Você está na página 1de 122

Introduo

Aula 01
Edital Banco Central 2009
ECONOMETRIA: 1. Regresso Simples e
Regresso Mltipla. 2. Modelos de Variveis
Defasadas. 3. SriesTemporais. 4. Vetor Auto-
Regressivo. 5. Processos Estocsticos,
estacionaridade. 6. Cointegrao e correlao
dos erros. 7. Mtodos de estimao. 8.
Nmerosndices
Edital Banco Central 2013
1 Regresso simples e mltipla. 2 Modelos
comvariveisdefasadas. 3Sriestemporais. 4
Vetor auto regressivo. 5 Processos
estocsticos, estacionaridade. 6 Cointegrao
e correlao de erros. 7 Tcnicas de previso
de sries temporais. 8 Econometria de dados
empainel.
AULA Contedo Previsto
MDULO01
RevisodeEstatstica(intervalodeconfianaeteste
dehipsteses)
RegressoLinear SimpleseMtodosdeEstimao
MDULO02
Regresso Linear Mltipla (estimativa, inferncia e
abordagemmatricial)
MDULO 03
Multicolinearidade, HeteroscedasticidadeeErrosde
Especificao
MDULO04 Modelosdevariveisdefasadaseautocorrelao
MDULO 05
Econometria de Sries Temporais 1:
Estacionariedade, razesunitriasecointegrao
MDULO 06 ModelosARMAeVAR
MDULO 07 Dados em Painel
Finanas,
Estatstica,
Contabilidadee
Economia
O que econometria?
Econometria significa literalmente medida
econmica. Emboraamedidasejaumaparte
importante da econometria, sua finalidade
maisabrangente.
TeoriaEconmica
EconomiaMatemtica
EstatsticaEconmica
EstatsticaMatemtica
Econometria umcampo da economia
que se refere aplicao da estatstica
matemtica e da inferncia estatstica
para a medida emprica das relaes
postadasnateoriaeconmica.
Metodologia da Econometria
1. Formulao da teoria ou da hiptese
2. Especificao do modelo matemtico da teoria
3. Especificao do modelo economtricoda teoria
4. Obteno de dados
5. Estimativa dos parmetros do modelo economtrico
6. Teste de hiptese
7. Previso ou predio
8. Utilizao do modelo para fins de controle ou
poltica
Introduo
Aula 02
11
Os Modelos Economtricos
12
Fenmeno /
Populao
Amostra
O grande esquema das coisas
13
Fenmeno /
Populao
Amostra
O grande esquema das coisas
Processo de
Amostragem14
Fenmeno /
Populao
Amostra
O grande esquema das coisas
Processo de
Amostragem15
16
Modelo: representao simplificada da realidade
quedevereter asinformaesmaisimportantes;
Ummodelodeveser comoummapa.
Ummodelo muito complexo to til quanto ummapa
1:1
Modelo Estatstico: contm elemento de
aleatoriedade. Nesse modelo, tudo acontece
envolvendoincerteza.
Parmetros: quantidades fixas e usualmente
desconhecidasqueindexamomodelo.
17
Finalmente, para encontrar os parmetros,
ns utilizamos estimadores, que nada mais
so do que estatsticas usadas para estimar
umparmetro.
Por suavez, umaestatsticaumaquantidade
que funo dos dados e opcionalmente de
quantidades conhecidas. Assim, para que um
estimador sejaumaestatstica, elenopoder
depender denadadesconhecido.
18
Eu preciso ter informaes sobre a
populao. Mas, por algumalimitao,
euprecisarei estudar umapartedessa
populao (a amostra) e buscar, com
base nas informaes da amostra,
generalizar informaes sobre a
populao.
19
Natureza das variveis
Modelos Cross section
Modelos em sries temporais
Dados em painel
20
Introduo
Aula 03
21
Exerccios
1. AEconometriabaseadanodesenvolvimento
de mtodos estatsticos para estimar relaes
econmicas, testar teorias ou hipteses, avaliar
e implementar polticas de governo e de
negcios.
22
2. A Econometria evoluiu como uma disciplina
separada da estatstica matemtica porque
enfocaproblemas inerentes coletae anlise
dedadoseconmicosnoexperimentais.
23
3. Dados experimentais so frequentemente
coletados em ambientes de laboratrio nas
cincias sociais, mas so muito mais difceis de
seremobtidosnascinciasnaturais.
