Econometria, 2019/2020

3 Análise de regressão com dados temporais—resolução dos exercícios das aulas

 Os textos de apoio disponibilizados no Inforestudante, mais directamente indicados para as

resoluções aqui apresentadas são c31.pdf, c32.pdf, c33.pdf. Nalguns exercícios pode-se referir
páginas destes ou outros textos.
 Nos exercícios que envolvem a estimação de modelos a partir de dados reais, apresenta-se os
outputs GRETL e nalguns casos a respectiva sequência de comandos, por separadores e menus.
 Nos testes estatísticos recomenda-se o esboço da densidade da estatística de teste sob 𝐻0 , com
indicação dos valores observados das estatísticas de teste (𝑡obs , 𝐹obs ou 𝐿𝑀obs ), e do valor crítico ou
valor-𝑝.

77
𝒂)
Falso. Na maior parte das séries temporais os seus termos são v.a.’s correlacionadas. Logo,
observações diferentes (relativas a variáveis em diferentes períodos) não são independentes.
𝒃)
Verdadeiro [nota: a hipótese (2) é a de exogeneidade estrita das variáveis explicativas].
𝒄)
Falso. Pode-se utilizar uma variável afectada por tendência, desde que se controle a tendência
(factores não observados que variam no tempo). Caso contrário, pode-se encontrar apenas uma
relação espúria entre a variável dependente e as variáveis explicativas. Uma vez que as observações
da amostra se referem (inevitavelmente) a variáveis de diferentes períodos (uma observação por
período), se não se controla a tendência, pode-se, eventualmente, tomar por efeitos de causalidade
aquilo que são variações temporais simultâneas da variável dependente e variáveis explicativas.
𝒅)
Verdadeiro. A sazonalidade é um fenómeno intra-anual. Cada período dos dados anuais representa
um ano, não se refere a nenhuma época particular do ano (a que a sazonalidade diz respeito).

78
𝒂)
Modelo populacional
log(𝑐ℎ𝑛𝑖𝑚𝑝𝑡 ) = 𝛽0 + 𝛽1 log(𝑐ℎ𝑒𝑚𝑝𝑖𝑡 ) + 𝛽2 log(𝑔𝑎𝑠𝑡 ) +
𝛽3 log(𝑟𝑡𝑤𝑒𝑥𝑡 ) + 𝛽4 𝑏𝑒𝑓𝑖𝑙𝑒6𝑡 + 𝛽5 𝑎𝑓𝑓𝑖𝑙𝑒6𝑡 + 𝛽6 𝑎𝑓𝑑𝑒𝑐6𝑡 + 𝑢𝑡 .
Dado o significado das 𝑑𝑢𝑚𝑚𝑖𝑒𝑠 𝑏𝑒𝑓𝑖𝑙𝑒6𝑡 , 𝑎𝑓𝑓𝑖𝑙𝑒6𝑡 e 𝑎𝑓𝑑𝑒𝑐6𝑡 (v. enunciado), responde-se a cada
questão através dos testes de significância individual seguintes:
(𝑖) 𝐻0 : 𝛽4 = 0 𝐻1 : 𝛽4 > 0 𝑡 = 0,060⁄0,261 ≈ 0,230 valor-𝑝 ≈ 0,409 (𝓉124 )
Aceita-se 𝐻0 : as importações não foram anormalmente elevadas no período imediatamente anterior
à abertura do inquérito.
(𝑖𝑖) 𝐻0 : 𝛽5 = 0 𝐻1 : 𝛽5 < 0 𝑡 = −0,032⁄0,264 ≈ −0,121 valor-𝑝 ≈ 0,452 (𝓉124 )
Aceita-se 𝐻0 : o volume das importações não se alterou logo a seguir à abertura do inquérito.
(𝑖𝑖𝑖) 𝐻0 : 𝛽6 = 0 𝐻1 : 𝛽6 < 0 𝑡 = −0,566⁄0,286 ≈ −1,979 valor-𝑝 ≈ 0,025 (𝓉124 )
Rejeita-se 𝐻0 (a níveis superiores a 2,5%): a decisão da CCI fez reduzir o volume das importações.
𝒃)
𝐻0 : 𝛽4 = 𝛽5 = 𝛽6 = 0 𝐻0 : 𝛽4 ≠ 0 ∨ 𝛽5 ≠ 0 ∨ 𝛽6 ≠ 0
𝐹 = [(0,305 − 0,281)⁄3]⁄[(1 − 0,305)⁄124] ≈ 1,427 valor crítico: 𝑞1−0,10 ≈ 2,128 (ℱ3,124)
1,427 < 2,128 → Aceita-se 𝐻0 : as variáveis não são conjuntamente significativas ao nível de 10%.

79
𝒂)
Agora, o modelo populacional é
log(𝑐ℎ𝑛𝑖𝑚𝑝𝑡 ) = 𝛽0 + 𝛽1 log(𝑐ℎ𝑒𝑚𝑝𝑖𝑡 ) + ⋯ + 𝛽6 𝑎𝑓𝑑𝑒𝑐6𝑡 + 𝛽7 𝑡 + 𝑢𝑡 .
Regressão estimada
̂ 𝑡 ) = − 2,344 − 0,684 log(𝑐ℎ𝑒𝑚𝑝𝑖𝑡 ) + 0,464 log(𝑔𝑎𝑠𝑡 ) + 0,078 log(𝑟𝑡𝑤𝑒𝑥𝑡 ) +
log(𝑐ℎ𝑛𝑖𝑚𝑝
(20,882) (1,239) (0,880) (0,472)

0,090𝑏𝑒𝑓𝑖𝑙𝑒6𝑡 + 0,097𝑎𝑓𝑓𝑖𝑙𝑒6𝑡 − 0,352𝑎𝑓𝑑𝑒𝑐6𝑡 + 0,013 𝑡. 𝑅 2 = 0,362.

