

(d)

Não. Como todos os regressores são ortogonais, todos os termos de covariância

(isto é, produto cruzado) serão zero.

10.19 (a) Como o terceiro regressor (M t – M t-1 ) é uma combinação linear de M t e M t-1 ,

poderá haver um problema de colinearidade.

(b) Se reespecificarmos o modelo assim:

GNP

t

=

β

1

+

(

β β M

2

+

4

)(

+

β β M

34

)

tt

1

u βα M α

+= +

i

11

t

+

2

M

t

1

+

u

i

,

poderemos

estimar singularmente β 1 , α 1 e α 2 , mas não β 2 , β 3 e β 4 .

(c) Todos os parâmetros poderiam ser estimados singularmente, pois não haveria mais

colinearidade perfeita.

(d) A resposta é a mesma de (c).

10.20 Recorde que

(

x x

2

i

3

i

)

2

2

r =

23 2

(

i

)(

2

x

3

i

)

∑ ∑

x

2

.

Logo, ( ∑ Manual de Soluções • Econ ometria Básica • x x ) =

Logo, (

Manual de Soluções • Econometria Básica •

x x ) = rx

2

i

3

i

23

(

2

i

)(

22

∑∑

2

2

3

x

i

)

.

Gujarati

Substitua essa expressão nos denominadores das Equações (7.4.7) e (7.4.8) e simplifique.

10.21 Quando existe colinearidade perfeita, r 23 = 1. Portanto, os denominadores em

(7.4.12) e (7.4.15) serão zero, e, conseqüentemente, indefinidas as variâncias.

Como

ep (β ˆ +=β ˆ )

2

3

ˆ

ˆ

[var(ββ) +

2

var(

3

ˆˆ

) + 2cov(β ,

β

23

) , e tendo em vista que os

10.22

valores de covariância são dados, verificar o que se pede é mera questão de substituí- los na equação.

10.23 (a) Ceteris paribus, a variância do coeficiente estimado de

que

σ

2

k

cresce, o que permitirá uma estimação mais precisa de

ˆ

β .

k

β

k

diminui à medida

(b) A variância é indefinida quando a colinearidade é perfeita.

(c) Verdadeiro. Conforme aumenta , diminui (1-R²), o que reduzirá a variância do

coeficiente estimado.

10.24 (a) Dados o relativamente alto 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 produção seja positivo, o que

não ocorre nesse caso devido provavelmente à colinearidade nos regressores.

(c) É uma função de produção tipo Cobb-Douglas, pois podemos escrever o modelo

dado como

Y

=β

1

K Le

2

3

4 t

.

β

β β

(d) Em média, ao longo do período estudado, um incremento de 1% no índice de uso

real de mão-de-obra leva a um aumento de 0,91% do índice de produto real. No modelo, a variável t representa o tempo, que com freqüência é tomado como variável instrumental para mudança tecnológica. O coeficiente de 0,47 indica que ao longo do período estudado, a taxa de crescimento do produto real (como medida pelo índice de produto) foi de 4,7%, em média.

(e) Implicitamente, a equação assume que há retornos de escala constantes, ou seja,

(β + β

2

3

) = 1. Uma eventual vantagem da transformação pode ser a redução do

problema da colinearidade.

(f) Dado que o coeficiente da relação capital/mão-de-obra é estatisticamente insignificante, o problema da colinearidade, ao que tudo indica, não foi resolvido.

Manual de Soluções • Econ ometria Básica • Gujarati (g) Como mencionado em (e), o

Manual de Soluções • Econometria Básica •

Gujarati

(g) Como mencionado em (e), o autor está tentando saber se há retornos de escala

constantes. O teste F visto no Capítulo 8 poderia ser utilizado para descobrirmos se a

restrição é válida. Mas como as variáveis dependentes são diferentes nos dois

modelos, precisamos das somas dos quadrados dos resíduos restritas e irrestritas para usar a versão desse teste.

(h) De acordo com (g), os valores de não são comparáveis. Para torná-los comparáveis, poderíamos adotar os procedimentos vistos no Capítulo 7.