24
4. Umconjunto dedados decortetransversal
consiste em observaes de uma ou mais
variveisaolongodetempo.
25
Os Modelos Economtricos
Os modelos economtricos podem assumir
estruturas bastante sofisticadas, reunindo
muitasvariveisemdiversasequaes, ouat
mesmo contendo simultaneamente vrios
conjuntosdeequaes.
Ricardo Wyllie
26
Modelos Determinsticos
Y =f(X)
Ou, de forma maisaplicada:
D(p) =a +bP
27
Modelos Economtricos
Forma funcional:
Y =f(X) +
preciso realmente uma varivel estocstica?
A economia uma cincia social
+ + = X Y
28
Modelos Economtricos
Y = Varivel dependente ou explicada
(tambmchamadadeinduzida)
X=Varivel independenteouexplicativa
Para que seja possvel determinar
corretamenteosparmetrosdafunof:
Termoaleatriocomrestries
29
Modelos Economtricos
1 Hiptese sobre a forma funcional do
modelo:
Como obter as estimativas dos parmetros da
funo?
Atravs da abordagem geomtrica...
+ + = X Y
30
Propriedades Importantes
Aula 04
31
Parmetro
Estimador
Espao Paramtricos
32
Estimao Intervalar
33
Teste de Hipteses
Trindade
Hiptese nula e alternativa
Estatstica Teste
Valor crtico
34
Deciso/ Verdade Inocente Culpado
Absolvio DecisoCorreta ErroTIPO II
Condenao ERRO TIPO I DecisoCorreta
35
possvel controlar as frequncias cm que os erros
acontecem
Mas s possvel controlar um dos erros.
Controla-se a frequncia com o que o erro TIPO I
acontece.
Alfa =nvel de significncia do teste.
=frequncia com que cometemos o erro do tipo I
=P(cometer erro TIPO I)
=P(rejeitar H0 / H0 verdadeira)
Poder =1 P(cometer o erro tipo II)
=P(rejeitar H0 / H0 falso)
36
Lembretes!
37
Regresso
Aula 06
Oque?
Regresso uma situao em que alguma
caracterstica relevante da populao (em
geral, a mdia, mas pode ser tambm a
mediana, a varincia, a moda, etc) afetada
pelocomportamentodeoutrasvariveis.
Utilizando esse conceito, o nosso interesse
determinar se existe uma relao de regresso
entreduasoumaisvariveis. Sesim, desejamos
mensurar esseefeito.
Nessecaso, o yserdenominado devarivel de
interesse, resposta, regressando ou ainda
varivel dependente.
Clculo da estimao dos parmetros
Pela lei dos grandes nmeros...
Emummodelo deregresso, nsvimosquey
a varivel de interesse ou resposta. Essa
varivel ser afetada por outra varivel, que
ns vamos chamar de x. Ns vamos definir x
como sendo a varivel independente ou
regressorouaindacomocovarivel.
Agoraqueeuconheoasduasvariveisesei o
que umaregresso, eu vou querer saber de
que forma as variaes de x afetam o
comportamento dey. Deformamaisclara, eu
quero prever o comportamento de y
condicional emx.
O poder de previso
A funo perda esperada
Masequal seriaomelhor preditor paraque
a minha funo perda no processo de
regressosejaomenorpossvel?
Como, emumprocesso de regresso,
ns normalmente estamos
interessados no comportamento da
mdiadey,nsvamosutilizarafuno
perdaquadrtica( ),poisela
produz o melhor preditor da mdia
condicionadadeydadox.
Logicamente, seeuquisesseumaoutra
caractersticadey, outrafunoperda
poderiaser utilizada. Por exemplo, se
eu tivesse interessada na mediana, a
funo perda absoluta ( ),
seriaamaisindicada.
E qual a melhor funo perda?
Para estimar, a relao que existe entre y e x,
ns vamos usar, como preditor: , em
que um parmetro
Pela lei dos grandes nmeros e pelo mtodo
dos momentos..
Agora, estamos prontos para realizar a
regressolinear simples!
Regresso Linear Simples
Aula 07
O objeto de desejo
o nosso objeto de desejo ser modelar o
comportamento de y, levando emconta o
queacontececomx.
