Você está na página 1de 13
Manual de Soluções • Econ ometria Básica • Gujarati CAPÍTULO 9 MODELOS DE REGRESSÃO COM

Manual de Soluções • Econometria Básica •

Gujarati

CAPÍTULO 9 MODELOS DE REGRESSÃO COM VARIÁVEIS BINÁRIAS

9.1 (a) Se o intercepto estiver presente no modelo, inclua 11 variáveis binárias. Caso

contrário, inclua 12.

(b) Se o intercepto não estiver no modelo (isto é, regressão pela origem), introduza

seis variáveis binárias. Caso contrário, introduza apenas cinco.

9.2 (a) De acordo com a teoria econômica, espera-se que os coeficientes de X 2 e X 5

sejam positivos, e os de X 3 , X 8 e X 9 , negativos. O de X 4 pode ser positivo ou negativo, dependendo da idade da esposa e do número de filhos. Uma variável binária interativa

para idade e filhos com menos de 6 anos ou entre 6 e 13 anos talvez esclareça melhor

a relação entre idade e horas de trabalho desejadas.

(b) Mantendo-se todos os outros fatores constantes, espera-se que a variável horas de

trabalho desejadas seja maior que o valor do intercepto (comum) de 1286 horas, mas esse coeficiente tem sinal negativo, e como não é estatisticamente significativo, pouco se pode dizer sobre o impacto de X 6 em Y (média). Quanto a X 7 , espera-se que seu

coeficiente seja positivo, e é mesmo. Além disso, é estatisticamente significativo, pois

o valor t é bem alto.

(c) Isso talvez se deva às colinearidades entre a idade e a escolaridade e entre estas e

o número de filhos. Repare também que o modelo não inclui os anos de estudo

completados pelo marido.

9.3 (a) Espera-se que a relação entre as duas variáveis seja negativa porque se a taxa

de desemprego for alta, indicando excesso de oferta de mão-de-obra no mercado de trabalho, é menos provável que os empregadores anunciem vagas em aberto.

(b) Ela é 3,8998 (=2,7491+1,1507). Como o coeficiente da variável binária é estatisticamente significativo, a taxa de desemprego é estatisticamente maior no período após o quarto trimestre de 1966 do que era antes dele.

(c) Como o coeficiente diferencial da variável binária é quase significativo no nível de

5%, podemos dizer que os coeficientes angulares da função de regressão são

diferentes nos dois períodos.

(d) É muito provável que sim. O governo, ao tornar os benefícios-desemprego mais

generosos, reduz o custo de oportunidade de se permanecer desempregado.

9.4 Os resultados mostram que o preço médio por barril em 1974 estava US$5,22

mais alto do que nos outros anos da amostra, mas o coeficiente angular, US$0,30, é o mesmo em todo o período. O gráfico se assemelha ao da Figura 9.3 b do texto com a linha de regressão para 1974 iniciando no ponto 5,22 do eixo vertical e para os outros anos passando pela origem, mas ambas com o mesmo coeficiente angular de 0,30.

Manual de Soluções • Econ ometria Básica • 9.5 (a) Homens: constante, o salário médio

Manual de Soluções • Econometria Básica •

9.5 (a) Homens:

constante, o salário médio dos homens é diferente por

E Y =++α α

i

1

2

()

(

)

β X . Mulheres:

i

EY

(

i

α .

2

)

Gujarati

= α + β

1

X

i

. Mantendo X

(b)

constante, o salário médio dos homens também neste caso é diferente por

Homens:

E Y =+α

i

1

()

(

2

α

2

)

+ β X . Mulheres:

i

E

()

Y = α + α

i

1

(

2

)

+ β X . Mantendo X

i

α .

2

(c)

constante, a diferença entre o salário médio das mulheres e dos homens é

Homens:

E Y =−+α α

i

1

2

()

(

)

β X . Mulheres:

i

E

()

Y = α + α

i

1

(

2

)

+ β X . Mantendo X

i

2α .

2

Como a escala da variável binária é arbitrária, a escolha não afetará a resposta, pois nenhum método apresenta vantagens sobre o outro.

9.6 Conforme o Capítulo 8, podemos usar o seguinte teste t:

t =

(

ˆ

ˆ

β β

23

−−−

)(

ββ

23

)

ep (

ˆ

ˆ

β β

2

3

)

.

Mas sob a hipótese nula

equação

de que

a

β = β , o segundo termo do numerador dessa

2

3

zero.