(0,251) (0,257) (0,282) (0,0038)

Aceita-se todas as hipóteses 𝐻0 : 𝛽𝑗 = 0, 𝑗 = 1, … ,6.

𝐻0 : 𝛽7 = 0 𝐻1 : 𝛽7 ≠ 0 𝑡obs = 3,304 valor-𝑝 ≈ 0,0012 Rejeita-se 𝐻0 .
Só o coeficiente de 𝑡 é estatisticamente significativo. O controlo da tendência tem consequências
importantes sobre as estimativas (comparar com ex. 78).

GRETL
Output OLS
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1978:02-1988:12 (T = 131)
Variável dependente: l_chnimp
Coeficiente Erro Padrão rácio-t valor p
const −2,34364 20,8820 −0,1122 0,9108
l_chempi −0,683947 1,23927 −0,5519 0,5820
l_gas 0,464261 0,880272 0,5274 0,5989
l_rtwex 0,0776644 0,472412 0,1644 0,8697
befile6 0,0907171 0,251276 0,3610 0,7187
affile6 0,0972522 0,257355 0,3779 0,7062
afdec6 −0,352139 0,282456 −1,247 0,2149
time 0,0127017 0,00384388 3,304 0,0012 ***
 Média var. dependente 6,174599 D.P. var. dependente 0,699738
Soma resíd. quadrados 40,63938 E.P. da regressão 0,574806
R-quadrado 0,361540 R-quadrado ajustado 0,325205

𝒃)
No modelo de 𝒂), testa-se a hipótese 𝐻0 : 𝛽1 = ⋯ = 𝛽6 = 0 contra a hipótese alternativa
contrária (pelo menos um parâmetro não nulo).
𝐻0 : todos os parâmetros nulos, excepto termo independente e coeficiente de 𝑡.
Regressão não restrita (modelo 𝑢𝑟): 2
𝑅𝑢𝑟 ≈ 0,362;
Regressão só com constante e tendência temporal (modelo 𝑟): 𝑅𝑟2 ≈ 0,345.
𝐹 = (0,362 − 0,345)⁄6⁄[(1 − 0,362)⁄(131 − 8)] ≈ 0,540; valor-𝑝 ≈ 0,777 (ℱ6,123 )
Aceita-se 𝐻0 : Ao controlar a tendência, as restantes variáveis são conjuntamente irrelevantes.

GRETL
[No painel de output OLS de 𝒂): Testes→Omitir variáveis→Seleccionar variáveis para omitir
(seleccionar todas as variáveis excepto termo independente e time)→OK]
Output
Teste no Modelo 1:
Hipótese nula: os parâmetros de regressão para as variáveis valem zero.
l_chempi, l_gas, l_rtwex, befile6, affile6, afdec6
Estatística de teste: F(6, 123) = 0,539512, valor p 0,777298
Omitir variáveis melhorou 3 de 3 critérios de informação.
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1978:02-1988:12 (T = 131)
Variável dependente: l_chnimp
Coeficiente Erro Padrão rácio-t valor p
const 5,46028 0,0999321 54,64 <0,0001 ***
time 0,0108230 0,00131376 8,238 <0,0001 ***

