FACULDADE DE ECONOMIA

DEPARTAMENTO DE ECONOMIA

Trabalho de Grupo

TURMA: 3° ANO - ECONOMIA - PÓS-LABORAL

Aula Prática V – ECONOMETRIA II

Discentes: Docente:
Abelardo Osório Dr. Matias J. Farahane, PhD (R)
Angelo Tembe Dr. Saíde Dade, MSc (A)
Jane Ussufo
Orlando José Penicela Júnior
Stéllio M. de Oliveira Miambo
Shaida Mussagy

Maputo, Novembro de 2018

Exercício 1

a) A lei do cinto de segurança na Califórnia produziu efeitos (i.e, entrou em
vigor)   em   Janeiro   de   1986.   O   limite   de   velocidade   na   auto­estrada
aumentou para 65 milhas por hora em Maio de 1987.

b) Especificação e Estimação da Regressão

c) O   coeficiente   estimado   da   tendência   temporal,   é   positivo   e

estatisticamente  significativo   porque   a   estatística   t   é  maior   que  2.   Isso
significa  que a serie temporal  da variável  dependente (numero  total  de
acidentes   no   Estado   da   Califórnia)   evolui   com   uma   tendência   linear
crescente.   Tomando   em   consideração   a   forma   funcional   do   modelo   e   o
coeficiente estimado, podemos concluir que, o numero total de acidentes
cresce em cerca de 0,27% por mês (i.e, equivalente a 3,2% por ano).

d) Teste de Presença/Ausência de Sazonalidade

ou

1
. test feb= mar= apr= may= jun= jul= aug= sep= oct= nov= dec=0

( 1) feb - mar = 0
( 2) feb - apr = 0
( 3) feb - may = 0
( 4) feb - jun = 0
( 5) feb - jul = 0
( 6) feb - aug = 0
( 7) feb - sep = 0
( 8) feb - oct = 0
( 9) feb - nov = 0
(10) feb - dec = 0
(11) feb = 0

F( 11, 95) = 5.15

Prob > F = 0.0000

 Decisão pela abordagem  clássica: Considerando o nível de significância

convencional   , podemos concluir que rejeita­se a     pois o Fobservado  >

Fcritico, implicando que,  a serie temporal dos acidentes totais incorpora
sazonalidade.
 Decisão   pela   abordagem   do   p­value:   Também   podemos   concluir   que

rejeita­se   pois o p­value é menor do que qualquer nível de significância. 

e) Especificação e Estimação do Modelo Aumentado (+ wkends, unem, spdlaw e

beltlaw)

f) Coeficiente da Taxa de Desemprego 
O coeficiente é estatisticamente significativo. Tanto o sinal como a magnitude
deste   coeficiente   fazem   sentido   porque,   um   aumento   da   taxa   de   desemprego
provoca   uma   queda   no   rendimento   fazendo   com   que   mais   pessoas   optem   por
transportes públicos colectivos que são no geral menos propensos a envolver­se
2
em   acidentes.   Por   outro   lado,   há   evidências   de   que   o   aumento   da   taxa   de
desemprego tende a afectar principalmente a população mais jovem (menores de
30   anos)  e  este  segmento  representa   precisamente   o  grupo   de   maior  risco   na
condução   rodoviária,   o   que   nos   leva   a   concluir   que   de   facto,   se   a   taxa   de
desemprego aumentar, os acidentes irão reduzir porque menos jovens estarão a
conduzir.  Em termos de magnitude, a previsão de que um aumento da taxa de
desemprego   em   1   ponto   percentual   provoca   uma   redução   do   numero   total   de
acidentes em 2%, também nos parece razoável e credível.

g) Coeficientes spdlaw e beltlaw

Ambos   coeficientes   são   estatisticamente   significativos   porque   os   valores

