Econometria - Aula 01

Aula 01
Professor: Jeronymo Marcondes

Econometria p/ BACEN 2016
Prof. Jeronymo Marcondes Aula 01
AULA 01: Eficincia dos estimadores MQO e Regresso

Linear Mltipla
SUMRIO PGINA
1. Eficincia do estimador de Mnimos Quadrados Ordinrios (MQO) 2
2. Modelos no lineares 9
3. Variveis dummy 15
4. Regresso Linear Mltipla 18
47
Lista de exerccios de aula
Gabarito 58
Bem vindos de volta, pessoal. Vamos retornar Econometria!
Bom, antes de qualquer coisa, preciso destacar que a aula de hoje , com certeza, a
mais chata e menos prtica de todo o curso. Esta aula ser muito pesada. Tem
muita teoria matemtica e exige um esforo muito grande, apesar de boa parte do
contedo no ser cobrado diretamente pelas bancas. Ento, respire fundo e se
concentre. A aula ter poucos exerccios! O foco ser teoria!
- Professor, se no cai muito na prova, por que voc est dando esta matria?
Meus queridos alunos, o conhecimento que vocs tero nesta aula indispensvel
para a compreenso do contedo que vir a seguir.
Por exemplo, eu vou ter que ensinar um pouco de operaes com matrizes para
vocs, uma rea da Matemtica que chamada de lgebra Matricial. No h
exerccios deste tema na prova, porm, sem o conhecimento deste contedo no ser
possvel que voc entenda profundamente os fundamentos da Regresso Mltipla,
como uma matriz de varincias e covarincias, por exemplo. Assim, tenham
pacincia!
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 58

Antes de nos adentrarmos no tema Regresso Mltipla, precisamos terminar o

contedo de Regresso Simples, que iniciamos na aula anterior. Mais
especificamente, ns vamos discutir a questo da eficincia dos estimadores de
Mnimos Quadrados Ordinrios (MQO).
1. Eficincia do estimador de Mnimos Quadrados Ordinrios (MQO)
Vamos l, lembram-se das 2 hipteses que dissemos ser necessrias para a atividade
de anlise de regresso?
Pare um pouco! Uma dica de concurseiro para aquecer seus motores.
Dicas de um Concurseiro
Gente, muito importante que, durante o estudo, voc tente
fazer uma fora para lembrar-se do contedo j ensinado a
voc durante o curso. Caso voc no se lembre de algo, pare
tudo, e v consultar suas anotaes. Voc vai ver! Voc no
esquece mais!
Ento, vamos l! As hipteses do modelo de regresso linear j estipuladas so:
1 Hiptese sobre o modelo de regresso linear simples
Os erros so normalmente distribudos
Veja, tudo que ns discutimos na aula anterior tem a ver com o estimador MQO. Uma
caracterstica importante para um estimador a sua ausncia de vis. Quando eu
digo vis exatamente isso que vocs esto pensando. Ao afirmar que a opinio de
uma pessoa sobre determinado assunto enviesada, voc est dizendo que ela

est se distanciando dos fatos da realidade e puxando a sardinha para uma

determinada concluso.
Se eu digo para vocs que um estimador no viesado, eu estou dizendo que, na

mdia, ele acerta, ou seja, d o valor real do parmetro. Vou repetir um pouquinho
da aula anterior, s para vocs lembrarem.
Um exemplo para vocs entenderem, suponha um fenmeno que se comporte da

seguinte forma:
Esta equao pode representar o fenmeno de vendas de uma empresa (y)

explicadas pelo seu gasto com propaganda (x). Porm, dado que ns s temos uma
amostra dos dados que compem esta relao, ns iremos estimar esta reta por meio
de MQO, tal como na aula anterior, o que nos levar seguinte relao:
(1)
Perceba que e so as estimativas de e para uma dada amostra de dados da

populao. Algo intuitivo, mas que importante destacar que b mede a alterao
em y para uma dada variao em x, mantido tudo mais constante, ou como os
economistas chamam coeteris paribus. Agora isso no faz sentido, pois estamos
falando de regresso simples, mas quando formos tratar de regresso mltipla, com
muitas variveis afetando y, este conceito ganha importncia. Voltaremos a isso
depois.
Agora, a pergunta : ser que, na mdia, estes estimadores se aproximam do valor

real do parmetro? Pronto, agora voc vai entender o que vis de um estimador.
Meus amigos, ser no viesado se:
Isto quer dizer, a esperana do estimador igual ao seu correspondente parmetro

populacional. S para lembr-los da aula de Estatstica, quando voc falar em
esperana de uma varivel, tire a sua mdia e pronto! Vocs no precisam saber mais
do que isso para sua prova.

Bom, falamos um monte para chegarmos seguinte pergunta: quais as condies

necessrias para que o estimador de MQO seja no viesado? A resposta para esta
pergunta depende de uma demonstrao matemtica que se utiliza do operador
esperana.
-Professor, esta demonstrao cai na prova?
Quem pensou assim um verdadeiro concurseiro, com meio caminho andado para
sua aprovao. Voc tem que ser objetivo e focar em resultados e no em
perfumarias. Se voc gostar muito de Econometria e quiser aprender isso, passe no
concurso e v fazer um Mestrado ou Doutorado em economia depois, agora, pense
no concurso. Mas, quem quiser dar uma olhada na demonstrao, d uma olhada no
livro do meu orientador de doutorado, Rodolfo Hoffmann, Anlise de Regresso:
uma introduo Econometria.
Ento, vamos direto ao ponto. Para garantir o no vis de um estimador de uma

regresso linear, assuma a 1 hiptese do modelo de regresso linear e acrescente: 1
Ou seja, os no so correlacionados com os erros
1Para quem mais criterioso, a mdia dos erros ser igual zero no bem uma hiptese necessria
para se provar que um estimador no viesado. Na verdade esta hiptese necessria para derivar
o prprio estimador, ou seja, praticamente uma condio intrnseca existncia do mesmo.

Obs. Pessoal, eu j vi autores dizendo por a que a

normalidade dos erros condio necessria para que o estimador MQO seja no
viesado. Cuidado! No caso da CESPE, a mesma considera que tal hiptese no
necessria. De acordo com as provas da banca, podemos perceber que eles
consideram que a no normalidade dos erros s afeta os testes de hipteses.
O que ns estamos dizendo aqui? Vejamos, vamos ao exemplo dos gastos em

propaganda.
Os erros na equao original poderiam representar a fatia de mercado j dominada

pela empresa. Se os gastos em propaganda forem uma parcela fixa do total que a
empresa vende, estes gastos seriam cada vez maiores quanto maiores fossem as
vendas. Neste sentido, o que poderia estar afetando as vendas seria a fatia de
mercado j dominada pela empresa e no os gastos em propaganda. Assim, o efeito
b encontrado para os gastos em propaganda poderia estar contaminado e ser esprio
(isso , no representar nada), dado que quanto maior a fatia de mercado, maior
seriam os gastos em propaganda e, por conseqncia do aumento na fatia de
mercado e no dos gastos em propaganda, maiores seriam as vendas.
Assim, aquelas 2 condies so necessrias para se concluir que o estimador MQO

seja no viesado.
Bom, mas isso no basta para provar que um estimador eficiente.
- Professor, o que um estimador eficiente?
aquele que possui a menor a menor varincia dentre todos os estimadores lineares
no viesados. O que bastante bvio, dado que se seu estimador no viesado, o
que voc busca que o mesmo possua varincia mnima, de modo a se aproximar
ao mximo do parmetro populacional.