𝒄)
Modelo referido no enunciado
log(𝑐ℎ𝑛𝑖𝑚𝑝𝑡 ) = 𝛽0 + 𝛽1 log(𝑐ℎ𝑒𝑚𝑝𝑖𝑡 ) + ⋯ + 𝛽6 𝑎𝑓𝑑𝑒𝑐6𝑡 + 𝛽7 𝑡 + 𝛿2 𝑓𝑒𝑏𝑡 + ⋯ + 𝛿12 𝑑𝑒𝑐𝑡 + 𝑢𝑡 .
Teste de sazonalidade (mensal—teste de significância conjunta das 𝑑𝑢𝑚𝑚𝑖𝑒𝑠 mensais)
𝐻0 : 𝛿2 = ⋯ = 𝛿12 = 0 𝐻1 : 𝛿2 ≠ 0 ∨ … ∨ 𝛿12 ≠ 0.
Regressão com variáveis explicativas, tendência e 11 𝑑𝑢𝑚𝑚𝑖𝑒𝑠 mensais (omitido: Janeiro):
2
𝑅𝑢𝑟 = 0,411. Regressão com variáveis explicativas e tendência: 𝑅𝑟2 = 0,362.
𝐹 = [(0,411 − 0,362)⁄11]⁄[(1 − 0,411)⁄(131 − 19)] ≈ 0,851 valor-𝑝 ≈ 0,59 (ℱ11,112)
Aceita-se 𝐻0 —não há efeitos sazonais. Também, nada de relevante se altera acerca da significância
das variáveis explicativas (𝑐ℎ𝑒𝑚𝑝𝑖𝑡 , …, 𝑎𝑓𝑑𝑒𝑐6𝑡 )—comparar com modelo de 𝒂).
GRETL
[No painel de output OLS de 𝒂): Testes→Acrescentar variáveis→Seleccionar variáveis para
acrescentar (seleccionar feb, mar, …, dec)→OK]
Output
Teste no Modelo 1:
Hipótese nula: os parâmetros de regressão para as variáveis valem zero.
feb, mar, apr, may, jun, jul, aug, sep, oct, nov, dec
Estatística de teste: F(11, 112) = 0,85101, valor p 0,590001
Acrescentar variáveis melhorou 0 de 3 critérios de informação.
Modelo 3: Mínimos Quadrados (OLS), usando as observações 1978:02-1988:12 (T = 131)
Variável dependente: l_chnimp
Coeficiente Erro Padrão rácio-t valor p
const 28,4258 31,5665 0,9005 0,3698
l_chempi −0,444672 1,27065 −0,3500 0,7270
l_gas −0,869786 1,35212 −0,6433 0,5214
l_rtwex −0,204631 0,529252 −0,3866 0,6998
befile6 0,164720 0,256923 0,6411 0,5228
affile6 0,153386 0,271859 0,5642 0,5737
afdec6 −0,293737 0,299432 −0,9810 0,3287
time 0,0123282 0,00391499 3,149 0,0021 ***
feb −0,359743 0,293222 −1,227 0,2224
mar 0,0627013 0,254601 0,2463 0,8059
apr −0,442353 0,258399 −1,712 0,0897 *
may 0,0336548 0,259410 0,1297 0,8970
jun −0,199871 0,259179 −0,7712 0,4422
jul 0,0139254 0,268472 0,05187 0,9587
aug −0,124524 0,267841 −0,4649 0,6429
sep −0,0747773 0,258309 −0,2895 0,7727
oct 0,0801026 0,257008 0,3117 0,7559
nov −0,260083 0,253016 −1,028 0,3062
dec 0,100037 0,262029 0,3818 0,7034

80
Exemplo
log(𝑛𝑐𝑡 ) = 𝛽0 + 𝛽1 𝑟𝑡 + 𝛽2 𝑖𝑛𝑐𝑡 + 𝛽3 𝑡 + 𝛿2 𝑇2𝑡 + 𝛿3 𝑇3𝑡 + 𝛿4 𝑇4𝑡 + 𝑢𝑡 ,
𝑇𝐽𝑡 = 1, se observação do 𝐽 − ésimo trimestre (0, caso contrário).

81
𝒂)
Da fórmula resultam 𝛿0 = 𝛾0 , 𝛿1 = 𝛾0 + 𝛾1 + 𝛾2, 𝛿2 = 𝛾0 + 2𝛾1 + 4𝛾2,
𝛿3 = 𝛾0 + 3𝛾1 + 9𝛾2, 𝛿4 = 𝛾0 + 4𝛾1 + 16𝛾2.
Substituindo no modelo,
𝑦𝑡 = 𝛼0 + 𝛾0 𝑧𝑡 + (𝛾0 + 𝛾1 + 𝛾2 )𝑧𝑡−1 + (𝛾0 + 2𝛾1 + 4𝛾2 )𝑧𝑡−2 + (𝛾0 + 3𝛾1 + 9𝛾2 )𝑧𝑡−3 +
 (𝛾0 + 4𝛾1 + 16𝛾2 )𝑧𝑡−4 + 𝑢𝑡 ⟺
𝑦𝑡 = 𝛼0 + 𝛾0 (𝑧𝑡 + 𝑧𝑡−1 + 𝑧𝑡−2 + 𝑧𝑡−3 + 𝑧𝑡−4 ) +
𝛾1 (𝑧𝑡−1 + 2𝑧𝑡−2 + 3𝑧𝑡−3 + 4𝑧𝑡−4 ) + 𝛾2 (𝑧𝑡−1 + 4𝑧𝑡−2 + 9𝑧𝑡−3 + 16𝑧𝑡−4 ) + 𝑢𝑡 :
modelo com desfasamentos distribuídos polinomiais.
𝒃)
Sugerido em 𝒂): regressão OLS de 𝑦𝑡 sobre constante e
𝑥𝑡1 = 𝑧𝑡 + 𝑧𝑡−1 + 𝑧𝑡−2 + 𝑧𝑡−3 + 𝑧𝑡−4, 𝑥𝑡2 = 𝑧𝑡−1 + 2𝑧𝑡−2 + 3𝑧𝑡−3 + 4𝑧𝑡−4 ,
𝑥𝑡3 = 𝑧𝑡−1 + 4𝑧𝑡−2 + 9𝑧𝑡−3 + 16𝑧𝑡−4.
𝒄)
O modelo dado tem seis parâmetros—pode considerar-se o modelo 𝑢𝑟. Neste modelo introduz-se as
igualdades referidas, resultando o modelo PDL, com quatro parâmetros—modelo 𝑟. O modelo PDL é
um caso particular do modelo 𝑢𝑟 sujeito a duas restrições (não sendo necessário conhecer as
expressões das duas restrições). Para testar as restrições envolvidas na passagem do modelo 𝑢𝑟 para
o modelo 𝑟, pode-se realizar um teste 𝐹 (que envolve estimação dos dois modelos—estatística de
teste: 𝐹 ~ ℱ2,𝑛−6 ) ou um teste 𝐿𝑀 (só estimação do modelo 𝑟—estatística de teste: 𝐿𝑀 ~ 𝜒22 ).
𝐻0 𝐻0

82
Modelo: 𝑖3𝑡 = 𝛽0 + 𝛽1 𝑖𝑛𝑓𝑡 + 𝛽2 𝑑𝑒𝑓𝑡 + 𝛿0 𝑝𝑜𝑠𝑡79𝑡 + 𝑢𝑡 ,
𝑝𝑜𝑠𝑡79𝑡 = 1, para anos posteriores a 1979 (0, para 1979 ou ano anterior).