absolutos das respectivas estatísticas t são maiores que 2. Entretanto, os sinais
dos coeficientes estimados não são os esperados pois: 
i. Era de se esperar que, o aumento do limite de velocidade na auto­estrada
de 55 para 65 mph provocasse um aumento no numero total de acidentes,
mas,   paradoxalmente,   os   resultados   da   regressão   sugerem   que   esta
medida provocou uma queda no numero total de acidentes em cerca de 5%
(um efeito de magnitude também surpreendente alta).
ii. Era   expectável   que,   a   entrada   em   vigor   da   lei   do   cinto   de   segurança,
provocasse uma queda no numero total de acidentes, mas, contrariamente,
a estimação da regressão sugere que, esta medida provocou um drástico
aumento do numero de acidentes em cerca de 9,5%. Mas talvez a teoria do
risco moral (moral hazard) pode explicar este aparente paradoxo – é que,
ao   usar   o   cinto   de   segurança,   o   automobilista   pode   ganhar   uma
autopercepção exagerada de segurança  que o induza a assumir maiores
riscos em termos de velocidade e manobras, levando­o assim a envolver­se
em   acidentes   até   porque,   em   principio,   o   cinto   de   segurança   não   é   um
dispositivo de prevenção de acidentes, mas sim de mitigação do risco de
fatalidades e ferimentos em caso de ocorrência do acidente.

h) prcfat
. sum prcfat

Variable | Obs Mean Std. Dev. Min Max

-------------+--------------------------------------------------------
prcfat | 108 .8856324 .0997742 .7017 1.2168  

A   média   de  prcfat  de  Janeiro   de 1981   a   Dezembro  de  1989   foi   de 0.88%  que
significa   que,   quase   1%   dos   acidentes   provocam   pelo   menos   1   fatalidade.   O
máximo de prcfat nesse mesmo período foi de 1,22% significando que, num certo
3
mês   (Julho   de   1981),   atingiu­se   o   pico   de   fatalidade   rodoviária:   1,22%   dos
acidentes geraram pelo menos uma morte.

i) Especificação e Estimação da Regressão de prcfat

j) Coeficientes spdlaw e beltlaw

O coeficiente da variável  spdlaw  é estatisticamente significativo e o seu sinal é

consistente com o esperado pois, o aumento da velocidade reduz a capacidade do
automobilista   de   reagir   atempadamente   as   situações   imprevistas   do   transito,
aumentando assim a probabilidade de ocorrência de acidentes e de consequentes
fatalidades. Neste caso, o aumento do limite de velocidade na auto­estrada de 55
para 65 mph, resulta num aumento dos acidentais fatais em cerca de 0,07 pontos
percentuais.

4
5
 ANEXO: STATA OUTPUTS

Exercício 1

Source | SS df MS Number of obs =

108
-------------+------------------------------ F( 12, 95) =
31.06
Model | 1.00244071 12 .083536726 Prob > F =
0.0000
Residual | .255496765 95 .00268944 R-squared =
0.7969
-------------+------------------------------ Adj R-squared =
0.7712
Total | 1.25793748 107 .011756425 Root MSE = .
05186

-----------------------------------------------------------------------------
-
ln_totacc | Coef. Std. Err. t P>|t| [95% Conf.
Interval]
-------------
+----------------------------------------------------------------
t | .0027471 .0001611 17.06 0.000 .0024274 .
0030669
feb | -.0426865 .0244475 -1.75 0.084 -.0912208 .
0058479
mar | .0798245 .0244491 3.26 0.002 .031287 .
1283621
apr | .0184849 .0244517 0.76 0.452 -.030058 .
0670277
may | .0320981 .0244554 1.31 0.193 -.0164521 .
0806483
jun | .0201918 .0244602 0.83 0.411 -.0283678 .
0687515
jul | .0375826 .024466 1.54 0.128 -.0109886 .
0861538
aug | .053983 .0244729 2.21 0.030 .0053981 .
1025679
sep | .042361 .0244809 1.73 0.087 -.0062397 .
0909617
oct | .0821135 .0244899 3.35 0.001 .0334949 .
130732
nov | .0712785 .0244999 2.91 0.005 .02264 .
1199171
dec | .0961572 .0245111 3.92 0.000 .0474966 .
1448178
_cons | 10.46857 .0190028 550.89 0.000 10.43084
10.50629

Modelo   incorporando   restrição   de   exclusão   de   todas   variáveis   dummy

sazonais

Source | SS df MS Number of obs =

108
-------------+------------------------------ F( 1, 106) =
220.93
Model | .85008127 1 .85008127 Prob > F =
0.0000
Residual | .407856208 106 .0038477 R-squared =
0.6758

6
-------------+------------------------------ Adj R-squared =
0.6727
Total | 1.25793748 107 .011756425 Root MSE = .
06203