Voc garante que um estimador o melhor estimador linear no viesado, ou, como
conhecido na literatura especializada, BLUE (best linear unbiased estimator) por meio
da satisfao das condies do Teorema de Gauss Markov.
Novamente, vocs no tm que saber como derivar tal teorema (no livro do Prof.
Hoffmann voc tambm encontra tal demonstrao), ento vamos direto ao que
interessa. As pressuposies so as mesmas necessrias para garantir o no vis e
mais estas duas:
4 hiptese sobre o modelo de regresso linear simples:
5 hiptese sobre o modelo de regresso linear simples:
Ou seja, os erros no so autocorrelacionados.
Pessoal, todas estas hipteses e suas violaes sero discutidas com mais
detalhes na prxima aula, portanto, no se assustem.
S para explicar melhor, no caso da 4 hiptese, o que se quer garantir que os erros
tem varincia constante ao longo da amostra. Por exemplo, pode-se encontrar um
erro que se comporte de tal forma que:
Se isso ocorrer, voc concorda que a varincia ser funo do valor da varivel
explicativa e, portanto, no constante? Se isso ocorrer, surgiro problemas na anlise
de regresso, conforme ser discutido mais adiante. Quando a varincia dos erros
no constante, chamamos a este problema de heterocedasticidade.
Quanto 5 hiptese, espera-se que os erros do perodo presente no guardem

relao com os erros do perodo passado. Com efeito, os erros observados nas
estimativas MQO no perodo t no podem influenciar os erros de estimativa no
perodo t+1. Para entender melhor, substitua t por um determinado ano, 2010, por

exemplo, e pense sobre isso. Caso isso no ocorra, dizemos que o modelo possui
autocorrelao.
Vocs lembram de que eu disse que, por enquanto, estamos trabalhando com dados
em cortes transversais, ou seja, com observaes para diferentes unidades no
mesmo perodo de tempo (como no caso dos gastos com propaganda, que avaliamos
diferentes empresas em um nico ponto do tempo, um ano, por exemplo)? Ento, a
hiptese 5, na maior parte dos casos, s violada quando estamos trabalhando
com sries de tempo, ou seja, observaes para uma mesma unidade em diferentes
perodos do tempo (seria o equivalente a avaliar a questo dos gastos com
propaganda em uma nica empresa, mas ao longo do tempo).
Olha Dados em Painel a gente! No caso de Dados em

Painel, possvel existir a chamada autocorrelao contempornea. No entendeu
nada? No tem problema, espere que a gente chega l! A nica coisa que eu quero
que vocs saibam que autocorrelao no fenmeno exclusivo de sries
temporais, ok?
Est complicado? E complicado mesmo! Iremos discutir mais sobre isso

posteriormente, muito mais!
Por enquanto, tente entender o conceito. Olhe a reta estimada (1), pense na reta
como corte transversal, no qual X o gasto de cada empresa e Y sua respectiva
venda. Depois pense na possibilidade de estas variveis se referirem a uma
nica empresa, assumindo valores diferentes para cada ano passado. Entenda
que se o erro for autocorrelacionado, ele no ser uma varivel aleatria, tal
como esperamos, podendo levar concluso de que a reta est mal
especificada. Alm disso, pense na possibilidade de uma varincia no
constante para os erros, imagine como isso pode afetar, principalmente, o teste
de hipteses, que depende de tal estimativa.

Ento, se estas hipteses estiverem valendo, voc pode dizer que o estimador de sua
Regresso Linear Simples BLUE.
Vamos fazer um exerccio, s para voc verem como esto se saindo.
(ANPEC 2006) Julgue as afirmativas. A respeito dos estimadores de Mnimos

Quadrados Ordinrios (MQO), em um modelo de regresso linear:
(1) Se a varincia dos erros no for constante, as estimativas dos parmetros

sero no viesadas.
(2) Se , os estimadores de todos os parmetros, com exceo do
intercepto, sero viesadas.
Resoluo
(1) Olha que pegadinha chata! Realmente, voc no precisa de erros no

heterocedsticos, ou homocedsticos, para garantir que um estimador no
viesado. Porm, o fato de o mesmo ser heterocedstico no implica que o estimador
em questo ou no viesado, voc s afeta a possibilidade de o mesmo ser ou no
ser BLUE. Portanto, falso.
(2) Gente, no tem nada a ver com intercepto, no caso, . Se , todas as

estimativas sero viesadas. Portanto, falso.

2. Modelos no lineares
E a pessoal? Vamos acordar! Passar em concurso no fcil para ningum. Uma

dica de concurseiro.
Dica de um concurseiro
Muita gente fala faa exerccios, a parte mais importante do
estudo. Um conselho: isso nem sempre verdade. Muitas
vezes as bancas alteram totalmente seu paradigma e as
pessoas condicionadas a exerccios vo mal. Exerccios
uma das partes centrais da sua rotina, mas preciso uma
teoria bem estudada, a fim de que voc possa se adaptar a
qualquer cenrio. Faa assim, pense em um cronograma, fixe
um valor de horas de estudo e horas de exerccios, a depender
do seu domnio da matria, mas nunca deixa uma parte,
exerccios ou teoria, com menos de 20% a 15% do total
estudado.
Vamos l, ns estamos trabalhando com Regresses Lineares, mas isso no quer

dizer que no podemos trabalhar com modelos no lineares.
- Que isso, o professor t doido!
No, pense comigo, olhe a equao (1). Aquele x da reta estimada poderia ser o
quadrado dos gastos em propaganda, a saber:
Veja, a reta linear, mas o termo varivel igual ao quadrado dos gastos em
propaganda, cuja influncia tentamos explicar. No h qualquer mudana nos
procedimentos de MQO, a estimativa feita da mesma forma, pois a relao
explicada linear, o que tudo que precisamos. Portanto, o modelo no linear, mas
a reta ! Entendam, possvel linearizar muitos modelos, mas no todos.
Com base nisso, iremos comear a entender uma coisa que as bancas adoram, os
coeficientes que do valores de elasticidade.

Eu sei! Muitos no sabem o que elasticidade. Elasticidade o aumento percentual

em uma varivel, dado o aumento de 1% em outra, mantido tudo mais constante. Por
exemplo, no caso do nosso exemplo na equao (1), a elasticidade das vendas com
relao aos gastos de propaganda a alterao percentual nas vendas decorrente
de um aumento percentual de 1% nos gastos com propaganda.
Ento, h uma forma de transformarmos as variveis envolvidas em uma regresso

de tal forma que os coeficientes nos deem o valor da elasticidade da varivel
dependente com relao independente. A prova matemtica deste conceito exige o
conhecimento de clculo diferencial, portanto, no vou entrar em detalhes. Apenas
gravem, com base na equao, pode-se realizar uma operao nas variveis
explicativas, tal que:
(2)
Se:
Na qual, representa o logaritmo da varivel , valendo a mesma coisa para
a outra varivel. Assim, a partir daqui iremos nos referir s variveis que sofreram
transformao logartmica como variveis em log e as que no sofreram nenhuma
transformao como variveis em nvel.
Antes de continuarmos, vamos falar sobre o que o logaritmo. Vocs se lembram do

2 grau? Ento, em termos bem simples, o logaritmo o valor ao qual voc tem de
elevar o nmero da base para se atingir a um determinado valor. Por exemplo:
Neste exemplo, o nmero 4 a base.
Porm, no h necessidade de se restringir o valor da base a um nmero especfico.