No GRETL verifica-se que a 𝑑𝑢𝑚𝑚𝑦 𝑝𝑜𝑠𝑡79𝑡 é igual a 1, para 𝑡 ≥ 33.

[No separador Acrescentar:
Acrescentar a variável time (Tendência temporal) e verificar que 1979 corresponde a time = 32
(duplo clique na variável time).
Criação da variável 𝑑𝑢𝑚𝑚𝑦: Definir nova variável…→ post79𝑡 = (time >= 33).]

A hipótese de interesse é 𝐻0 : 𝛿0 = 0 𝐻1 : 𝛿0 ≠ 0.
Estimação OLS
̂ 𝑡 = 1,296 + 0,608𝑖𝑛𝑓𝑡 + 0,363𝑑𝑒𝑓𝑡 + 1,559𝑝𝑜𝑠𝑡79𝑡 ,
𝑖3 𝑇 = 56, 𝑅 2 = 0,664.
(0,425) (0,076) (0,120) (0,506)

𝑡 = 1,559⁄0,506 ≈ 3,082 valor-𝑝 ≈ 0,0033 (𝓉56−4 )

Rejeita-se 𝐻0 . Estima-se que a taxa de juro média foi cerca de 1,6 pontos superior nos anos após 1979.
GRETL
Output
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1948-2003 (T = 56)
Variável dependente: i3
Coeficiente Erro Padrão rácio-t valor p
const 1,29623 0,425345 3,047 0,0036 ***
inf 0,608416 0,0762533 7,979 <0,0001 ***
def 0,362656 0,120248 3,016 0,0040 ***
post79 1,55877 0,505772 3,082 0,0033 ***

83
𝒂)
Modelo populacional 𝑔𝑐𝑡 = 𝛽0 + 𝛽1 𝑔𝑦𝑡 + 𝑢𝑡 .
Estimação OLS ̂ 𝑡 = 0,0081 + 0,571𝑔𝑦𝑡 , 𝑇 = 36, 𝑅 2 = 0,679.
𝑔𝑐
(0,0019) (0,067)

Se o crescimento do rendimento sobe 1 ponto percentual, estima-se que o crescimento do consumo

aumenta 0,571 pontos percentuais. Este efeito é altamente significativo (𝑡obs ≈ 8,5).

GRETL
Output
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1960-1995 (T = 36)
Variável dependente: gc
Coeficiente Erro Padrão rácio-t valor p
const 0,00807907 0,00189912 4,254 0,0002 ***
gy 0,570784 0,0673545 8,474 <0,0001 ***

𝒃)
Modelo populacional 𝑔𝑐𝑡 = 𝛽0 + 𝛽1 𝑔𝑦𝑡 + 𝛽2 𝑔𝑦𝑡−1 + 𝑢𝑡 .
Estimação OLS ̂ 𝑡 = 0,0064 + 0,552𝑔𝑦𝑡 + 0,096𝑔𝑦𝑡−1 ,
𝑔𝑐 𝑻 = 𝟑𝟓, 𝑅 2 = 0,695.
(0,0023) (0,070) (0,069)

𝐻0 : 𝛽2 = 0 𝐻1 : 𝛽2 ≠ 0 𝑡obs = 0,096⁄0,069 ≈ 1,39 valor-𝑝 ≈ 0,173 (𝓉32 )

Aceita-se 𝐻0 : 𝑔𝑦𝑡−1 não é estatisticamente significativo, aos níveis usuais.
Há fraca evidência de ajustamento desfasado do consumo, face a alterações do crescimento do
rendimento disponível 𝑝𝑒𝑟 𝑐𝑎𝑝𝑖𝑡𝑎—não parece justificar-se o recurso ao modelo FDL(1).
GRETL
Output
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1961-1995 (T = 35)
Variável dependente: gc
Coeficiente Erro Padrão rácio-t valor p
const 0,00635648 0,00226159 2,811 0,0084 ***
gy 0,552254 0,0696505 7,929 <0,0001 ***
gy_1 0,0962173 0,0690190 1,394 0,1729

𝒄)
Modelo populacional 𝑔𝑐𝑡 = 𝛽0 + 𝛽1 𝑔𝑦𝑡 + 𝛽2 𝑟3𝑡 + 𝑢𝑡 .
Estimação OLS ̂ 𝑡 = 0,0082 + 0,578𝑔𝑦𝑡 + 0,00021𝑟3𝑡 ,
𝑔𝑐 𝑻 = 𝟑𝟔, 𝑅 2 = 0,680.
(0,0020) (0,072) (0,00063)

𝐻0 : 𝛽2 = 0 𝐻1 : 𝛽2 ≠ 0; 𝑡obs = 0,00021⁄0,00063 ≈ −0,3423; valor-𝑝 ≈ 0,734 (𝓉33 ). Aceita-se 𝐻0 .