10.25 (a), (b), (c) & (d) Em essência, todas essas opiniões nos dizem que a multicolinearidade é, muito freqüentemente, um problema de deficiência de dados.

Problemas

10.26 (a) Os resultados da regressão do modelo modificado são:

ˆ

Y = 20,995 + 0,710Z i

i

ep = (6,341)

(0,066)

t = (3,311)

(10,771)

= 0,906

ˆ

β = (0,75)(0,710) = 0,532. Portanto,

3

ˆ

β = (0,625)(0,710) = 0,444.

4

(b) A variável Z pode ser interpretada como uma média ponderada dos diferentes tipos

de renda.

10.27 (a) Os resultados do Eviews 3 para a regressão são os seguintes:

Variável dependente: LIMPORTA Método: Mínimos quadrados Data: 11/11/2000 Hora: 10:16 Amostra: 1970 1998 Observações incluídas:

29

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

1,975260

0,782070

2,525683

0,0180

LPIB

1,043167

0,405783

2,570749

0,0162

LIPC

0,446142

0,569840

0,782925

0,4407

R-quadrado

0,982318

Variável dependente média Desvio-padrão da variável dependente Critério info Akaike Critério Schwarz Estatística-F Probabilidade (Estatística-F)

12,49048

R-quadrado ajustado

0,980958

0,904848

E.P. da regressão Soma quad resíduos Verossimilhança Log Estat Durbin-Watson

0,124862

-1,225512

0,405356

-1,084068

20,76993

722,2174

0,461405

0,000000

(b)

provável que haja multicolinearidade nos dados.

A

julgar pelo alto

e pelo valor t insignificante do coeficiente de ln

IPC,

é

Manual de Soluções • Econ ometria Básica • Gujarati (c) Seguem os resultados das regressões:

Manual de Soluções • Econometria Básica •

Gujarati

(c) Seguem os resultados das regressões:

Variável dependente: LIMPORTA Método: Mínimos quadrados Data: 11/11/2000 Hora: 10:21 Amostra: 1970 1998 Observações incluídas:

29

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

1,407426

0,290493

4,844960

0,0000

LPIB

1,359628

0,035525

38,27295

0,0000

R-quadrado

0,981901

Variável dependente: LIMPORTA Método: Mínimos quadrados

Amostra: 1970 1998

Observações incluídas:

29

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

3,898610

0,250312

15,57499

0,0000

LIPC

1,905351

0,055221

34,50388

0,0000

R-quadrado

0,977824

Variável dependente: LPIB Método: Mínimos quadrados

Amostra: 1970 1998 Observações incluídas:

29

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

1,8437

0,1080

17,0680

0,0000

LIPC

1,3988

0,0238

58,6972

0,0000

R-quadrado

0,9922

A regressão auxiliar de LPIB contra LIPC mostra que há alta correlação entre as duas variáveis, indicando a possibilidade de haver problemas de colinearidade com os dados.

(d) No caso, a melhor solução seria expressar as importações e o PIB em termos reais dividindo-os pelo IPC, conforme observado no capítulo do livro-texto. Os resultados do Eviews 3 são os seguintes:

Variável dependente:

LOG(IMPORTA / IPC) Método: Mínimos quadrados Data: 11/11/2000 Hora: 10:26

Manual de Soluções • Econ ometria Básica • Amostra: 1970 1998 Observações incluídas: 29 Gujarati

Manual de Soluções • Econometria Básica •

Amostra: 1970 1998 Observações incluídas:

29

Gujarati

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

0,106099

0,494911

0,214380

0,8319

LOG(PIB/IPC)

2,162167

0,135693

15,93429

0,0000

R-quadrado

0,903881

10.28 (a) Como há cinco variáveis explanatórias, haverá cinco regressões auxiliares.