Na operao com logaritmos comum se utilizar do nmero neperiano (e = 2,718). O
logaritmo que tem o nmero neperiano como base chamado de logaritmo natural,
ou ln.

Retornando ao tema.
Assim, basta pegar as variveis que compem a regresso que voc quer estimar e
tirar o logaritmo (na maior parte das vezes, logaritmo natural) de cada uma delas, uma
transformao simples. Se voc fosse usar o excel, bastaria selecionar as
observaes da amostra e mandar o programa tirar o logaritmo delas. No se
preocupem, caso a banca pea isso, eles mesmo daro os valores dos
logaritmos para vocs.
- Mas, professor, o que tudo isso tem a ver com elasticidade?
Boa pergunta! Veja a equao (2) acima. Naquele caso, b representa a elasticidade
da varivel independente com relao dependente. Simples, no?
Que bom, porque isso cai muito! Este o modelo log log, ou seja, as variveis
explicadas e explicativas esto ambas em log, respectivamente. Agora, me responda:
como um modelo log nvel?
Isso mesmo, a varivel dependente est em log, enquanto que a independente est
em nvel. Guardem esta tabela:
Modelo Interpretao de b
Nvel - Nvel
Nvel - Log
Log - Nvel
Log - Log
Na qual, o operador variao em nvel e variao percentual. Portanto, fica

claro que o modelo log log gera um coeficiente b que igual elasticidade de y com
relao a x.
Bom, antes de partirmos para um novo tpico, apesar de no cair demonstrao de

teoremas nas provas a CESPE, tem uma coisa que cai: as propriedades do

Logaritmo. No vou perder muito tempo com isso, pois h diversas coisas que voc
tem que aprender, alm do fato de que isso matria de 2 grau. Mas, dar uma noo
do bsico no mata ningum, no mesmo?
Isso cai muito, ento vamos l:
Questo 3
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se o
modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
, em que ln o logaritmo neperiano e Q um ndice

representando a demanda per capita do produto no ano i.
em que P o ndice de preos do produto no ano i.
em que R a renda per capita do pas no ano i.
o erro aleatrio
Utilizando o mtodo de MQO, obteve-se a equao:
Dados da tabela ANOVA: Soma dos quadrados referentes regresso = 0,6160;

Variao Residual = 0,0140.

Considerando a equao do plano obtida pelo mtodo MQO para esse pas, o
valor da previso em um determinado ano do ndice de demanda per capita Q
em funo do ndice de preos (P) e da renda per capita (R) pode ser obtido pela
frmula.
a)
b)
c)
d)
e)
Resoluo
Vamos comear a operar o logaritmo. Substituindo:
Isolando o nmero 4 do outro lado e por meio das propriedades descritas acima, pode-
se escrever a seguinte relao:
Se fizermos a seguinte operao, mantemos o resultado original:
Assim:

O que leva a:
Vamos l, mais umzinho!
Questo 4
(EPE ECONOMIA DA ENERGIA/2007) Qual das afirmaes abaixo faz

referncia correta ao modelo de regresso linear simples?
a) Toda regresso apresenta heterocedasticidade
b) Se a varincia dos erros constante, os dados so homocedsticos
c) O intercepto representa a inclinao da reta
d) Os erros do modelo no so aleatrios, com esperana igual a 1
e) A constante sempre positiva
Resoluo
Essa bem fcil. A alternativa (b) a definio de homocedasticidade.
S para destacar, , o intercepto, no a inclinao da reta, mas somente o valor no

qual a reta tangencia o eixo vertical. A inclinao dada por .
Retornando aula!

3. Variveis dummy
Gente, uma coisa que aparece muito em provas so as variveis binrias, ou dummy.
Estas so variveis que s assumem dois valores: 0 ou 1.
Quem tem um conhecimento em informtica sabe do que estou falando. Na verdade,

o 1 ou 0 podem ser interpretados como sim ou no. A ideia bsica seria utilizar
tais variveis para expressar relaes qualitativas e no quantitativas, tais como
tnhamos feito at ento.
A ttulo de ilustrao, vamos nos utilizar do seguinte exemplo:
Na qual o salrio de um indivduo explicado pelos seus anos de estudo e por uma
varivel binria , de forma que a mesma toma valor igual a 1 para os homens e 0
para as mulheres. O o termo de erro, que tem a propriedades desejveis.
Vocs entenderam a ideia? A varivel binria vai demonstrar, na mdia, qual a

diferena salarial entre os indivduos homens e mulheres, se o coeficiente for
significativo, claro. Por exemplo, suponha que a reta estimada por MQO seja tal que:
Neste caso, os homens recebem, na mdia, R$ 300 reais a mais do que as mulheres.
Vejam que, no caso das mulheres, , portanto:
Enquanto que:
Entenderam, pessoal? As variveis dummy permitem levar em conta aspectos

qualitativos em um modelo, tal como sexo, cor, religio, etc.
Ateno! O nmero de variveis dummy em uma

reta ser sempre (N-1), sendo N igual ao nmero
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br
de caractersticas em anlise. Por exemplo, no
15 caso
de 58
do modelo acima descrito, h duas caractersticas

Caso esta condio no seja respeitada, ocorrer um problema economtrico,

chamado de multicolinearidade, conforme ser discutido em aulas posteriores.
Vamos l! Exerccios.
Questo 5
(IBGE Mtodos Quantitativos /2008) Com relao

Regresso Linear Mltipla, assinale a alternativa correta:
a) A varivel Y dependente deve variar linearmente com o conjunto de variveis
explicativas X e no com cada uma delas
b) A representao geomtrica sempre de um plano
c) Funes como so sempre linearizveis
d) A aplicao de logaritmos sempre permite a linearizao, culminando na
representao geomtrica por hiperplano
e) Quando comparados com a regresso linear simples, os resduos so sempre
menores

Resoluo
Bom gente, uma coisa que eu falo toda hora que a regresso simples estima uma
reta! Quando a regresso mltipla, trataremos de hiperplanos.
Mas isso no importa, vamos ao que interessa, vocs no tem como saber tudo isso
sem a matria de Regresso Mltipla, mas, vocs j sabem a resposta!
Olhe a alternativa (c), aplique o Ln e voc ver que este modelo passvel de se
tornar linear, mas, como eu disse, nem todos os modelos so.
Dicas de um Concurseiro
Vocs esto vendo? No preciso saber todas
alternativas, com o conhecimento pr-existente voc
pode chegar na resposta. No h como saber tudo!
Voc tem que ser esperto tambm, elimine o que estiver
errado, chegue na reposta por excluso, etc.
Questo 6
(ESAF ATRFB/2009) O modelo de Regresso Linear Mltipla Y = + X+ Z+

ajustado s observaes (Y, X, Z) que constituem uma amostra aleatria
simples de tamanho 23. Considerando que o coeficiente de determinao foi R
= 0,80, obtenha o valor mais prximo da estatstica F para testar a hiptese nula
de no existncia da regresso:
a) 84
b) 44
c) 40
d) 42
e) 80

Resoluo
J ensinei isso hein? Vamos l:
Retornando aula!
4. Regresso Linear Mltipla
Cansado? V dar uma volta, respire, coma algo. Depois voc continua!
Preparem-se, esta parte vai ser chata e difcil, mas fazer o que? Voc que
escolheu ter uma bela remunerao, com um belo cargo no governo.
4.1 Conceitos de lgebra Matricial
- Professor, por que ns temos que aprender isso?
Bom, primeiramente, no vou adentrar muito no assunto, dado que se trata de uma
matria de segundo grau e acredito que quase todo mundo se lembra mais ou menos.
Em segundo lugar, vocs tm que aprender isso, pois operaes com matrizes a
forma mais simples de se trabalhar com sistemas de equaes lineares, leia-se,
anlise de Regresso Linear Mltipla!
Uma matriz um arranjo retangular de nmeros variveis e parmetros, tal como:
No qual, x, y, z e h podem ser quaisquer nmeros reais. Estes so chamados de

elementos da matriz A.