GRETL
Output
Modelo 3: Mínimos Quadrados (OLS), usando as observações 1960-1995 (T = 36)
Variável dependente: gc
Coeficiente Erro Padrão rácio-t valor p
const 0,00821808 0,00196650 4,179 0,0002 ***
gy 0,578115 0,0715164 8,084 <0,0001 ***
r3 −0,0002148 0,00062654 −0,3429 0,7339

85
𝒂)
𝑏𝑒𝑙𝑡𝑙𝑎𝑤𝑡 = 1(𝑡 ≥ 61), 𝑡 = 61: Jan/1986; 𝑠𝑝𝑑𝑙𝑎𝑤𝑡 = 1(𝑡 ≥ 77), 𝑡 = 77: Mai/1987.
𝒃)
Regressão populacional log(𝑡𝑜𝑡𝑎𝑐𝑐𝑡 ) = 𝛽0 + 𝛽1 𝑡 + 𝛽2 𝑓𝑒𝑏𝑡 + 𝛽3 𝑚𝑎𝑟𝑡 + ⋯ 𝛽12 𝑑𝑒𝑐𝑡 + 𝑢𝑡
Estimação OLS ̂ 𝑡 ) = 10,469 + 0,0028 𝑡 − 0,0427𝑓𝑒𝑏𝑡 + 0,0798𝑚𝑎𝑟𝑡 +
log(𝑡𝑜𝑡𝑎𝑐𝑐
(0,019) (0,00016) (0,0244) (0,0244)

0,0185𝑎𝑝𝑟𝑡 + ⋯ + 0,0962𝑑𝑒𝑐𝑡 , 𝑅 2 = 0,797, 𝑇 = 108.

(0,0245) (0,0245)

Coeficiente de 𝑡: uma vez controlada a sazonalidade, estima-se que o total de acidentes cresceu, em
média 0,28% por mês, durante o período em análise.
Teste da presença de efeitos sazonais
𝐻0 : 𝛽2 = ⋯ = 𝛽12 = 0 (ausência de sazonalidade) 𝐻1 : 𝛽2 ≠ 0 ∨ … ∨ 𝛽12 ≠ 0.
𝐹 ≈ 5,15; valor-𝑝 ≈ 0 (𝐹11,95 ) Rejeita-se 𝐻0 —há evidência de sazonalidade.
Os coeficientes das 𝑑𝑢𝑚𝑚𝑖𝑒𝑠 estimam diferenças relativas do número de acidentes para o mês-base
(Janeiro)—porque a variável dependente está em log.
Só Fevereiro tem um total de acidentes inferior a Janeiro—estima-se em menos cerca de 4,3%
̂ 𝑡 )𝑓𝑒𝑏=1 − log(𝑡𝑜𝑡𝑎𝑐𝑐
[−0,043 ≈ log(𝑡𝑜𝑡𝑎𝑐𝑐 ̂ 𝑡 )𝑓𝑒𝑏=⋯=𝑑𝑒𝑐=0 ].

O cume é em Dezembro—estima-se cerca de 9,6% mais acidentes, do que em Janeiro [0,096 ≈

̂ 𝑡 )𝑑𝑒𝑐=1 − log(𝑡𝑜𝑡𝑎𝑐𝑐
log(𝑡𝑜𝑡𝑎𝑐𝑐 ̂ 𝑡 )𝑓𝑒𝑏=⋯=𝑑𝑒𝑐=0 ].

GRETL
Output
Modelo 1: Mínimos Quadrados (OLS), usando as observações 1981:01-1989:12 (T = 108)
Variável dependente: ltotacc
Coeficiente Erro Padrão rácio-t valor p
const 10,4686 0,0190029 550,9 <0,0001 ***
time 0,00274712 0,00016105 17,06 <0,0001 ***
feb −0,0426838 0,0244476 −1,746 0,0841 *
mar 0,0798280 0,0244491 3,265 0,0015 ***
apr 0,0184875 0,0244518 0,7561 0,4515
may 0,0320993 0,0244555 1,313 0,1925
jun 0,0201944 0,0244603 0,8256 0,4111
jul 0,0375840 0,0244661 1,536 0,1278
aug 0,0539857 0,0244730 2,206 0,0298 **
sep 0,0423619 0,0244810 1,730 0,0868 *
oct 0,0821148 0,0244900 3,353 0,0011 ***
nov 0,0712799 0,0245000 2,909 0,0045 ***
dec 0,0961584 0,0245111 3,923 0,0002 ***
Teste no Modelo 1:
Hipótese nula: os parâmetros de regressão para as variáveis valem zero.
feb, mar, apr, may, jun, jul, aug, sep, oct, nov, dec
Estatística de teste: F(11, 95) = 5,15005, valor p 2,71218e-006
Omitir variáveis melhorou 1 de 3 critérios de informação.
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1981:01-1989:12 (T = 108)
Variável dependente: ltotacc
Coeficiente Erro Padrão rácio-t valor p
const 10,5041 0,0120211 873,8 <0,0001 ***
time 0,00284580 0,00019145 14,86 <0,0001 ***

𝒄)
̂ 𝑡 ) = 10,640 + ⋯ + 0,00333𝑤𝑘𝑒𝑛𝑑𝑠𝑡 − 0,0212𝑢𝑛𝑒𝑚𝑡 −
log(𝑡𝑜𝑡𝑎𝑐𝑐
(0,063) (0,00378) (0,0034)
2
0,0538𝑠𝑝𝑑𝑙𝑎𝑤𝑡 + 0,0954𝑏𝑒𝑙𝑡𝑙𝑎𝑤𝑡 , 𝑇 = 108, 𝑅 = 0,910.
(0,0126) (0,0142)