Por economia de espaço, apresentamos a seguir somente os valores obtidos com

essas regressões:

Variável

R²

dependente

X2

0,9846

X3

0,9482

X4

0,9872

X5

0,9889

X6

0,9927

(b) Como os estão uniformemente altos em todas as regressões auxiliares, parece

que há um problema de multicolinearidade com os dados.

(c) É provável que haja na equação excesso de variáveis para substitutos da carne de

frango. Poderíamos usar como regressores apenas o preço composto dos substitutos, o da carne de frango e a renda disponível, o que já foi feito no Exercício 7.19.

(d) Criar uma variável de preço relativo, digamos, o preço da carne bovina dividido

pelo da suína, poderia amenizar o problema da colinearidade.

10.29 (a) & (c) Pelo exame dos coeficientes de correlação entre as possíveis variáveis

explanatórias, observamos uma correlação muito alta entre o IPC geral e o IPC de carros novos (0,997), e entre este e a RPD (0,991). Os outros são relativamente altos, mas podem permanecer no modelo por razões teóricas. A RPD também está estreitamente ligada ao nível de emprego, e a correlação entre as duas é 0,972. Podemos, portanto, excluir o IPC geral e a RPD e estimar o seguinte modelo:

Variável dependente: LY Método: Mínimos quadrados

Amostra: 1971 1986 Observações incluídas:

16

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

-22,10374

8,373593

-2,639696

0,0216

LX2

-1,037839

0,330227

-3,142805

0,0085

LX5

-0,294929

0,073704

-4,001514

0,0018

LX6

3,243886

0,872231

3,719068

0,0029

R-quadrado

0,684855

Variável dependente média

9,204273

R-quadrado ajustado E.P. da regressão Soma quad resíduos Verossimilhança Log Estat Durbin-Watson Manual de

R-quadrado ajustado

E.P. da regressão Soma quad resíduos Verossimilhança Log Estat Durbin-Watson

Manual de Soluções • Econometria Básica •

Gujarati

0,606069

0,075053

0,067595

21,03144

1,309678

Desvio-padrão da variável dependente Critério info Akaike Critério Schwarz Estatística-F Probabilidade (Estatística-F)

0,119580

-2,128930

-1,935783

8,692569

0,002454

Nota: Nesta tabela, a letra L significa “logaritmo de”.

Ao que tudo indica, não há problemas de colinearidade nesse modelo.

(b) Incluindo todas as variáveis X, obtemos os seguintes resultados:

Variável dependente: LOG(Y) Método: Mínimos quadrados

Amostra: 1971 1986 Observações incluídas:

16

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

3,254859

19,11656

0,170264

0,8682

LOG(X2)

1,790153

0,873240

2,050012

0,0675

LOG(X3)

-4,108518

1,599678

-2,568341

0,0280

LOG(X4)

2,127199

1,257839

1,691154

0,1217

LOG(X5)

-0,030448

0,121848

-0,249884

0,8077

LOG(X6)

0,277792

2,036975

0,136375

0,8942

R-quadrado

0,854803

Variável dependente média Desvio-padrão da variável dependente Critério info Akaike Critério Schwarz Estatística-F Probabilidade (Estatística-F)

9,204273

R-quadrado ajustado

0,782205

0,119580

E.P. da regressão Soma quad resíduos Verossimilhança Log Estat Durbin-Watson

0,055806

-2,653874

0,031143

-2,364153

27,23099

11,77442

1,793020

0,000624

Como suspeitávamos, são evidentes os problemas de colinearidade desse modelo.

10.30 Vamos, primeiro, apresentar a matriz de correlação dos regressores:

 

TAXA

GE

GMO

NEIN

ATIVOS

IDADE

Dependentes

TAXA

1,000000

0,571693

0,058992

0,701787

0,778932

0,044173

-0,60135

GE

0,571693

1,000000

-

0,234426

0,274094

-

-0,69288

 

0,040994

0,015300

GMO

0,058992

-

1,000000

0,359094

0,292243

0,775494

0,05021

 