O nmero de linhas e colunas de uma matriz define sua dimenso, sendo que uma
matriz (m X n) significa que a mesma tem m linhas e n colunas. No caso da matriz
acima, a mesma tem dimenso (2 X 2).
Uma matriz pode conter apenas uma coluna ou apenas uma linha, sendo chamadas,
respectivamente, de vetor coluna e vetor linha. A ttulo de ilustrao:
Mais uma coisa que vocs tm que saber sobre matrizes: o conceito de matriz
transposta. Atente-se: a transposta de uma matriz X ( X ) , to somente uma verso
da original, mas cujas linhas equivalem s colunas da original e vice versa. No caso
do exemplo acima descrito:
Simples no?
Agora chega de bl, bl, bl! Vamos s operaes com matrizes, com o nico intuito
de podermos entender melhor a forma de expressar um sistema de equaes de
forma reduzida, bem como a maneira de estimar um sistema.
Soma e Subtrao de Matrizes
Duas matrizes s podem ser somadas ou subtradas se estas tiverem a mesma

dimenso. Essa a mais fcil! Pense, se voc quiser somar/subtrair duas matrizes
basta realizar a operao entre os dois elementos com a mesma posio nas duas
matrizes. Por exemplo:
E se fosse uma subtrao?

Simples no? No tem segredo. Essa regra serve para a soma de matrizes de
qualquer dimenso, contanto que elas possuam a mesma dimenso.
Multiplicao de Matrizes
H dois tipos de multiplicao de matrizes, que a multiplicao de matrizes por um

escalar (um nico nmero) e a multiplicao de uma matriz por outra.
Vamos primeiro ao caso da multiplicao de uma matriz por um escalar. Vamos

supor que a matriz do nosso exemplo acima fosse multiplicada por um escalar x=2. A
regra simples, s multiplicar todos os elementos pelo escalar, gerando uma nova
matriz H. Assim:
S para vocs comearem a pensar como economistas, olhe a operao acima e veja
que possvel escrev-la da seguinte forma:
Essa uma forma simplificada de se escrever o sistema de equao acima, muito

utilizada em econometria.
Fcil, Fcil! Agora, vamos multiplicar duas matrizes. Esta operao consiste na
multiplicao de cada linha pela coluna correspondente. Ou seja, no caso de uma
matriz (2 X 2), multiplique a linha 1 pela coluna 1, isso gerar o elemento 1X1 da
matriz (isto o elemento que se encontra na interseco da linha 1 com a coluna 1).
Antes de nos atermos operacionalizao do mtodo, cabe destacar que a matriz

resultante de duas matrizes ter dimenso igual quantidade de linhas da primeira
matriz pela quantidade de colunas da segunda matriz. Portanto, ao multiplicar uma
matriz (3 X 2) por outra (5 X 4), a matriz resultante ter dimenso (3 X 4).
Bom gente, acho que a melhor forma de entender a multiplicao de matrizes por
meio de um exemplo.

Deu para entender o que eu fiz? Olhe o exemplo! O elemento (1 X 1) constitudo da

multiplicao da linha 1 pela coluna 1. Veja a primeira linha da primeira matriz, que
contm os termos 2 e 1, e multiplique pelos termos da primeira coluna da segunda
matriz, 5 e 3, e some o resultado desta multiplicao, chegando ao resultado.
Vocs perceberam que, no caso da multiplicao,

diferentemente da soma e subtrao de matrizes, as
matrizes no precisam ter a mesma dimenso? Lembre-se
da regra, a matriz resultante ter dimenso igual ao nmero
de linha da primeira matriz e nmero de colunas igual ao da
segunda. Entretanto, ateno, o que necessrio para a
multiplicao de duas matrizes que o nmero de colunas
da primeira seja igual ao nmero de linhas da segunda.
Determinante de uma matriz
Esta ser a parte da disciplina que s ser utilizada em parte mais distante do curso,
no caso, quando falarmos do Vetor Autoregressivo. Mas, j que estamos tratando do
tema lgebra Matricial, vamos nos adiantar e j falar sobre isso.
Aquela velha pergunta dos alunos de segundo grau: o que o determinante?

Realmente, uma pergunta complicada para se achar uma resposta intuitiva, ento,
contentem-se com essa:
Determinante um escalar associado a uma Matriz.
O clculo do determinante de uma matriz (2 X 2) muito simples. Dada uma matriz,

multiplique os membros da diagonal principal da matriz e subtraia este valor da
multiplicao dos membros que no compem a diagonal principal.
- No entendi nada!

assim, suponha uma matriz dada por:
A diagonal principal composta pelos elementos (2,1). Assim, o determinante (D)

dado por:
Entenderam? bem fcil!
E se for uma matriz (3 X 3)? Por exemplo:
Com base nesta matriz, o clculo do determinante depende de uma operao sobre
a matriz, repetindo as 2 primeiras colunas direita da ltima. Vamos ilustrar:
Agora voc tem 3 diagonais que vo da esquerda para a direita e 3 que vo da direita
para a esquerda. Portanto, o determinante ser de:
Entenderam? Viram que basta multiplicar os membros das diagonais (6,3,7), (2,4,4)
e (5,4,2) e som-los? A, voc faz a mesma coisa com as diagonais invertidas
(2,4,7), (6,4,2) e (5,3,4) e diminui o primeiro somatrio deste segundo!

Matriz identidade e diviso de matrizes
Esta parte tranquila. Vamos primeiro ao caso da matriz identidade, pois isso super
importante para sua prova. Simples assim, uma matriz identidade (I) uma matriz tal
qual os elementos da diagonal principal so todos iguais a 1, enquanto que todo o
resto da matriz composto por zeros. Veja:
Isso uma matriz identidade. Sua importncia, voc entender depois.
Agora vamos falar da questo da diviso de matrizes. J adianto, no existe

diviso de matrizes, mas h uma operao que faz o papel da diviso. Esta
operao chamada de inverso de matrizes.
- Professor, eu tenho que saber inverter uma matriz?
No! A menos que voc v prestar a prova do IPEA ou da ANPEC, isso no ser
cobrado. Assim, voc s tem que entender o seu papel e como a mesma funciona em
um contexto que voc precisa dividir duas matrizes.
A nica coisa que voc tem que saber so duas coisas.
Primeira, multiplicar uma matriz X qualquer por outra Matriz inversa qualquer, Y, por
exemplo, semelhante a dividir X por Y.
Assim, fcil deduzir uma propriedade das matrizes inversas:
Esta propriedade afirma que quando voc multiplica uma matriz pela sua inversa, o
resultado a matriz identidade, o que semelhante a dividir um nmero por ele
mesmo. A ttulo de esclarecimento, cabe destacar que a representao de uma
matriz, quando elevada a (-1), equivalente inversa desta ltima.