No modelo que estamos desenvolvendo,
, t =1, 2, ..., T
Nocasomaisimportante:
Interpretao dos parmetros:

: mdia e y quando x =0
!
: variao na mdia de y quando xaumenta em uma unidade.
A explicao que prova que
"
mede a variao na mdia de y
simples de compreender:
# $ % &
Suponha agora que o valor de x
t
aumenta em uma unidade:
'
(
)
.
Assim,
*
(
+ , -
(
. /
(
0 1 2 3 4 5 6
7 8
Suposies do Modelo
[S1]
[S2]
[S3]
[S4] assume, pelo menos, dois valores.
Obs.: [S4] necessrio para que eu possa medir como a
mdia de ymuda quando xmuda.
[S5] tem distribuio normal ou
.
Obs2.: [S5] ser til quando forem realizadas as
estimaes por intervalo de confiana e testes de
hipteses.
[S2] A HOMOCEDASTICIDADE
A violao de [S2]
Regresso Linear Simples
Aula 08
Estimao dos Parmetros
Propriedades de b
1
e b
2
:
[1]b
1
e b
2
so estimadores lineares (lineares em y);
[2]b
1
e b
2
so no viesados: e
[3]
Quanto maior , maiores e
. Ouseja, quanto maior for avarincia
doerro, maisimprecisosseroosparmetros.
Quanto maior avarinciado regressor, menores
sero e .
mede a varincia do regressor:
essa expresso entra como denominador de
e
Finalmente, medida que o tamanho da amostra aumenta, a
varincia dos estimadores diminui, tornando-os mais precisos.
Veja que medida que T aumenta, a varincia de b
1
diminui,
tornando-o mais preciso.
Para b
2
:
Assim, quando T ,
Eoqueafetaaprecisodeb
1
eb
2
?
* A varincia do erro, que aleatrio e no
possvel ter controlesobreele;
* Avariabilidadedoregressor;
* Otamanhodaamostra.
Questo de Concurso
(Analista do Banco Central, rea 3, 2006, FCC) Uma
empresa, com a finalidade de determinar a relao
entre os gastos anuais com propaganda (X), em R$
1.000,00, e o lucro bruto anual (Y), emR$ 1 000,00,
optoupor utilizar omodelolinear simples
emqueYi ovalor dolucrobrutoauferidonoanoi, Xi
o valor gasto compropaganda no ano i e o erro
aleatrio com as respectivas hipteses consideradas
para a regresso linear simples ( so parmetros
desconhecidos). Considerou, para o estudo, as
seguintes informaes referentes s observaes nos
ltimos10anosdaempresa:
+ + = X Y
Utilizando a equao da reta obtida pelo mtodo dos
mnimos quadrados, tem-se que, caso haja umgasto
anual compropaganda de 80 mil reais, a previso do
lucrobrutoanual, emmil reais, serde
A) 84
B) 102,5
C) 121
D)128,4
E) 158
(Pesquisador, Tecnologista em Meteorologia e Qualidade,
Inmetro, CESPE, 2009)Umestudoacercadarendadomiciliar
e do consumo mensal de energia eltrica de domiclio
mostrouquehumarelaolinear entreambosnaformaY
=a+bX+ emqueYarendadomiciliar, emreais, Xo
consumomensal deenergiaeltrica, emkWh, dodomiclio
correspondente, a e b so os coeficientes do modelo, a
serem estimados pelo mtodo dos mnimos quadrados
ordinrios, egrepresentaumerroaleatriocommdiazero
edesviopadro Apartirdeumaamostrade401domiclios,
observou-sequeodesviopadroamostral deYfoi igual aR$
500,00, odesviopadroamostral deXfoi igual a100kWhe
queacorrelaolinear entreYeXfoi igual a0,6. Combase
nasinformaesapresentadas,julgueositensseguintes.
[118] Para a obteno das estimativas de
mnimosquadradosdoscoeficientesdomodelo,
necessrio que o erro aleatrio g siga uma
distribuio normal.
[119] Se sooscoeficientesestimados
pelomtododosmnimosquadradosordinrios,
se so as mdias amostrais de Y e de X,
respectivamente, ento
Sejaomodelolinear deconsumo
Y =!100 +0,81X
em que X denota renda e Y e o consumo
estimado, emreais. Logo, aPropensao Marginal
aConsumir (PMgC) eigual a-100eadeclividade
dafuncaoe0,81
A analise de regressao implica
necessariamentecausacao
A analise de correlacaotem como objetivo
medir a intensidade ou grau de associacao
linear entre duas variaveisaleatorias.