.

Repare

também

que

Pode-se

mostrar,

para

o

nosso

passa

ser

ˆ

ˆ

ˆ

ˆ

ˆˆ

 
 

2

var(

3

) 2cov(β ,

β

23

)]

ep (β =β ) [var(ββ) +

2

3

exemplo, que

ep (β ˆ

2

ˆ

β

3

) =

84,8392.

Portanto, a estatística anterior torna-se

t

=

245,3750

347,6250

84,8392

= −

1,2055

, valor que

não é significativo e leva à conclusão de que os coeficientes de D 2 e D 3 , embora sejam ambos em termos estatísticos significativamente diferentes do intercepto do primeiro trimestre, não o são um do outro.

Exatamente pelas mesmas razões, para testar a hipótese de que os coeficientes de D 2

e D 4 são iguais, obtemos

t =

245,3750

( 62,1250)

−−

84,8392

= 3,6245

, valor estatisticamente

significativo, indicando que os coeficientes de D 2 e D 4 são diferentes.

A resposta à última parte da pergunta é, em geral, não. Em termos lógicos, se A for

diferente de B e também for diferente de C, isso não implica necessariamente que B e

C sejam diferentes. Pode-se, é claro, aplicar o teste t para responder a essa pergunta

numericamente.

9.7 (a) & (b) Os erros-padrão dos coeficientes da regressão (9.5.6) podem ser obtidos

diretamente de (9.5.4). Mas para obter os erros-padrão dos coeficientes em (9.5.7),

) por meio da conhecida fórmula

estatística para o erro-padrão da soma ou diferença de dois ou mais coeficientes, que está na dica do Exercício 9.6. Para aplicá-la, precisamos das covariâncias dos termos envolvidos na soma e diferença dos coeficientes, sem as quais não poderemos calcular

os erros-padrão. Para o nosso exemplo, var

teremos de achar os de

ˆ

ˆ

(αˆ

1

+ αˆ

2

)

e

os de

(β + β

1

2

(αˆ

1

) = 406,6205; var

(αˆ

2

) = 1094,443;

Manual de Soluções • Econ ometria Básica • Gujarati ˆ var ( β ) =

Manual de Soluções • Econometria Básica •

Gujarati

ˆ

var (β ) = 0,00021; var

1

ˆ

(β

2

) = 0,000255; cov (,αˆ αˆ ) = –406,6205 e cov

1

2

0,00021. Portanto:

ep

ep

(αˆ

1

ˆ

+ αˆ ) ˆ

2

=

(β + β

1

2

) =

[406,6205 +−1094,443

2(406,6205)] = 26,2263 e

[0,00021+−0,000255

2(0,00021)] = 0,0067 .

ˆ

ˆ

(,β β

1

2

)=

Nota: Esses ep são um tanto diferentes daqueles informados em (8.8.2a) devido a erros de arredondamento e aproximação.

9.8 (a) Desprezando por enquanto as variáveis binárias, cada coeficiente angular

estimado representa uma elasticidade, pois essa regressão é duplo-log. Então, se X 2 (número total de agências do banco) subir em média 1%, as horas trabalhadas pelos auditores do FDIC sobem cerca de 0,22%, refletindo talvez alguma economia de escala. Deve-se interpretar da mesma forma os outros coeficientes das variáveis X logarítmicas que, a priori, espera-se que sejam positivos, e são mesmo.

(b) & (c) Como o regressando está em forma logarítmica, temos de interpretar os

coeficientes das variáveis binárias de acordo com a sugestão de Halvorsen e Palmquist.

Tire o antilogaritimo de cada coeficiente estimado ligado a uma variável binária e subtraia-lhe um. Multiplique o resultado por 100, o que dará a variação percentual do regressando quando a variável binária for do estado zero para o estado um. Considere, por exemplo, o coeficiente de D 4 , que é –0,2572. Tirando seu antilogaritmo, achamos 0,7732; subtraindo-lhe um e multiplicando o resultado por 100, obteremos -22,68%. Então, se a auditoria for realizada em conjunto com o órgão estadual competente, as horas trabalhadas pelos auditores da FDIC caem cerca de 23%. Deve-se interpretar da mesma forma os outros coeficientes das variáveis binárias.