A segunda coisa que voc tem que saber sobre inverso de matrizes tem a ver
com independncia linear.
Se as variveis de uma linha ou coluna de uma matriz so uma combinao linear de

outras linhas e colunas da mesma, voc pode afirmar que h dependncia linear entre
os elementos. Por exemplo:
Perceba que a coluna 2 o dobro da primeira, ou seja, a segunda coluna um

mltiplo da primeira, o que configura como uma combinao linear entre as colunas.
Veja, existe uma propriedade bsica dos determinantes que afirma que se uma
linha/coluna de uma matriz for um mltiplo de outra linha ou coluna da mesma, seu
determinante ser igual a zero. Assim, caso haja dependncia linear em uma matriz,
o determinante ser igual a zero. Teste! Tire o determinante da matriz acima!
Como eu disse, vocs no precisam saber inverter uma matriz, mas saibam que o
processo depende do determinante de uma matriz, assim, se houver dependncia
linear em uma matriz, a sua inversa no existe! Portanto, muito importante saber se
h dependncia linear em uma matriz, pois isso influir no determinante da mesma e,
por consequncia, na sua matriz inversa.
-Professor, tudo bem. Mas, qual a necessidade de toda essa chateao?
Agora vocs vo entender.

4.2 Regresso Linear Mltipla aspectos algbricos
Agora sim vocs vo entender direitinho. Eu j expliquei para vocs que uma
Regresso Linear Mltipla, com k parmetros, dada, genericamente, por:
De forma que i represente qual observao est sendo avaliada para cada uma das
variveis, de forma que i = 1, 2...n.
Assim, vocs vo pensar com bastante calma e enxergar que possvel dispor os
dados da seguinte forma:
E, portanto, tambm podemos escrever:
O que pode ser reduzido notao matricial:
Opa! Agora vocs esto entendendo o porqu de todo aquele falatrio sobre
matrizes? Esta ltima forma a melhor forma de se avaliar uma regresso mltipla,
pois simplifica, e muito, a descrio das operaes realizadas.
Vocs se lembram do estimador de MQO para a regresso linear simples?
-Claro Professor!
Ento, o estimador de MQO para a regresso mltipla o seguinte:

Olha s pessoal! Percebam a semelhana entre esta expresso e a expresso

utilizada na regresso simples. No caso, associa-se ao fator , enquanto que
anlogo a .
Lembrem-se da questo da matriz inversa, na qual se as colunas/linhas de uma matriz

formarem uma combinao linear entre si, a matriz inversa no existir e, portanto,
no haver como determinar . Assim, temos mais uma hiptese necessria para a
existncia do nosso modelo de regresso, quando estamos trabalhando com
regresso mltipla.
6 Hiptese sobre o modelo de regresso linear
Cada varivel no pode ser combinao linear das demais.
Assim, se as variveis X formarem uma combinao linear perfeita ser impossvel

estimar a equao por meio do mtodo MQO. Alguns autores dizem que a no
existncia de colinearidade perfeita tambm condio para o no vis, o que eu no
acho formalmente correto, haja vista a impossibilidade de estimar uma regresso sob
tal condio. Porm, se cair, cuidado, opte pelo tradicional, ou seja, a no
existncia de colinearidade perfeita condio para o estimador ser no
viesado.
Entretanto, pode acontecer que as variveis no formem uma combinao linear

perfeita, mas tenham alguma correlao, o que gera um problema de estimao
conhecido como multicolinearidade. Isso ser discutido com profundidade na prxima
aula!
E a? Tem algum a? Imagino que vocs devem estar mortos de cansao. Eu s vou
esticar mais um pouquinho e chega. Matutem! Foi uma aula pesada.
Bom, uma coisa vocs precisam saber, a regresso mltipla forma no uma reta, mas
um hiperplano! Vocs conseguem imaginar o porqu?

Vamos lembrar-nos do segundo grau! Olhem o grfico que mostra o caso de uma
regresso simples.
Agora, veja um grfico que representa o caso de 2 variveis explicativas.
Viu? No h como representar o caso de 2 ou mais variveis explicativas em um

grfico bidimensional, sendo necessrio trabalhar com mais dimenses. Estes casos,
de mais de uma varivel explicativa, formam hiperplanos nos grficos.
4.3 Matriz de Varincia e Covarincia
Em uma regresso mltipla, a forma de se representar as varincias dos erros, bem

como a covarincia entre eles (autocovarincias), por meio da matriz de varincia
e covarincia dos erros . De novo pessoal, hora de dar uma olhada no
material de estatstica, a fim de se lembrar o que uma covarincia! S para dar
aquela lembrada, a covarincia entre duas variveis X e Y:

Sendo:
Gente, a inteno deste tpico no ensinar a teoria por detrs da derivao da

matriz, mas, to somente, o que ela representa. muito simples, a diagonal principal
representa a varincia dos erros, enquanto que os demais elementos so as
covarincias entre eles.
Assim, ns podemos resumir as hipteses 4 e 5 da regresso linear mltipla como:
Sendo igual varincia dos erros.
Vejam:
Perceba que a varincia nica ao longo de toda a matriz, dado que
, implicando homocedasticidade. Alm disso, no h autocovarincia

entre os diversos resduos, o que permite concluir que no h autocorrelao.
Voc j notou no ? Ns s estamos falando de

varincia do erro. Mas, saiba que, quando ns estivermos trabalhando com uma
amostra e no com a populao, o estimador para ser a soma dos quadrados

dos resduos divida pelos seus graus de liberdade!
Bom, eu sei o que vocs esto pensando:
- Pra que tudo isso?

Para passar na prova... brincadeira.
A matriz de varincia e covarincia serve para identificarmos o comportamento da

varincia dos erros de uma regresso. Isso importante para captarmos diversos
problemas que podem estar afetando as estimativas, tal como a heterocedasticidade.
Mas, a anlise de uma matriz de varincia e covarincia serve tambm para o caso
das varincias dos parmetros. Como ser a forma dela? Voc consegue
adivinhar?
isso a! A varincia dos parmetros fica na diagonal principal e suas covarincias

nos outros elementos. Vamos dar um exemplo para vocs enxergarem direitinho.
Ateno! Pode-se provar que a matriz de varincia e covarincia para os parmetros

de uma Regresso Mltipla, , dada por:
No caso de 1 varivel, ns j vimos qual a varincia do parmetro :
Perceba como so semelhantes! Mas, a idia em si traz um novo insight. Por exemplo,
suponha o seguinte modelo:
Neste caso, a varincia dos parmetros ser tal que:

Na qual a varivel representa o coeficiente de correlao entre e .
Pensem comigo, se a correlao entre variveis explicativas por igual a zero, estamos
de volta ao caso de uma nica varivel explicativa. Porm, caso contrrio, a varincia
do parmetro tender a ser tanto maior quanto maior for a correlao entre as
variveis explicativas, podendo resultar em uma varincia infinita, caso ,o
que equivalente ao caso de colinearidade perfeita! Lembrem-se, se houver
colinearidade perfeita em uma regresso, a equao no pode ser estimada por
MQO.
Ufa! Cansei! Aulinha danada de pesada! Vamos fazer uns exerccios para ver se
vocs entenderam. Mas, ressalto, esta uma aula muito conceitual, portanto,
olhe suas anotaes das aulas de estatsticas, releia o texto com calma e tente
fazer os exerccios, mais de uma vez, se for preciso.