-----------------------------------------------------------------------------
-
ln_totacc | Coef. Std. Err. t P>|t| [95% Conf.
Interval]
-------------
+----------------------------------------------------------------
t | .0028458 .0001915 14.86 0.000 .0024662 .
0032254
_cons | 10.50414 .012021 873.81 0.000 10.4803
10.52797

Estimacao do Modelo Aumentado (+ wkends, unem, spdlaw e beltlaw)

Source | SS df MS Number of obs =

108
-------------+------------------------------ F( 16, 91) =
57.61
Model | 1.14490901 16 .071556813 Prob > F =
0.0000
Residual | .113028469 91 .001242071 R-squared =
0.9101
-------------+------------------------------ Adj R-squared =
0.8943
Total | 1.25793748 107 .011756425 Root MSE = .
03524

-----------------------------------------------------------------------------
-
ln_totacc | Coef. Std. Err. t P>|t| [95% Conf.
Interval]
-------------
+----------------------------------------------------------------
t | .0011011 .0002579 4.27 0.000 .0005889 .
0016133
feb | -.0338346 .0177683 -1.90 0.060 -.0691292 .
0014599
mar | .076953 .0167941 4.58 0.000 .0435937 .
1103124
apr | .0104561 .0170469 0.61 0.541 -.0234054 .
0443177
may | .0237074 .0169389 1.40 0.165 -.0099397 .
0573544
jun | .0219334 .0172149 1.27 0.206 -.012262 .
0561288

7
 jul | .0499293 .0167036 2.99 0.004 .0167496 .
0831089
aug | .0559526 .0168173 3.33 0.001 .022547 .
0893581
sep | .0420693 .0172819 2.43 0.017 .007741 .
0763977
oct | .0817171 .0169554 4.82 0.000 .0480372 .
1153969
nov | .0768721 .0172455 4.46 0.000 .0426161 .
1111282
dec | .0990863 .0170705 5.80 0.000 .0651779 .
1329948
unem | -.0212173 .0033974 -6.25 0.000 -.0279659
-.0144688
spdlaw | -.0537593 .0126036 -4.27 0.000 -.0787948
-.0287238
beltlaw | .0954528 .0142351 6.71 0.000 .0671766 .
123729
wkends | .0033333 .0037761 0.88 0.380 -.0041675 .
0108342
_cons | 10.63986 .063086 168.66 0.000 10.51455
10.76518
-----------------------------------------------------------------------------
-

Source | SS df MS Number of obs =

108
-------------+------------------------------ F( 16, 91) =
14.44
Model | .764228387 16 .047764274 Prob > F =
0.0000
Residual | .301019769 91 .00330791 R-squared =
0.7174
-------------+------------------------------ Adj R-squared =
0.6677
Total | 1.06524816 107 .00995559 Root MSE = .
05751

-----------------------------------------------------------------------------
-
prcfat | Coef. Std. Err. t P>|t| [95% Conf.
Interval]
-------------
+----------------------------------------------------------------
t | -.0022352 .0004208 -5.31 0.000 -.0030711
-.0013993
wkends | .0006259 .0061624 0.10 0.919 -.011615 .
0128668
unem | -.0154259 .0055444 -2.78 0.007 -.0264392
-.0044127
spdlaw | .0670877 .0205683 3.26 0.002 .0262312 .
1079441
beltlaw | -.0295053 .0232307 -1.27 0.207 -.0756503 .
0166397
feb | .0008607 .0289967 0.03 0.976 -.0567377 .
0584592
mar | .0000923 .0274069 0.00 0.997 -.0543481 .
0545327
apr | .0582201 .0278195 2.09 0.039 .0029601 .
11348
may | .0716392 .0276432 2.59 0.011 .0167293 .
1265492
jun | .1012618 .0280937 3.60 0.001 .0454571 .
1570665
jul | .1766121 .0272592 6.48 0.000 .122465 .
2307592
8
 aug | .1926117 .0274448 7.02 0.000 .1380959 .
2471274
sep | .1600164 .028203 5.67 0.000 .1039947 .
2160381
oct | .1010357 .0276702 3.65 0.000 .0460722 .
1559991
nov | .013949 .0281436 0.50 0.621 -.0419548 .
0698528
dec | .0092005 .027858 0.33 0.742 -.046136 .
064537
_cons | 1.029799 .1029523 10.00 0.000 .8252964
1.234301
-----------------------------------------------------------------------------
-