(Pesq-TMQ, Cincias Econmicas, Inmetro, 2010, CESPE) No
queserefererealizao deinferncias sobreos parmetros
do modelo usado para representar a populao via teste de
hipteses, assinaleaopocorreta.
a) OerrodotipoI ocorrequandoahiptesenulafalsa, mas
norejeitada.
b) Aprobabilidade de erro do tipo I denominadade poder
doteste.
c) Umteste considerado consistente se aprobabilidade de
errodotipoII convergeparaonvel designificnciaquandoo
nmerodeobservaestendeaoinfinito.
d) Opoder do testeaumentacomo nvel designificncia, ou
seja, quando se aumenta o nvel de significncia, o teste se
tornamaispoderoso.
e) Umtesteconsideradobilateral seahiptesenulaenvolve
exatamentedoisparmetros.
Assinaleaopoquedaestimativadoaumentoesperadono
tempode
atendimento decorrente do aumento de uma unidade no
nmerodemicros
atendidos.
a) 17,0
b) 12,4
c) -2,3
d) 0,2
e) 14,7
Regresso Linear Mltipla
Aula 11
o nosso novo modelo ser dado por:
Forma ampliada

Matricialmente...
, , ,
SUPOSIESDOMODELO
[S0]Omodeloestcorreto;
Comentrio: veja que a suposio [S0] para o caso da
regresso linear mltipla exatamente igual ao caso da
regressolinear simples.
[S1]
Comentrio: os erros tm mdia zero. Tambm aqui,
exatamentecomofoi vistonaaulapassada.
[S2]
Comentrio: varincia constante implica homocedasticidade,
quensjsabemosoquesignificadesdeaaulapassada.
[S3]Oserrossonocorrelacionados, ouseja,
[S4] AscolunasdeXso linearmenteindependentes, ouseja,
osnicosvaloresdec
1
, c
2
, ... , c
k
taisque:
So
Comentrio: veja que, agora, no s necessrio que
assuma, pelo menos, dois valores. Nesse caso, preciso que
todos os valores sejamlinearmente independentes. Ou seja,
uma coluna de X (um regressor) no pode ser uma
combinaolinear deoutrascolunas.
[S5] Os erros, so normalmente distribudos ou
.
Comentrio: Assimcomonocasodaregressolinear mltipla,
[S5] ser til quando forem realizadas as estimaes por
intervalodeconfianaetestesdehipteses.
Interpretao dos Parmetros
Estimao dos Parmetros
Dessa forma, a soma do quadrado dos resduos
dada por:
Resolvendo S:
Derivando a expresso e igualando a zero (para obter o valor
mnimo), temos:
Condio de primeira ordem: (como XX
simtrica)
Temos que:
Assim, resolvendo matricialmente:
Varincia Estimada

PROPRIEDADES DE b
[P1] b um estimador linear;
[P2]Se y tiver uma distribuio normal, ento b
ter distribuio normal;
[P3] b no viesado para ,
Seja A =
, o queimplica queb linear.
Prova de [P3]
[P4]Estrutura da varincia:
Por [S3]
Ou seja,
O estimador da dada por:
, ou seja,
[P5]Resultadodeotimalidade.
TeoremadeGauss-Markov:
Sob [S0], [S1], [S2] e [S3], b o melhor
estimadorlinearnoviesado(MELNV)de (do
ingls, BLUE: Best linear UnbiasedEstimator)
(Analista dos correios Economista, CESPE, 2011) Uma
empresa de transporte de cargas deseja expandir seus
negcios e para isso fez umlevantamento acerca das 48
empresas concorrentes. Foi considerado um modelo de
regresso linear mltipla, emque a varivel dependente Y
representa o faturamento dessas empresas, havendo trs
variveis explicativas - X1, X2 e X3 - que representamum
perfil dessas concorrentes. O ajuste foi efetuado por
mnimos quadrados ordinrios e os resultados so
mostrados natabelaacima. Combasenessas informaes,
julgueositenssubsecutivos.
[114] Emregresso linear mltipla, o ideal que as variveis
X1, X2eX3sejamaltamentecorrelacionadasduasaduas.