(BACEN- 2002) O texto que segue diz respeito s questes 7, 8 e 9.
No ajuste de um modelo economtrico, envolvendo uma amostra de tamanho

17, os logaritmos das observaes, na base neperiana, das variveis consumo
(y), renda (r) e preo (p) satisfazem o modelo linear:
I = 1,...,17
Onde os parmetros so constantes desconhecidas e os erros so no

correlacionados e normalmente distribudos com mdia nula e varincia
constante . A anlise condicional s realizaes de renda e preo. O
ajuste pelo mtodo de MQO produziu os seguintes resultados:
Fonte Soma de Quadrados
Modelo 0,518
Erro 0,014
Total 0,532
Nessas expresses representa o vetor de estimativas de MQO de

e representa a matriz de varincia e covarincia de .

Questo 7
Assinale a opo que d o valor do coeficiente de determinao do modelo
linear ajustado.
a) 0,974
b) 0,900
c) 0,990
d) 0,895
e) 0,997
Resoluo
S lembrar:
Questo 8
Deseja-se estimar o aumento percentual no consumo decorrente do aumento

de 1% na renda e da reduo de 2% no preo. Assinale a opo que d a
varincia desta estimativa.
a) 0,0013
b) 0,0256
c) 0,0295
d) 0,0343
e) 0,0230

Resoluo
Opa! Se a questo pedisse a estimativa, seria fcil dado que estamos trabalhando
com logaritmos, que, por conseqncia, d a elasticidade. A saber:
Mas, esto pedindo a varincia da estimativa e, pior, da estimativa de dois

parmetros atuando conjuntamente!
Hora de lembrar-se de estatstica de novo! Vocs se lembram que:
Olha gente, como eu j disse inmeras vezes, no tem jeito, Econometria exige
conhecimentos prvios de Estatstica.
Agora vamos l.
Pelas propriedades acima enunciadas, pode-se demonstrar que:
Assim, com base na matriz de varincia e covarincia dada:
Difcil essa, no ? Vamos fazer mais uma para descansar!

Questo 9
Relativamente ao teste da hiptese conjunta de que e so iguais a zero

, contra a alternativa de que no so, assinale a opo correta. A
notao F(m.n) representa a distribuio F com m graus de liberdade no
numerador e n gruas de liberdade no denominador:
a) A estatstica de teste 259 e tem distribuio F(2,15) sob
b) A estatstica de teste 518 e tem distribuio F(2,14) sob
c) A estatstica de teste 518 e tem distribuio F(3,16) sob
d) A estatstica de teste 518 e tem distribuio F(2,15) sob
e) A estatstica de teste 259 e tem distribuio F(2,14) sob
Resoluo
Vamos calcular a estatstica F:
Entenderam?

(ANAC NCE/2007 ADAPTADA) Considerando o modelo abaixo, estimado

pelo mtodo de mnimos quadrados ordinrios, com uma amostra de 300
observaes, com:
R= 0,39
P = 30,0 + 20,0Q + 10,0V + u

(3,0) (2,2) (0,9)
P o preo de venda dos apartamentos em uma determinada cidade (em mil

reais), Q o nmero de quartos do apartamento, V o nmero de varandas, u o
erro e os valores entre parntesis so os desvios-padro dos coeficientes
estimados. Com base nisso, julgue os itens a seguir.
Questo 10
O preo esperado de um apartamento com 2 quartos e uma varanda ser maior

que R$ 80.000, pois no conhecemos o valor esperado de u.
Resoluo
Pessoal, substituam:
O preo no maior que 80. Alternativa falsa.

Questo 11
Segundo o coeficiente de determinao, mais da metade da variao dos preos

dos apartamentos pode ser explicada.
Resoluo
Gente, a alternativa est falando do R. No caso, ele de 39%, portanto no explica

mais da metade da variao dos preos. Alternativa Falsa.
Questo 12
Atravs da observao do valor do R2, podemos concluir que a regresso

estatisticamente no-significante.
Resoluo
J discutimos isso. O R to somente um coeficiente de determinao e no nos diz

nada sobre a significncia de uma regresso. Isso para o teste F. Alternativa falsa.
Questo 13
O preo esperado de um apartamento com apenas um cmodo, alm da cozinha

e do banheiro, no pode ser obtido com a equao estimada.
Resoluo
Questo obviamente incorreta. Pois, no exerccio 10, mostramos que isso possvel.

(ANPEC 2010) Julgue as afirmativas
Exerccio 14
Os estimadores de MQO so eficientes, mesmo se os erros no forem

normalmente distribudos.
Resoluo
Verdadeira! Como eu disse, controvrsias parte, mesmo que os erros no sejam

normalmente distribudos, a eficincia do estimador no afetada.
Exerccio 15
Sob heterocedasticidade os estimadores de MQO so viesados.
Resoluo
Incorreta. Conforme vimos, a homocedasticidade hiptese necessria para garantir

eficincia e confiabilidade nos testes de hipteses, no afetando o vis.

Exerccio 16
Sob autocorrelao o estimador de MQO no mais eficiente.
Resoluo
Perfeito. Esta uma das condies necessrias impostas pelo Teorema de Gauss -
Markov, que demonstra que o estimador MQO BLUE.
Exerccio 17
(BNDES 2009/CESGRANRIO) Para ajustar uma reta a um conjunto de pontos

no plano cartesiano, (xi, yi), i = 1 a n, de modo que y = a + bx, as estimativas de
a e de b so feitas minimizando a soma dos quadrados dos erros verticais
(supondo que os y sejam representados no eixo das ordenadas do grfico entre
x e y). Nestas condies, a reta ajustada
a) tem um intercepto a nulo, se todos os yi forem iguais a 1.
b) tem uma inclinao b com sinal contrrio ao do coeficiente de correlao
entre os xi e os yi.
c) passa pelos pontos de mximo e de mnimo dos xi e dos yi, respectivamente.
d) passa pelo ponto ( ), onde e so as mdias dos xi e dos yi,
respectivamente.
e) passa pelo menos por dois pontos (xi, yi), pois o mnimo necessrio para
definir uma reta.

Resoluo
Pessoal, toda a ideia de regresso encontrar mdias. Veja, a regresso minimiza

a soma do quadrado dos resduos, portanto:
A alternativa verdadeira a (d), que, na verdade, expressa uma importante

propriedade do mtodo de regresso.
A demonstrao desta propriedade est fora do escopo deste curso, portanto, vamos
analisar intuitivamente. No tenho inteno de ser formal, ok? para ser intuitivo
mesmo!
Dada uma regresso:
Suponha que esta relao seja verdade:

Ou seja, que a regresso passe por estes pontos mdios.
Diminua a primeira equao da segunda:
Como na aula anterior, o chapu demonstra o desvio com relao mdia.

Rearranjando:
Multiplicando o numerador e o denominador por , o que deixa o total inalterado, e

somando esta expresso para todas as unidades seccionais:
Que o prprio estimador de MQO. Ou seja, o ponto mdio compatvel com esta
frmula.
Alternativa (d).