Coeficiente de 𝑢𝑛𝑒𝑚: se a variável serve de indicador do nível de actividade económica, espera-se

mais volume de tráfego (logo, mais acidentes), quando o nível de actividade aumenta (𝑢𝑛𝑒𝑚 diminui).
Estima-se que mais 1 ponto percentual de 𝑢𝑛𝑒𝑚𝑡 , cp, cause uma redução de 2,12% no número médio
de acidentes totais.
GRETL
Output
Teste no Modelo 1:
Hipótese nula: os parâmetros de regressão para as variáveis valem zero.
wkends, unem, spdlaw, beltlaw
Estatística de teste: F(4, 91) = 28,675, valor p 2,01998e-015
Acrescentar variáveis melhorou 3 de 3 critérios de informação.

Modelo 3: Mínimos Quadrados (OLS), usando as observações 1981:01-1989:12 (T = 108)

Variável dependente: ltotacc
Coeficiente Erro Padrão rácio-t valor p
const 10,6399 0,0630865 168,7 <0,0001 ***
time 0,00110108 0,00025787 4,270 <0,0001 ***
feb −0,0338324 0,0177684 −1,904 0,0601 *
mar 0,0769563 0,0167942 4,582 <0,0001 ***
apr 0,0104586 0,0170470 0,6135 0,5411
may 0,0237084 0,0169391 1,400 0,1650
jun 0,0219357 0,0172151 1,274 0,2058
jul 0,0499305 0,0167037 2,989 0,0036 ***
aug 0,0559552 0,0168175 3,327 0,0013 ***
sep 0,0420700 0,0172820 2,434 0,0169 **
oct 0,0817184 0,0169556 4,820 <0,0001 ***
nov 0,0768733 0,0172457 4,458 <0,0001 ***
dec 0,0990874 0,0170706 5,805 <0,0001 ***
wkends 0,00333307 0,00377617 0,8827 0,3797
unem −0,0212173 0,00339746 −6,245 <0,0001 ***
spdlaw −0,0537583 0,0126037 −4,265 <0,0001 ***
beltlaw 0,0954529 0,0142352 6,705 <0,0001 ***

𝒅)
Os coeficientes de 𝑠𝑝𝑑𝑙𝑎𝑤 e 𝑏𝑒𝑙𝑡𝑙𝑎𝑤 têm o sinal esperado?
𝑠𝑝𝑑𝑙𝑎𝑤 (os acidentes caíram, em média, 5,4% após a entrada em vigor do novo limite): os condutores
mais cuidadosos após o aumento do limite de velocidade?
𝑏𝑒𝑙𝑡𝑙𝑎𝑤 (os acidentes aumentaram, em média, 9,54% após a entrada em vigor da lei): os condutores
tornaram-se mais descuidados?
𝒆)
̅̅̅̅̅̅̅̅̅ = 0,88564% (note-se que a variável é medida em pontos percentuais).
𝑝𝑟𝑐𝑓𝑎𝑡
𝒇)
̂ 𝑡 = 1,030 + ⋯ + 0,00063𝑤𝑘𝑒𝑛𝑑𝑠𝑡 − 0,0154𝑢𝑛𝑒𝑚𝑡 + 0,0671𝑠𝑝𝑑𝑙𝑎𝑤𝑡 − 0,0295𝑏𝑒𝑙𝑡𝑙𝑎𝑤𝑡 ,
𝑝𝑟𝑐𝑓𝑎𝑡
(0,103) (0,00616) (0,0055) (0,0206) (0,0232)

𝑇 = 108, 𝑅 2 = 0,717.
Limite de velocidade mais elevado parece fazer aumentar a percentagem de acidentes mortais:
0,0671, estatisticamente significativo (valor-𝑝 ≈ 0,0016).
Nova lei do cinto de segurança: estima-se que faz reduzir a percentagem de acidentes fatais (em
0,0295 pontos percentuais). Mas o efeito não é significativo (valor-𝑝 ≈ 0,21).

GRETL
Output
Modelo 5: Mínimos Quadrados (OLS), usando as observações 1981:01-1989:12 (T = 108)
Variável dependente: prcfat
Coeficiente Erro Padrão rácio-t valor p
const 1,02980 0,102952 10,00 <0,0001 ***
time −0,0022352 0,00042082 −5,312 <0,0001 ***
feb 0,00086079 0,0289967 0,02969 0,9764
mar 9,21236e-05 0,0274069 0,003361 0,9973
apr 0,0582201 0,0278195 2,093 0,0392 **
may 0,0716392 0,0276433 2,592 0,0111 **
jun 0,101262 0,0280937 3,604 0,0005 ***
jul 0,176612 0,0272592 6,479 <0,0001 ***
aug 0,192612 0,0274448 7,018 <0,0001 ***
sep 0,160016 0,0282030 5,674 <0,0001 ***
oct 0,101035 0,0276702 3,651 0,0004 ***
nov 0,0139490 0,0281436 0,4956 0,6213
dec 0,00920045 0,0278580 0,3303 0,7420
wkends 0,00062586 0,00616243 0,1016 0,9193
unem −0,0154260 0,00554440 −2,782 0,0066 ***
spdlaw 0,0670876 0,0205683 3,262 0,0016 ***
beltlaw −0,0295052 0,0232307 −1,270 0,2073