9.9 (a) & (c) Ceteris paribus, se a taxa de inflação esperada subir um ponto

percentual, espera-se que a taxa de juros das letras do Tesouro dos Estados Unidos (TL) caia cerca de 0,13 ponto percentual, o que, em termos econômicos, não faz sentido. Contudo, o coeficiente da TL não é estatisticamente significativo, pois seu valor t é só –1,34. Se a taxa de desemprego subir um ponto percentual, espera-se que a taxa média da TL caia 0,71 ponto percentual. Esse coeficiente é estatisticamente significativo, pois seu valor t é –4,24. Além disso, faz sentido em termos econômicos, pois uma taxa de desemprego mais alta significa que a economia está em queda, e o Fed, para revigorá-la, provavelmente reduziria a taxa da TL. Se a variação na base monetária subir uma unidade, em média, espera-se que a taxa da TL caia, pois um aumento nessa base leva, por meio do efeito multiplicador, a um aumento na oferta de moeda, que terá o efeito de reduzir a taxa de juros, ceteris paribus. O valor defasado de Y é positivo, estatisticamente significativo e leva em conta a dinâmica da variação, assunto que será discutido no capítulo sobre modelos de defasagem distribuída.

(b) No final de 1979, o então diretor do Federal Reserve System (o Banco Central dos

Estados Unidos), Paul Volker, mudou a política monetária – cuja meta era a taxa de juros e passou a ser a base monetária – com o objetivo de reduzir a (comparativamente) alta taxa de inflação que havia então na economia dos Estados Unidos. Com o aperto da base monetária, que levou a aumentos na taxa da TL, a taxa de inflação acabou caindo consideravelmente. A propósito, repare que o coeficiente da variável binária é estatisticamente significativo.

Manual de Soluções • Econ ometria Básica • Gujarati 9.10 Escreva assim o modelo: quando

Manual de Soluções • Econometria Básica •

Gujarati

9.10 Escreva assim o modelo:

quando X i >X* e D=0, se X i <X*. Assumindo que E(u i )=0, obtemos:

Y i = α ++αβD X +

12

1

i

β

(

2

X XD +

i

*)

E YD =

i

(

|

0,

X < X =+α

i

1

*

)

β X

1

i

u i , em que D=1,

*

E YD = X > X =+αα ++ββ X X

(

i

|

1,

i

)

(

12

)

(

12

)(

i

*

)

Então, quando X i excede X*, o intercepto varia por α 2 e o coeficiente angular por β 2 .

9.11 (a) Essa designação das variáveis binárias presume uma diferença constante

(proporcional): a escala da loja de rede é 10 vezes a daquela de descontos, e a da loja de conveniência é 10 vezes a de rede (ou 100 vezes a da loja de descontos). Isto é, obviamente, arbitrário.

(b) Como esperado, os refrigerantes de marca são mais caros do que aqueles sem

marca. Os resultados também indicam que recipientes menores são mais caros que os maiores, também como esperado. O modelo explica cerca de 60% da variação do preço dos refrigerantes.

(c) A variável binária tem os valores mais elevados atribuídos aos menores recipientes.

9.12 (a) O coeficiente da variável renda em formato logarítmico é uma semi- elasticidade, ou seja, representa a variação absoluta da expectativa de vida para uma variação percentual na renda.

(b) Esse coeficiente mostra que é provável que a expectativa média de vida aumente

0,0939 anos se a renda per capita aumentar 1%, ceteris paribus. (Veja o Capítulo 6

sobre o modelo lin-log).

(c) Esse regressor foi incluído para contornar o efeito sobre a expectativa de vida dos

aumentos crescentes da renda per capita acima do valor limite de US$1097. O regressor também informa o número de anos adicionais que se pode esperar viver quando a renda passa de US$1097. O valor do coeficiente estimado não é, entretanto, estatisticamente significativo, pois seu valor p é de 0,1618.

(d) A equação da regressão para os países cuja renda per capita está abaixo do nível

de 1097 dólares americanos é –2,40+9,39 lnX i , e para os países cuja renda está acima desse nível é –2,40+(9,39–3,36) lnX i + (3,36)(7) = 21,12 + 6,03 lnX i .

Embora numericamente as duas regressões pareçam diferentes, não o são estatisticamente, pois o coeficiente do último termo da equação é zero em termos estatísticos. Se considerarmos países mais ricos aqueles com renda per capita maior que US$1097, parece não haver entre estes e os outros mais pobres nenhuma diferença estatística perceptível na expectativa de vida.

9.13 (a) & (b) β 1 dá o valor esperado de Y para as 20 primeiras observações e β 2 dá a

variação do valor esperado de Y para as 30 observações seguintes, sendo (β 1 + β 2 ) o

valor esperado real de Y para as últimas 30 observações.