Exerccio 18
(TJ\RO 2012/CESPE) Com respeito ao modelo de regressao linear simples,

assinale a opo correta.
a)O parmetro de inclinao da reta e igual a tangente do ngulo formado entre
a reta e o eixo Oy.
b)A inclinao da reta e proporcional a correlao entre a varivel resposta e a
varivel preditora.
c)Se o modelo linear estiver bem ajustado, a correlao entre o resduo do
modelo e a varivel resposta deve estar prxima de -1.
d)Se o intercepto do modelo for nulo, a varivel resposta assume o valor zero
quando a varivel preditora for igual ao inverso da inclinao da reta.
e)O parmetro de inclinao da reta e igual ao cosseno do ngulo formado entre
a reta e o eixo Ox.
Resoluo
Questo muito terica da rea de estatstica. Porm, vamos nos ater Econometria,
nos dirigindo diretamente para a alternativa correta.
A alternativa correta a (b). A correlao entre as variveis tem tudo a ver com o seu
respectivo coeficiente estimado para a regresso, tal como vimos na frmula:
Alternativa (b).

(ANATEL CESPE/2014) Julgue as afirmativas.
Exerccio 19
Resoluo
Perfeito! Lembrem-se das hipteses necessrias para garantir que o nosso estimador
seja BLUE:
Ou seja, a inexistncia de autocorrelao nos erros condio necessria para

eficincia do estimador, mas no para que o mesmo no seja viesado.
Alternativa correta.
Exerccio 20

Resoluo
Lembre-se da 6 hiptese em nosso modelo de regresso mltipla:
Esse o caso da multicolinearidade! Essa caracterstica impede a estimao dos

parmetros, pois o determinante da matriz de variveis explicativas ser zero.
Alternativa correta.
Exerccio 21
(PETROBRAS CESGRANRIO/2011)

Resoluo
Um exerccio de preencher o quadro! O primeiro a ser preenchido o de graus de

liberdade (gl). Ns sabemos que o gl total igual ao gl explicado (tratamento) mais o
gl de erros. Assim:
Agora fica fcil encontrar w, pois este o quadrado mdio dos erros:
O caso do x que este a soma dos quadrados explicados, que tem relao direta
com o seu quadrado mdio:
Agora fica fcil encontrar z (soma dos quadrados totais), que dado pela soma de x
e 30:
Alternativa (e).

Exerccio 22
Resoluo
Vamos avaliar:
a)Se todas nossas hipteses forem atendidas, garantidas pelo Teorema de Gauss
Markov, o estimador no tendencioso (no viesado).
b)Ele tem de ser linear. Lembre-se, melhor estimador linear no viesado.
c)Ele consistente, conforme veremos na prxima aula.
d)Isso no uma propriedade, mas um mtodo de estimao.
e)Isso garantido pelo Teorema de Gauss Markov.
Alternativa (d).

Exerccio 23
Resoluo
Uma alta correlao entre as variveis explicativas caracterstica do problema

conhecido como multicolinearidade.
Alternativa (e).

Lista de exerccios de aula
(ANPEC 2006) Julgue as afirmativas. A respeito dos estimadores de Mnimos

Quadrados Ordinrios (MQO), em um modelo de regresso linear:
(1) Se a varincia dos erros no for constante, as estimativas dos parmetros

sero no viesadas.
(2) Se , os estimadores de todos os parmetros, com exceo do
intercepto, sero viesadas.
BACEN (2006) Uma das principais aplicaes da Econometria tem sido a sua
utilizao na obteno de modelos que explicam a procura de produtos nos
diversos setores da economia. Por exemplo, em determinado pas, adotou-se o
modelo para avaliar a demanda per capita de um
determinado produto, com base e, observaes nos ltimos 10 anos.
Dados:
, em que ln o logaritmo neperiano e Q um ndice

representando a demanda per capita do produto no ano i.
em que P o ndice de preos do produto no ano i.
em que R a renda per capita do pas no ano i.
o erro aleatrio
Utilizando o mtodo de MQO, obteve-se a equao:
Dados da tabela ANOVA: Soma dos quadrados referentes regresso = 0,6160;

Variao Residual = 0,0140.

Questo 3
Considerando a equao do plano obtida pelo mtodo MQO para esse pas, o
valor da previso em um determinado ano do ndice de demanda per capita Q
em funo do ndice de preos (P) e da renda per capita (R) pode ser obtido pela
frmula.
a)
b)
c)
d)
e)
Questo 4
(EPE ECONOMIA DA ENERGIA/2007) Qual das afirmaes abaixo faz

referncia correta ao modelo de regresso linear simples?
a) Toda regresso apresenta heterocedasticidade
b) Se a varincia dos erros constante, os dados so homocedsticos
c) O intercepto representa a inclinao da reta
d) Os erros do modelo no so aleatrios, com esperana igual a 1
e) A constante sempre positiva

Questo 5
(IBGE Mtodos Quantitativos /2008) Com relao

Regresso Linear Mltipla, assinale a alternativa correta:
a) A varivel Y dependente deve variar linearmente com o conjunto de variveis
explicativas X e no com cada uma delas
b) A representao geomtrica sempre de um plano
c) Funes como so sempre linearizveis
d) A aplicao de logaritmos sempre permite a linearizao, culminando na
representao geomtrica por hiperplano
e) Quando comparados com a regresso linear simples, os resduos so sempre
menores
Questo 6
(ESAF ATRFB/2009) O modelo de Regresso Linear Mltipla Y = + X+ Z+

ajustado s observaes (Y, X, Z) que constituem uma amostra aleatria
simples de tamanho 23. Considerando que o coeficiente de determinao foi R
= 0,80, obtenha o valor mais prximo da estatstica F para testar a hiptese nula
de no existncia da regresso:
a) 84
b) 44
c) 40
d) 42
e) 80

(BACEN- 2002) O texto que segue diz respeito s questes 7, 8 e 9.
No ajuste de um modelo economtrico, envolvendo uma amostra de tamanho

17, os logaritmos das observaes, na base neperiana, das variveis consumo
(y), renda (r) e preo (p) satisfazem o modelo linear:
I = 1,...,17
Onde os parmetros so constantes desconhecidas e os erros so no

correlacionados e normalmente distribudos com mdia nula e varincia
constante . A anlise condicional s realizaes de renda e preo. O
ajuste pelo mtodo de MQO produziu os seguintes resultados:
Fonte Soma de Quadrados
Modelo 0,518
Erro 0,014
Total 0,532
Nessas expresses representa o vetor de estimativas de MQO de

e representa a matriz de varincia e covarincia de .

Questo 7
Assinale a opo que d o valor do coeficiente de determinao do modelo
linear ajustado.
a) 0,974
b) 0,900
c) 0,990
d) 0,895
e) 0,997
Questo 8
Deseja-se estimar o aumento percentual no consumo decorrente do aumento
de 1% na renda e da reduo de 2% no preo. Assinale a opo que d a
varincia desta estimativa.
a) 0,0013
b) 0,0256
c) 0,0295
d) 0,0343
e) 0,0230

Questo 9
Relativamente ao teste da hiptese conjunta de que e so iguais a zero

, contra a alternativa de que no so, assinale a opo correta. A
notao F(m.n) representa a distribuio F com m graus de liberdade no
numerador e n gruas de liberdade no denominador:
a) A estatstica de teste 259 e tem distribuio F(2,15) sob
b) A estatstica de teste 518 e tem distribuio F(2,14) sob
c) A estatstica de teste 518 e tem distribuio F(3,16) sob
d) A estatstica de teste 518 e tem distribuio F(2,15) sob
e) A estatstica de teste 259 e tem distribuio F(2,14) sob
(ANAC NCE/2007 ADAPTADA) Considerando o modelo abaixo, estimado

pelo mtodo de mnimos quadrados ordinrios, com uma amostra de 300
observaes, com:
R= 0,39
P = 30,0 + 20,0Q + 10,0V + u

(3,0) (2,2) (0,9)
P o preo de venda dos apartamentos em uma determinada cidade (em mil

reais), Q o nmero de quartos do apartamento, V o nmero de varandas, u o
erro e os valores entre parntesis so os desvios-padro dos coeficientes
estimados. Com base nisso, julgue os itens a seguir.