86
𝒂)
Estimativa da elasticidade de 𝑦𝑡 em ordem a 𝑥𝑡 , cp.
𝐻0 : 𝛽1 = 1 𝐻1 : 𝛽1 ≠ 1 𝑡 = (1,241 − 1)⁄0,382 = 0,631: aceita-se 𝐻0 .
𝒃)
Possivelmente, 𝑦𝑡 e/ou 𝑥𝑡 são afectados por factores não observados que variam no tempo
(representados pela tendência temporal)—o que se pode verificar correndo regressões de 𝑦𝑡 e de 𝑥𝑡
sobre 𝑡.
𝒄)
A estimativa da elasticidade-preço é agora negativa e estatisticamente nula (aceita-se a hipótese de
nulidade). A tendência é estatisticamente significativa e o seu coeficiente implica um acréscimo
relativo anual de cerca de 1%.
Desta análise não se pode concluir que o investimento 𝑝𝑒𝑟 𝑐𝑎𝑝𝑖𝑡𝑎 em habitação seja influenciado pelo
preço. Há outros factores, capturados pelo termo de tendência, que afectam 𝑦𝑡 (não controlados no
modelo). A estimativa do modelo sem tendência indica uma relação espúria entre 𝑦𝑡 e 𝑥𝑡 , que se deve
à presença de tendência nas variáveis do modelo.
87
COV(𝑥𝑡 , 𝑥𝑡+ℎ ) = 𝛾ℎ , ℎ ≥ 0, ∀𝑡; V(𝑥𝑡 )[= COV(𝑥𝑡 , 𝑥𝑡 )] = 𝛾0 , ∀𝑡.

CORR(𝑥𝑡 , 𝑥𝑡+ℎ ) = COV(𝑥𝑡 , 𝑥𝑡+ℎ )⁄√V(𝑥𝑡 )V(𝑥𝑡+ℎ ) = 𝛾ℎ ⁄√𝛾02 = 𝛾ℎ ⁄𝛾0 .

88
𝑥𝑡 = 𝑒𝑡 − 𝑒𝑡−1⁄2 + 𝑒𝑡−2 ⁄2 , 𝑡 = 1, … 𝑒𝑡 iid(0,1), 𝑡 = −1,0,1, … ∶ processo 𝑀𝐴(2).
𝒂)
E(𝑥𝑡 ) = E(𝑒𝑡 ) − E(𝑒𝑡−1 )⁄2 + E(𝑒𝑡−2 )⁄2 = 0, ∀𝑡.
V(𝑥𝑡 ) = V(𝑒𝑡 ) + V(𝑒𝑡−1 )⁄4 + V(𝑒𝑡−2 )⁄4 = 1 + 1⁄4 + 1⁄4 = 3⁄2 , ∀𝑡.
𝒃)
COV(𝑥𝑡 , 𝑥𝑡+1 ) = E(𝑥𝑡 𝑥𝑡+1 ), porque E(𝑥𝑡 ) = 0, ∀𝑡;
E(𝑒𝑠 𝑒𝑡 ) = E(𝑒𝑠 )E(𝑒𝑡 ) = 0, ∀𝑠 ≠ 𝑡, porque os 𝑒𝑡 são iid com média nula;
E(𝑒𝑡2 ) = V(𝑒𝑡 ) = 1, ∀𝑡, porque os 𝑒𝑡 são id com média nula e variância 1.
Donde,
1 1 1 1
COV(𝑥𝑡 , 𝑥𝑡+1 ) = E(𝑥𝑡 𝑥𝑡+1 ) = E [(𝑒𝑡 − 𝑒𝑡−1 + 𝑒𝑡−2 ) (𝑒𝑡+1 − 𝑒𝑡 + 𝑒𝑡−1 )] =
2 2 2 2
1 1 2 )
3 −3⁄4 1
− ⏟ E(𝑒𝑡2 ) − ⏟ E(𝑒𝑡−1 = − ⟹ CORR(𝑥𝑡 , 𝑥𝑡+1 ) = =− .
2 4 4 √(3⁄2) × (3⁄2) 2
=V(𝑒𝑡)=1 =V(𝑒𝑡−1)=1

1 1 1 1
COV(𝑥𝑡 , 𝑥𝑡+2 ) = E(𝑥𝑡 𝑥𝑡+2 ) = E [(𝑒𝑡 − 𝑒𝑡−1 + 𝑒𝑡−2 ) (𝑒𝑡+2 − 𝑒𝑡+1 + 𝑒𝑡 )] =
2 2 2 2
1 1 1⁄2 1
E(𝑒𝑡2 ) = ⟹ CORR(𝑥𝑡 , 𝑥𝑡+2 ) =
⏟ = .
2 2 √(3⁄2) × (3⁄2) 3
=V(𝑒𝑡)=1