Manual de Soluções • Econ ometria Básica • Gujarati (c) Pela conhecida fórmula para achar

Manual de Soluções • Econometria Básica •

Gujarati

(c) Pela conhecida fórmula para achar a soma ou a diferença de duas ou mais variáveis

aleatórias

) . Para obter os valores numéricos,

aplicamos as fórmulas dados no Capítulo 3 para o modelo de duas variáveis. Temos, então:

pode-se demonstrar que

(veja

ˆ

Apêndice

ˆ

A

do

ˆˆ

β

texto)

var(β ˆ +=β ˆ )

1

2

var(ββ) +

1

var(

2

) + 2cov(β ,

12

var(

ˆ

β

1

)

=

2

D

i

1

⎜ ⎝

30

σ

2

n

(

DD

i

)

2

50

12

=

⎟ ⎠

300

=

15

e

var(

ˆ

β

2

)

=

σ

2

300

=

(

D

i

D

)

2

12

=

25

.

Isso nos informa que a covariância entre os dois estimadores é 15. Juntando esses

números todos, temos

var(β ˆ

1

ˆ

+ β

2

) = 10

.

Nota: Verifique que

(

D

i

D = 12 .

)

2

9.14 (a) A relação esperada entre as duas variáveis é negativa.

(b). Sim, confirmam.

(c) & (d) Nos estados em que não havia leis de direito ao trabalho, a média de empregados que pertenciam a sindicatos era de 19,8%. Por outro lado, nos estados com essas leis, essa média era 9,39 pontos percentuais menor, aproximadamente, com um total real de sindicalizados de 10,42%.

9.15 Pelas fórmulas dos MQO dadas no Capítulo

3, temos

ˆ

β

2

=

(

D

i

)

D Y

i

(

D

i

D

)

2

(1)

 

D

n

2

D =

i

=

n

2

.

(

D

 

n 1 D ) =
n
1
D
)
=

n

, se D = 1 e

n

n

i

n

 

n

1

n

2

⎛− ⎞

2

⎛⎞ n

2

2

)(

DD

−+

22

)(

DD

)

−=

n

n

2

 

+

n

1

=

n n

1

2

ii

i

=

1

i

=

1

 

1

⎜ ⎝

n

⎟ ⎠

2

⎜⎟

⎝⎠ n

n

.

É fácil verificar que

O

, se D = 0.

denominador da Equação (1) pode ser escrito como segue:

∑∑∑

( DD

−=

i

E

o

seu

numerador como:

n n nn 12 n 1 1 2 ∑ () D − DY ∑ 2
n
n
nn
12
n
1
1
2
()
D
DY
2
=
()
D
DY
+
()
D
DY
=−
∑∑
Y
+
Y
=
Y
Y
=
Y
Y
i
i
i
i
i
i
i
i
2
1
cs
sg ,
n
n
i =
1
i
=
1
1
ii 11 2
==
ˆ
ˆ
ˆ
intercepto é dado por
β
+ − β
Y
D que, depois das substituições fica
β= Y .
1
2
1
sg

e

o

Manual de Soluções • Econ ometria Básica • Gujarati (b) Como tanto o intercepto diferencial

Manual de Soluções • Econometria Básica •

Gujarati

(b) Como tanto o intercepto diferencial quanto os coeficientes angulares são muito significativos, os níveis e as taxas de crescimento da população são diferentes nos dois períodos. Essa taxa para o período anterior a 1978 é de 1,5% e para o posterior, 2,6%(= 1,5%+1,1%).

Problemas

9.17 Fazendo a regressão separadamente para os dois períodos, encontramos

0,00768 (gl = 30) para o primeiro e

sob a premissa de que as variâncias das populações respectivas são as mesmas, e de acordo com a Equação (8.8.8), a relação a seguir está de acordo com a distribuição F:

2

σˆ

1

=

2 = 0,03638 (gl = 17) para o segundo. Então,

σˆ

2

F

=

ˆ

σ

2

2

ˆ

σ

2

2

F

(

nk

1

),(

n

2

k

)

.

No nosso exemplo, k = 2, n 1 = 32 e n 2 = 19. Levando esses valores à expressão anterior, obtemos F = 4,7369. O valor p de se obter um F de 4,7369 ou maior é de 0,00001, muito pequeno. A conclusão é que as variâncias nos dois subperíodos não são iguais.