[118] Ceterisparibus, o acrscimo de1unidadedo produto 3
incrementa o faturamento mdio em 3,2492 unidades
monetrias.
[119] Omodeloderegressolinear mltiplaemquestopode
ser representadonaformamatricial y=XB+g, emqueyum
vetor 481, Xamatrizdedelineamentocujadimenso48
3, Bo vetor decoeficientes31egumvetor aleatrio
481.
(Assessor Tcnico, Economia, Detran-RN, FGV) Ao estimar os
parmetrosdeummodelo deregresso pelo mtodo simples
de minimizao da soma dos quadrados dos desvios, sem
ponderao, verificou-se que a hiptese clssica de
homocedasticidade no era aceitvel. Nesse caso, o uso de
mnimos quadrados ordinrios, sem ponderao, gera
estimadores
a) demnimavarincia.
b) notendenciosos.
c) nolineares.
d) multicolineares.
e) assintticos.
(ANPEC 2008) Se o modelo satisfaz as
hipteses do teorema de Gauss-Markov, ento 1
" o estimador linear no viesado de "1 com
menor varincia possvel.
(ANPEC 1993) O vetor de solues para os
parmetros " j expresso por "^=(X' X)!1 X'Y
ANP, 2013
A hiptese de homocedasticidade importante para demonstrar
que os estimadores de MQO so no viesados e consistentes.
(Analistadoscorreios Economista, CESPE, 2011) Uma
empresadetransportedecargasdesejaexpandir seus
negcioseparaissofezumlevantamentoacercadas48
empresasconcorrentes. Foi consideradoummodelode
regressolinearmltipla, emqueavarivel dependente
Yrepresentaofaturamentodessasempresas, havendo
trs variveis explicativas - X1, X2 e X3 - que
representamumperfil dessasconcorrentes. Oajustefoi
efetuado por mnimos quadrados ordinrios e os
resultados so mostrados na tabela acima. Combase
nessasinformaes,julgueositenssubsecutivos.
[118]Ceterisparibus, oacrscimode1unidade
doproduto3incrementaofaturamentomdio
em3,2492unidadesmonetrias.
Informaes importantes
Sigma2 e b so no viesados e independentes.
Pergunta
Quo bom o nosso modelo?
Modelos restritos e irrestritos
O que ganhamos ao usar o modelo restrito ao
invs do modelo no restrito?
Coeficiente de Determinao
Objetivo: medir o poder de explicao do
modelo.
SST =SSR +SSE
R2 =SSR/SST =1 SSE/SST
Fato 1:
0 <=R2 =SSR/SST <=1
Fato 2:
R2 uma proporo: A proporo da variabilidade
total de y que explicada pelo modelo.
Fato 3:
R2 =(Coeficiente de correlao linear entre yt e
y^t)2
Comentrios:
C1: Quando o modelo no possui intercepto.
Use R2 no centrado.
C2 no decrescente no nmero de
regressores.
R2 ajustado.
R2 =1 SSE/(T-k)/SST/(T-1)
R2 =1 (T-1)/(T-K) *(1-R2)
C3 no uma proporo.
Quebra das hipteses do modelo
Regresso Linear Mltipla
Aula 15
[S2]
Comoafirmado, bcontinuasendonoviesado.
Almdisso, b tende, emprobabildiade a , ou
seja, oparmetroestimadoaindaconsistente.
Contudo, b no mais eficiente, ou seja, no
possui varincia mnima. Nesse caso, o teorema
deGaussMarkovnomaisvlido.
Para resolver esse problema, os
econometricistas indicam utilizar o mtodo
dos Mnimos Quadrados Generalizados, que
produzemumestimador linear, noviesado,
consistente e eficiente, fazendo com que o
TeoremadeGaussMarkovvolteaser vlido.
Testes
[Teste1]TestedeGoldfeld-Quandt
A imposio desse teste que devemos ordenar
as observaes de acordo comas varincias. Ou
seja, essasdeveriamestar emordemcrescente
importante notar que para realizar o teste, a
suposio[S5] temqueser vlida.
Uma vez as observaes ordenadas, deve-se
separar as r observaes centrais e fazer os
seguintesprocedimentos:
(Passo 1): Reordene as observaes em ordem crescente de
varincias;
(Passo2):Removaasrobservaescentrais;
(Passo3): Rodeasobservaescomaprimeirapartedaordenao
ecomaltimapartedasobservaes;
(Passo 4): Obtenha a Soma dos quadrados dos resduos das duas
regresses.