0,040994

NEIN

0,701787

0,234426

0,359094

1,000000

0,987510

0,502432

-0,52083

ATIVOS

0,778932

0,274094

0,292243

0,987510

1,000000

0,417086

-0,51355

IDADE

0,044173

-

0,775494

0,502432

0,417086

1,000000

-0,04836

 

0,015300

Dependentes

-

-

0,050212

-

-

-

1,000000

0,601358

0,692881

0,520832

0,513552

0,048360

Escolaridade

0,881271

0,549108

-

0,539173

0,630899

-

-0,60257

Manual de Soluções • Econ ometria Básica • 0,298555 Gujarati 0,331067 Nota: Nesta tabela, considere

Manual de Soluções • Econometria Básica •

0,298555

Gujarati

0,331067

Nota: Nesta tabela, considere a última linha como a última coluna.

Como mostra a tabela, as correlações 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 variável Horas contra todos os regressores, obtemos os seguintes

resultados:

Variável dependente: HORAS Método: Mínimos quadrados

Amostra: 1 35

Observações incluídas:

35

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

1904,578

251,9333

7,559849

0,0000

TAXA

-93,75255

47,14500

-1,988600

0,0574

GE

0,000225

0,038255

0,005894

0,9953

GMO

-0,214966

0,097939

-2,194896

0,0373

NEIN

0,157208

0,516406

0,304427

0,7632

ATIVOS

0,015572

0,025405

0,612970

0,5452

IDADE

-0,348636

3,722331

-0,093661

0,9261

Dependentes

20,72803

16,88047

1,227930

0,2305

Escolaridade

37,32563

22,66520

1,646826

0,1116

R-quadrado

0,825555

Variável dependente média Desvio-padrão da variável dependente Critério info Akaike Critério Schwarz Estatística-F Probabilidade (Estatística-F)

2137,086

R-quadrado ajustado

0,771879

64,11542

E.P. da regressão Soma quad resíduos Verossimilhança Log Estat Durbin-Watson

30,62279

9,898400

24381,63

10,29835

-164,2220

15,38050

1,779824

0,000000

A interpretação é simples e direta. Então, ceteris paribus, se os salários médios por hora (TAXA) subirem um dólar, em média, o número médio de horas trabalhadas durante o ano (HORAS) cai cerca de 93 horas.

(c) Por economia de espaço, calcularemos FIV e TOL somente da taxa do regressor.

Regressando TAXA contra todos os outros regressores, obtemos um valor de 0,9416. Pela Equação (7.5.6) podemos verificar que o FIV para esse regressor é cerca de 2224, e o inverso desse número é a TOL, que vale 0,00045.

(d) Nem todas as variáveis do modelo são necessárias. Uma ou mais podem ser

excluídas aplicando os testes de diagnóstico apresentados no livro, ou podemos usar uma combinação linear delas.

(e) Embora os resultados sejam variados, talvez haja alguma evidência de que valha a

pena experimentar o imposto de renda negativo.

Manual de Soluções • Econ ometria Básica • 10.31 Este é para ser feito em

Manual de Soluções • Econometria Básica •

10.31 Este é para ser feito em aula.

Gujarati

10.32 Os resultados do Eviews para a regressão são os seguintes:

Variável dependente: Y Método: Mínimos quadrados Amostra: 1947 1961 Observações incluídas:

15

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

-3017441

939728,1

-3,210973

0,0124

X1

-20,51082

87,09740

-0,235493

0,8197

X2

-0,027334

0,033175

-0,823945

0,4338

X3

-1,952293

0,476701

-4,095429

0,0035

X4

-0,958239

0,216227

-4,431634

0,0022

X5

0,051340

0,233968

0,219430

0,8318

X6

1585,156

482,6832

3,284049

0,0111

R-quadrado

0,9955

R-quadrado ajustado

0,9921

E.P. da regressão

295,6219

Soma quad resíduos

699138,2

Estatística-F

295,7710

Estat Durbin-Watson

2,492491

Comparando esses resultados com os da Seção 10.10, vemos que a exclusão de uma única observação 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 mudanças nos dados podem levar a diferenças consideráveis nos resultados.