9.18 A variável dependente nos modelos (9.7.3) e (9.7.4) é a mesma, então podemos

usar a versão do teste F dado na Equação (8.7.10). No caso em tela, obtemos o

restrito (

(9.7.4). No exemplo, n = 2, k = 5 e m = 1. Lançando esses valores na Equação

) vale 0,7298 e é dado por

R

R

) de (9.7.3), que vale 0,5318, e o irrestrito (

R

SR

2

2

(8.7.10), obtemos

F =

(0,7298

0,5318) /1

(1

0,7298) /(32

5)

=

19,8

, que tem a distribuição F com 1 e 27

gl respectivamente no numerador e denominador. Com essa distribuição, o valor p de se obter um F de 19,8 ou maior é praticamente zero. Concluímos daí que não é valida a restrição imposta pelo modelo (9.7.3) de excluir a variável X. Ou melhor, a variável X, despesas com bens duráveis, deve – definitivamente – ser incluída no modelo.

9.19 Neste caso, a variável binária Z toma o valor 2 quando D = 0 e o valor 5 quando

D = 1. Com esses valores, obtemos os seguintes resultados para a regressão:

Variável dependente: POUPANÇA Método: Mínimos quadrados Amostra: 1970 1995 Observações incluídas:

26

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

-100,6363

37,88404

-2,656429

0,0144

RENDA

0,123978

0,024574

5,045035

0,0000

Z

50,82618

11,02746

4,609058

0,0001

Z*RENDA

-0,021823

0,005327

-4,096340

0,0005

R-quadrado R-quadrado ajustado

0,881944

Variável dependente média

162,0885

0,865846

Desvio-padrão

da

variável

63,20446

Manual de Soluções • Econ ometria Básica • dependente Gujarati E.P. da regressão 23,14996 Critério

Manual de Soluções • Econometria Básica • dependente

Gujarati

E.P. da regressão

23,14996

Critério info Akaike

9,262501

Soma quad resíduos

11790,25

Critério Schwarz

9,456055

Verossimilhança Log

-116,4125

Estatística-F

54,78413

Estat Durbin-Watson

1,648454

Probabilidade (Estatística-F)

0,000000

Temos de ter cuidado ao comparar esses resultados àqueles dados em (9.5.4), (9.5.5)

e (9.5.6), pois a variável Z toma o valor 2 quando D = 0 e 5 quando D = 1. Para obter

as regressões poupança-renda comparáveis a (9.5.5), em que o valor original da variável binária era zero, e (9.5.6), em que esse valor era 1, atribua à variável Z o valor 2, no primeiro caso, e 5 no segundo, onde quer que ela apareça, como a seguir:

Regressão poupança-renda 1970–1981 Poupança = [-100,6363+2(50,826180)]+[0,123978–2(0,02182)]renda = 1,0161+0,0803 renda, resultado que é o mesmo obtido em (9.5.5), descontados os erros de arredondamento.

Regressão poupança-renda 1982–1995 Poupança = [-100,6363+5(50,826180)]+[0,123978–5(0,02182)]renda= 153,4947+0,0148 renda, resultado que é o mesmo obtido em (9.5.6).

A lição neste exercício é que a escolha dos valores numéricos para as variáveis binárias

é essencialmente arbitrária.

9.20 Como seria de se esperar, o sinal do coeficiente da variável binária na regressão (9.5.4) vai se tornar negativo (–152,4768) e o do coeficiente de (D t X t ), positivo. O termo do intercepto será agora 153,4973, e o coeficiente da variável renda, 0,0148. Todas essas mudanças são lógicas.

9.21 (a) Como a variável binária está em formato logarítmico, e o logaritmo de zero não existe, redefinido-a como 1 e 10 será possível obter logaritmos.

(b) Os resultados da regressão são os seguintes, com os valores t entre parênteses:

ln(poupança) t = –0,1589+0,6695 lnrenda t +(–0,00029)lnD t

t = (–0,2074) (6,2362)

(–0,00505)

= 0,8780. Para todos os propósitos práticos, os dois termos de intercepto são iguais, pois o coeficiente da variável binária não é estatisticamente significativo. A interpretação do valor –0,1589 do coeficiente de intercepto é que ele representa o valor do logaritmo da poupança quando todos os regressores tomam o valor zero. Se tirarmos o antilogaritmo desse valor, obtemos 0,8531 (bilhões de dólares), número que, é claro, não tem muito significado econômico.