(Passo5):Aestatsticadetesteserdadapor:
9:;
<
=>?
@
Ovalor encontrado comas estimaes deveser comparado como
valor crtico de uma distribuio F
(T-r)/2, (T-r)/2
, sob a suposio de
normalidade.
(Passo6):RejeiteH
0
se:
GQ>F
(T-r)/2, (T-r)/2
Exerccios
(Cincias Econmicas, EMBASA, 2010, Cespe)
Combasenametodologiaeconomtrica, julgue
osprximositens.
[117] H heteroscedasticidade quando as
perturbaesaleatriasdeumaregressolinear
possuemamesmavarincia.
(Cincias Econmicas, EMBASA, 2010, Cespe) O grfico
abaixomostraosparesdeobservaesdeduasvariveisXe
Yrelacionadaspelaregressolinear simplesY=a+bX+u,
(ondeaebso coeficientesaseremestimadoseuso os
errosaleatrios).
Oexamedogrficosugereque
a) YeXnoserelacionam.
b) arelaonolinear.
c) o nmero de observaes insuficiente para a estimao
doscoeficientes.
d) pode haver problemas de heterocedasticidade na
estimao.
e) hautorrelaodosresduos.
(BANCOCENTRALDOBRASIL, Analistarea2, Cesgranrio, 2010)Seja
ummodelolinear y=X + , ondeyumvetor (nx1); Xuma
matriz (nxk) deposto k<n; umvetor colunacomposto dek
parmetros desconhecidos e umvetor (nx1) deperturbaes
aleatrias. Considere as seguintes hipteses sobre as perturbaes
aleatrias :
i.E( | X)=0
ii.V( | X)=I
2
ondeEooperadordeexpectncia(esperanamatemtica), V( | X)
=I
2
amatrizdevarincia-covarinciadasperturbaesaleatrias,
condicionada a X. Utilizando-se o mtodo de mnimos quadrados
simples(OLS)estimam-seosparmetros porb=(XX)1Xy.
Nessascondies, analiseasproposiesaseguir.
I - Seas hipteses i eii so vlidas, conclui-sequeos estimadores b so no
tendenciososeeficientes.
II - A identificao de
A
BCD
EFG
como estimador de mnimos quadrados de
2
, ondeeo vetor de resduos de mnimos quadrados, no estritamente
correto, umavezqueessemtodospermiteestimar .
III - SeopostodamatrizXfor menor doquek, ahipteseii nosesustentar
ehaverproblemasdeheterocedasticidade.
IV - Se V( | X) = , onde
H
, o mtodo de mnimos quadrados
generalizados (GLS) fornecer estimadores para com melhores
propriedadesdoqueosestimadoresdemnimosquadradossimples.
Socorretasasproposies
(A) I eII, apenas.
(B) III eIV, apenas.
(C) I, II eIV, apenas.
(D) I, III eIV, apenas.
(E) I, II, III eIV.
(ANPEC, 2008) Julgue as afirmativas:
Na presena de heterocedasticidadenos erros
de um modelo de regresso linear, os estimadores
de mnimos quadrados ordinrios so ineficientes.
(ANPEC, 2007)Julgue as afirmativas:
Heterocedasticidadeocorre quando o erro
aleatrio em um modelo de regresso
correlacionado com uma das variveis explicativas.
#Na presena de heterocedasticidade, estimadores de
mnimos quadrados ordinrios s
$Os testes t e F usuais no so vlidos na presena de
heterocedasticidade.oineficientes
%Na presena de heterocedasticidade, estimadores de
mnimos quadrados ordinrios so no viesados, mas so
inconsistentes.
O mtodo dos mnimos quadrados ordinrios foi
empregado para estimar o modelo de regresso
abaixo, cujo objetivo explicar as variaes de
renda entre 526 indivduos de uma amostra
aleatria:
ln(renda) =0,362+0,094 educ+0,014 exper 0,178 sexo 0,010 exper x sexo +u
(0,128) (0,008) (0,002) (0,058) (0,002)
R
2
=0,368 n =526
$ Pela inspeo dos resultados da estimao fica claro
que os erros do modelo so heterocedsticos