Questo 10
O preo esperado de um apartamento com 2 quartos e uma varanda ser maior

que R$ 80.000, pois no conhecemos o valor esperado de u.
Questo 11
Segundo o coeficiente de determinao, mais da metade da variao dos preos

dos apartamentos pode ser explicada.
Questo 12
Atravs da observao do valor do R2, podemos concluir que a regresso

estatisticamente no-significante.
Questo 13
O preo esperado de um apartamento com apenas um cmodo, alm da cozinha

e do banheiro, no pode ser obtido com a equao estimada.

(ANPEC 2010) Julgue as afirmativas
Exerccio 14
Os estimadores de MQO so eficientes, mesmo se os erros no forem

normalmente distribudos.
Exerccio 15
Sob heterocedasticidade os estimadores de MQO so viesados.
Exerccio 16
Sob autocorrelao o estimador de MQO no mais eficiente.

Exerccio 17
(BNDES 2009/CESGRANRIO) Para ajustar uma reta a um conjunto de pontos

no plano cartesiano, (xi, yi), i = 1 a n, de modo que y = a + bx, as estimativas de
a e de b so feitas minimizando a soma dos quadrados dos erros verticais
(supondo que os y sejam representados no eixo das ordenadas do grfico entre
x e y). Nestas condies, a reta ajustada
a) tem um intercepto a nulo, se todos os yi forem iguais a 1.
b) tem uma inclinao b com sinal contrrio ao do coeficiente de correlao
entre os xi e os yi.
c) passa pelos pontos de mximo e de mnimo dos xi e dos yi, respectivamente.
d) passa pelo ponto ( ), onde e so as mdias dos xi e dos yi,
respectivamente.
e) passa pelo menos por dois pontos (xi, yi), pois o mnimo necessrio para
definir uma reta.
Exerccio 18
(TJ\RO 2012/CESPE) Com respeito ao modelo de regressao linear simples,

assinale a opo correta.
a)O parmetro de inclinao da reta e igual a tangente do ngulo formado entre
a reta e o eixo Oy.
b)A inclinao da reta e proporcional a correlao entre a varivel resposta e a
varivel preditora.
c)Se o modelo linear estiver bem ajustado, a correlao entre o resduo do
modelo e a varivel resposta deve estar prxima de -1.
d)Se o intercepto do modelo for nulo, a varivel resposta assume o valor zero
quando a varivel preditora for igual ao inverso da inclinao da reta.
e)O parmetro de inclinao da reta e igual ao cosseno do ngulo formado entre
a reta e o eixo Ox.

(ANATEL CESPE/2014) Julgue as afirmativas.
Exerccio 19
Exerccio 20
Exerccio 21

Exerccio 22
Exerccio 23

1F
2F
3C
4B
5C
6C
7A
8D
9E
10 Falsa
11 Falsa
12 Falsa
13 Falsa
14 Verdadeira
15 Falsa
16 Verdadeira
17 d
18 b
19 V
20 V
21 e
22 d
23 e
isso a! A aula foi muito pesada, estudem! Tivemos poucos exerccios, mas acho
que, nessa aula, o foco tem de ser a teoria!
Um abrao e me mandem as dvidas.
jeronymobj@hotmail.com

Econometria - Aula 01

Enviado por

Dados do documento

Descrição 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

Econometria - Aula 01

Enviado por

Direitos autorais:

Formatos disponíveis

Aula 01

Professor: Jeronymo Marcondes

AULA 01: Eficincia dos estimadores MQO e Regresso

1. Eficincia do estimador de Mnimos Quadrados Ordinrios (MQO) 2

4. Regresso Linear Mltipla 18

Bem vindos de volta, pessoal. Vamos retornar Econometria!

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 58

Antes de nos adentrarmos no tema Regresso Mltipla, precisamos terminar o

1. Eficincia do estimador de Mnimos Quadrados Ordinrios (MQO)

Pare um pouco! Uma dica de concurseiro para aquecer seus motores.

Ento, vamos l! As hipteses do modelo de regresso linear j estipuladas so:

1 Hiptese sobre o modelo de regresso linear simples

2 Hiptese sobre o modelo de regresso linear simples

Os erros so normalmente distribudos

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 58

est se distanciando dos fatos da realidade e puxando a sardinha para uma

Se eu digo para vocs que um estimador no viesado, eu estou dizendo que, na

Um exemplo para vocs entenderem, suponha um fenmeno que se comporte da

Esta equao pode representar o fenmeno de vendas de uma empresa (y)

Perceba que e so as estimativas de e para uma dada amostra de dados da

Agora, a pergunta : ser que, na mdia, estes estimadores se aproximam do valor

Isto quer dizer, a esperana do estimador igual ao seu correspondente parmetro

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 58

Bom, falamos um monte para chegarmos seguinte pergunta: quais as condies

-Professor, esta demonstrao cai na prova?

Ento, vamos direto ao ponto. Para garantir o no vis de um estimador de uma

3 Hiptese sobre o modelo de regresso linear simples

Ou seja, os no so correlacionados com os erros

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 58

Obs. Pessoal, eu j vi autores dizendo por a que a

O que ns estamos dizendo aqui? Vejamos, vamos ao exemplo dos gastos em

Os erros na equao original poderiam representar a fatia de mercado j dominada

Assim, aquelas 2 condies so necessrias para se concluir que o estimador MQO

Bom, mas isso no basta para provar que um estimador eficiente.

- Professor, o que um estimador eficiente?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 58

4 hiptese sobre o modelo de regresso linear simples:

5 hiptese sobre o modelo de regresso linear simples:

Ou seja, os erros no so autocorrelacionados.

Quanto 5 hiptese, espera-se que os erros do perodo presente no guardem

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 58

Olha Dados em Painel a gente! No caso de Dados em

Est complicado? E complicado mesmo! Iremos discutir mais sobre isso

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 58

Vamos fazer um exerccio, s para voc verem como esto se saindo.

(ANPEC 2006) Julgue as afirmativas. A respeito dos estimadores de Mnimos

(1) Se a varincia dos erros no for constante, as estimativas dos parmetros

(1) Olha que pegadinha chata! Realmente, voc no precisa de erros no

(2) Gente, no tem nada a ver com intercepto, no caso, . Se , todas as

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 58

E a pessoal? Vamos acordar! Passar em concurso no fcil para ningum. Uma

Vamos l, ns estamos trabalhando com Regresses Lineares, mas isso no quer

- Que isso, o professor t doido!

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 58

Eu sei! Muitos no sabem o que elasticidade. Elasticidade o aumento percentual

Ento, h uma forma de transformarmos as variveis envolvidas em uma regresso

Na qual, representa o logaritmo da varivel , valendo a mesma coisa para

Antes de continuarmos, vamos falar sobre o que o logaritmo. Vocs se lembram do

Neste exemplo, o nmero 4 a base.

Porm, no h necessidade de se restringir o valor da base a um nmero especfico.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 58

- Mas, professor, o que tudo isso tem a ver com elasticidade?

Na qual, o operador variao em nvel e variao percentual. Portanto, fica