Pode ser interessante comparar esses resultados com os seguintes, que levam em conta o efeito de interação:

ln(poupança) t = –2,0048+0,9288 lnrenda t +2,3278lnD t –0,2985lnD t * renda t

t = (–2,6528) (8,7596)

(3,9696)

(–3,9820)

Manual de Soluções • Econ ometria Básica • Gujarati Temos agora um quadro completamente diferente,

Manual de Soluções • Econometria Básica •

Gujarati

Temos agora um quadro completamente diferente, pois tanto o intercepto quanto o coeficiente angular diferenciais binários são significativos. Para o período 1982 a 1995, a propensão marginal a poupar (PMP) é 0,6303, enquanto para o período anterior é 0,9288. E por sinal, o termo de intercepto para o primeiro período é negativo, mas positivo para o segundo.

Veja só como erros de especificação podem mudar os resultados, como demonstrado nos cálculos anteriores.

9.22 (a) Apresentamos os resultados para os três eletrodomésticos em forma de tabela, como segue:

Eletrodoméstico

Intercepto

D 2

D 3

D 4

Lavadora

de

louças

748,2500

8,25

42,875

49,875

0,0219

 

t

(13,824)

(0,10)

(0,56)

(0,65)

Trituradores

887,00

-77,50

-55,50

11,12

0,0810

 

t

(18,8066)

(-1,16)

(-0,83)

(0,16)

Lavadora

de

-

roupas

1225,625

-45,25

1,00

106,875

0,169

 

t

(33,2219)

(-

(0,01)

(-2,05)

0,8673)

(b) Os “coeficientes angulares” são, de fato, interceptos diferenciais, sendo o primeiro trimestre o de referência. Somente a variável binária do quarto trimestre para máquinas de lavar roupas é significativamente diferente da do primeiro em termos estatísticos, indicando que só para essas máquinas há algum tipo de sazonalidade. Isso contrasta com os resultados para geladeiras dados em (9.7.3) em que havia sazonalidade no segundo e terceiro trimestres, mas não no quarto.

(c) Não há necessidade de dessazonalizar os dados porque não há sazonalidade estatística visível para as vendas de lavadoras de pratos e trituradores de lixo. Quanto às lavadoras de roupas, os resíduos da regressão representarão uma série temporal dessazonalizada.

9.23 Seguem os resultados da regressão fornecidos pelo software Eviews 3. Nas tabelas seguintes, D 1 , D 2 e D 3 são as variáveis binárias para o segundo, terceiro e quarto trimestres. PRAT, TRIT e ROUP representam, respectivamente, as vendas de lavadoras de pratos, trituradores de lixo e lavadoras de roupas em milhares de unidades, e DUR representa despesas em bens duráveis em bilhões de dólares. Nem todas as estatísticas das tabelas já foram discutidas, mas serão ao longo do livro à medida que avançarmos.

Manual de Soluções • Econ ometria Básica • Variável dependente: PRAT Método: Mínimos quadrados Amostra:

Manual de Soluções • Econometria Básica • Variável dependente: PRAT Método: Mínimos quadrados Amostra: 1978:1

1985:4

Observações incluídas:

32

Gujarati

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

106,8419

168,8010

0,632946

0,5321

D

1

5,840220

62,14176

0,093982

0,9258

D

2

24,14839

62,32067

0,387486

0,7014

D

3

29,81285

62,34750

0,478172

0,6364

DUR

2,322680

0,590194

3,935452

0,0005

R-quadrado

0,378492

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

773,5000

R-quadrado ajustado

0,286416

147,1194

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

124,2775

12,62551

417012,1

12,85453

-197,0082

4,110677

0,183078

0,009944

Variável dependente: TRIT Método: Mínimos quadrados Amostra: 1978:1

1985:4

Observações incluídas:

32

Variável

Coeficiente

Erro-padrão

Estatística–t

Probabilidade

C

56,40125

81,47305

0,692269

0,4947

D

1

-80,62057

29,99319

-2,687963

0,0122

D

2

-79,75024

30,07954

-2,651312

0,0133

D

3

-14,85471

30,09249

-0,493635

0,6256

DUR

3,007781

0,284862

10,55875

0,0000

R-quadrado

0,820847

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

856,5312

R-quadrado ajustado

0,794306

132,2576

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

59,98346

11,16862

97146,41

11,39764

-173,6979

30,92730

0,733166

0,000000

Variável dependente: ROUP Método: Mínimos quadrados Amostra: 1978:1

1985:4

Observações incluídas:

32

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

741,0680

107,2523

6,909578

0,0000

D

1

-4707049

39,48345

-1,192157

0,2436

D

2

-13,14717

39,59713

-0,332023

0,7424

Manual de Soluções • Econ ometria Básica • Gujarati D 3 -122,0311 39,61418 -3,080491 0,0047

Manual de Soluções • Econometria Básica •

Gujarati

D 3

-122,0311

39,61418

-3,080491

0,0047

DUR

1,754688

0,374996

4,679221

0,0001

R-quadrado

0,541230

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

1187,844

R-quadrado ajustado

0,473264

108,7996

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

78,96307

11,71844

168349,5

11,94746

-182,4950

7,963248

0,926092

0,000224

(b) A inclusão de gastos com bens duráveis na equação para as máquinas de lavar

pratos não muda o resultado no que tange à sazonalidade, que não existe nos dados (comparados aos do primeiro trimestre). Os resultados para os trituradores de lixo são consideravelmente diferentes, pois que há sazonalidade pronunciada nos segundo e terceiro trimestres. Para as máquinas de lavar roupas, os resultados são qualitativamente os mesmos. Observe, entretanto, que o coeficiente de gastos com bens duráveis é estatisticamente significativo em todas as regressões.

(c) A inclusão das variáveis binárias no modelo de regressão remove a sazonalidade,

se houver, não só da venda dos vários eletrodomésticos, mas também dos gastos com bens duráveis, a la teorema de Frisch-Waugh mencionado no capítulo do livro-texto.

9.24 (a) & (b) Este é um trabalho para ser feito individualmente pelos alunos. Nos Estados Unidos, as eleições presidenciais de 2000 ocorreram em sete de novembro. Se você tivesse usado seu modelo, sua previsão do resultado teria sido correta?

(c) Os resultados desse modelo são os seguintes:

Variável dependente: V Método: Mínimos quadrados Amostra: 1 21 Observações incluídas:

21

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

0,505678

0,026324

19,21007

0,0000

I

-0,019753

0,016347

-1,208325

0,2456

VB

0,055755

0,019637

2,839255

0,0124

G*I

0,009625

0,001706

5,642862

0,0000

P

0,000155

0,002804

0,055370

0,9566

N

-0,004637

0,003293

-1,407866

0,1796

R-quadrado

0,788321

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

0,490690

R-quadrado ajustado

0,717762

0,075065

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

0,039879

-3,370963

0,023855

-3,072528

41,39511

11,17242

2,229997

0,000125

Talvez G possa ser incluído no modelo como regressor, embora os autores não o tenham feito.

Manual de Soluções • Econ ometria Básica • Gujarati 9.25 Os resultados do Eviews 3

Manual de Soluções • Econometria Básica •

Gujarati

9.25 Os resultados do Eviews 3 para a regressão são os seguintes:

Variável dependente: SALH Método: Mínimos quadrados Amostra: 1 528 Observações incluídas:

528

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

-0,261014

1,106956

-0,235794

0,8137

GÊNERO

-2,360657

0,430203

-5,487303

0,0000

RAÇA

-1,732729

0,794716

-2,180314

0,0297

GÊNERO*RAÇA

2,128986

1,222109

1,742059

0,0821

ESCOLARIDADE

0,802807

0,081014

9,909478

0,0000

R-quadrado

0,203263

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

9,047538

R-quadrado ajustado

0,197169

5,144082

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

4,609140

5,903384

11110,70

5,943811

-1553,493

33,35678

1,873724

0,000000

Como mostram os resultados, a variável binária interativa gênero-raça é estatisticamente significativa no nível de 8%. Se considerarmos que esse valor p é suficientemente baixo, essa variável é significativa, e os resultados dados em (9.6.4) têm de ser reinterpretados. Em relação só ao gênero – repare que a variável binária do gênero é 1 para as mulheres –, o seu salário médio por hora é cerca de US$2,36 mais baixo em comparação ao dos homens. Da mesma forma, o salário médio por hora dos não-brancos e não-hispânicos é US$1,73 mais baixo. Mas esses resultados precisam ser modificados para levar em consideração a variável binária gênero-raça.

Por exemplo, se mantivermos raça constante, o salário médio por hora das mulheres passa a ser só US$0,2317 (= -2,3606 + 2,1289) mais baixo. Analogamente, se mantivermos gênero constante, o salário médio por hora dos trabalhadores não- brancos e não-hispânicos passa a ser US$0,3962 (= -1,7327 + 2,1289) mais alto. Podemos ver, desse modo, como a variável binária interativa (ou multiplicativa) atenua ou exagera o efeito das aditivas.

9.26 Os resultados do Eviews 3 para a regressão são os seguintes:

Variável dependente: SALH Método: Mínimos quadrados Amostra: 1 528 Observações incluídas:

528

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

9,067519

0,446115

20,32552

0,0000

ECIVIL

0,713991

0,551188

1,295367

0,1958

REGIÃO

-2,540727

0,826694

-3,073359

0,0022

ECIVIL*REGIÃO

1,323573

1,020982

1,296373

0,1954

Manual de Soluções • Econ ometria Básica • Gujarati R-quadrado R-quadrado ajustado E.P. da regressão

Manual de Soluções • Econometria Básica •

Gujarati

R-quadrado

R-quadrado ajustado

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

0,035309

0,029786

5,066893

13452,87

-1603,992

1,860478

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

9,047538

5,144082

6,090880

6,123221

6,392958

0,000293

Os resultados indicam que não parece haver muita interação entre o estado civil e a região, pois a variável binária multiplicativa – com valor p de cerca de 20% – não é significativa. Não há, aparentemente, necessidade de incluir essa variável binária, e os resultados dados em (9.3.1) são, portanto, confiáveis.

ˆ

ˆ

ˆ

9.27

observações seguintes. A variância de

se de que se X for uma variável aleatória com média E(X) e var=

β

1

dará o valor médio das primeiras 40 observações, e

ˆ

β

1

é 100/40 e a de

ˆ

ˆ

(β + β

1

2

(β + β

1

2

2

σ

x

)

o

das

60

) é 100/60. Lembre-

, então a média

amostral X tem o mesmo valor esperado, mas sua variância é igual a

é o tamanho da amostra.

2

x

σ

n

, em que n

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

Variável

(POUPANÇA) Método: Mínimos quadrados

Amostra: 1970

Observações incluídas:

26

dependente:

1995

ln

Variável

Coeficiente

Erro-padrão

Estatística-t

Probabilidade

C

3,677198

0,108486

33,89569

0,0000

RENDA

0,000709

7,80E-05

9,084319

0,0000

VB

1,3971

0,1779

7,8500

0,0000

VB*RENDA

-0,0006

8,60E-05

-7,4361

0,0000

R-quadrado Estatística-F Estat Durbin-Watson

0,933254

Soma quad resíduos

0,341255

102,5363

1,612107

O modelo (9.5.4) é linear, ao passo que este é um modelo log-linear. Assim, os

coeficientes angulares do regressor devem ser interpretados como semi-elasticidades. Qualitativamente, ambos os modelos fornecem resultados similares, mas como o regressando dos dois é diferente, não podemos comparar diretamente os .

(b) Como mencionado no texto, se tirarmos o antilogaritmo do coeficiente 3,6772 da variável binária, o que obtemos é a poupança mediana no período 1970–1981, mantendo constantes todos os outros fatores. Esse antilog vale 39,5355, então, se a

Manual de Soluções • Econ ometria Básica • Gujarati renda for zero, essa poupança será

Manual de Soluções • Econometria Básica •

Gujarati

renda for zero, essa poupança será de 40 bilhões de dólares, aproximadamente. Mais uma vez, um número que deve ser interpretado com prudência.

Se agora tirarmos o antilogaritmo de (3,6772+1,3971), que vale 159,8602, número que, em bilhões de dólares, representa a poupança mediana no período 1982–1995, mantendo constante a variável renda. Outro número que deve ser interpretado com prudência.

(c) Regressando o log de Y (poupança) contra X (renda), as variâncias dos erros

2 = 0,0182 (gl = 12). Sob a

hipótese nula de que as variâncias das duas populações são iguais, temos

estimados nos dois períodos são

σˆ

2

= 0,0122 (gl=10) e

σˆ

F

0,0182

=

0,0122

= 1, 4918

, valor que, para gl 10 e 12 respectivamente no numerador e

denominador, não é significativo sequer no nível de 25%. Concluímos, então, que são iguais as variâncias dos erros. Repare que no modelo original discutido no livro regressamos Y (não ln Y) contra X. Portanto, se havia heterocedasticidade nesse modelo e não no log-lin, pode ser que a transformação logarítmica seja mais adequada.