𝒄)
ℎ > 2: COV(𝑥𝑡 , 𝑥𝑡+ℎ ) = E(𝑥𝑡 𝑥𝑡+ℎ ) =
1 1 1 1
E [(𝑒𝑡 − 𝑒𝑡−1 + 𝑒𝑡−2 ) (𝑒𝑡+ℎ − 𝑒𝑡+ℎ−1 + 𝑒𝑡+ℎ−2 )] = 0 ⇒ CORR(𝑥𝑡 , 𝑥𝑡+ℎ ) = 0.
2 2 2 2
−1⁄2 , |ℎ| = 1,
Em conclusão, CORR(𝑥𝑡 , 𝑥𝑡+ℎ ) = { 1⁄3 , |ℎ| = 2,
0, |ℎ| > 2.
𝒅)
Sim, porque variáveis desfasadas mais do que dois períodos têm correlação nula. Logo, obviamente,
lim CORR(𝑥𝑡 , 𝑥𝑡+ℎ ) = 0.
ℎ→∞
89
𝑦𝑡 = 𝑧 + 𝑒𝑡 , 𝑡 = 1,2, … 𝑒𝑡 iid(0, 𝜎𝑒2 ), E(𝑧) = 0, V(𝑧) = 𝜎𝑧2 , CORR(𝑒𝑡 , 𝑧) = 0, ∀𝑡.
𝒂)
E(𝑦𝑡 ) = E(𝑧 + 𝑒𝑡 ) = E(𝑧) + E(𝑒𝑡 ) = 0; V(𝑦𝑡 ) = V(𝑧 + 𝑒𝑡 ) = V(𝑧) + V(𝑒𝑡 ) = 𝜎𝑒2 + 𝜎𝑧2 .
Não dependem de 𝑡.
𝒃)
ℎ>0 COV(𝑦𝑡 , 𝑦𝑡+ℎ ) = E(𝑦𝑡 𝑦𝑡+ℎ ) = E[(𝑧 + 𝑒𝑡 )(𝑧 + 𝑒𝑡+ℎ )] =
E(𝑧 2 ) + E(𝑒
⏟ E(𝑒𝑡 𝑒𝑡+ℎ ) = 𝜎𝑧2 .
E(𝑧𝑒𝑡+ℎ ) + ⏟
⏟ 𝑡 𝑧) + ⏟
=V(𝑧)=𝜎𝑧2 =0 =0 =0

(𝑦𝑡 , 𝑡 = 1, … ) é estacionário em covariância: média, variância e covariância não dependem de 𝑡.

𝒄)
COV(𝑦𝑡 , 𝑦𝑡+ℎ ) 𝜎𝑧2
𝜎𝑧2
CORR(𝑦𝑡 , 𝑦𝑡+ℎ ) = = = 2 2
, ∀𝑡, ℎ.
√V(𝑦𝑡 )V(𝑦𝑡+ℎ ) √(𝜎𝑒2 + 𝜎𝑧2 )2 𝜎𝑒 + 𝜎𝑧
𝒅)
𝜎𝑧2 𝜎𝑧2
lim CORR(𝑦𝑡 , 𝑦𝑡+ℎ ) = lim = .
ℎ→∞ ℎ→∞ 𝜎𝑒2 + 𝜎𝑧2 𝜎𝑒2 + 𝜎𝑧2
O processo (𝑦𝑡 , 𝑡 = 1, … ) não é assintoticamente não correlacionado.

90
Hipóteses do modelo
𝑔𝐺𝐷𝑃𝑡 = 𝛽0 + 𝛽1 𝑖𝑛𝑡𝑡 + 𝛽2 𝑖𝑛𝑡𝑡−1 + 𝑢𝑡 ,
em que COV(𝑢𝑡 , 𝑖𝑛𝑡𝑡 ) = COV(𝑢𝑡 , 𝑖𝑛𝑡𝑡−1 ) = ⋯ = 0.
As variáveis 𝑖𝑛𝑡 de dado período e 𝑔𝐺𝐷𝑃 do período anterior relacionam-se através da equação
𝑖𝑛𝑡𝑡 = 𝛾0 + 𝛾1 (𝑔𝐺𝐷𝑃𝑡−1 − 3) + 𝑣𝑡 , 𝛾1 > 0,
em que 𝑣𝑡 é tal, que
COV(𝑣𝑡 , 𝑖𝑛𝑡𝑡−1 ) = COV(𝑣𝑡 , 𝑖𝑛𝑡𝑡−2 ) = ⋯ = COV(𝑣𝑡 , 𝑢𝑡−1 ) = COV(𝑣𝑡 , 𝑢𝑡−2 ) = ⋯ = 0.
Em consequência destas hipóteses, tem-se
𝑔𝐺𝐷𝑃𝑡−1 = 𝛽0 + 𝛽1 𝑖𝑛𝑡𝑡−1 + 𝛽2 𝑖𝑛𝑡𝑡−2 + 𝑢𝑡−1
donde

𝑖𝑛𝑡𝑡 = 𝛾0 + 𝛾1 (𝛽
⏟0 + 𝛽1 𝑖𝑛𝑡𝑡−1 + 𝛽2 𝑖𝑛𝑡𝑡−2 + 𝑢𝑡−1 − 3) + 𝑣𝑡 .
𝑔𝐺𝐷𝑃𝑡−1

Em consequência,
COV(𝑖𝑛𝑡𝑡 , 𝑢𝑡−1 ) = COV[𝛾0 + 𝛾1 (𝛽0 + 𝛽1 𝑖𝑛𝑡𝑡−1 + 𝛽2 𝑖𝑛𝑡𝑡−2 + 𝑢𝑡−1 − 3) + 𝑣𝑡 , 𝑢𝑡−1 ] =
COV(𝛾1 𝑢𝑡−1 , 𝑢𝑡−1 ) = 𝛾1 V(𝑢𝑡−1 ) > 0
[v. ex. 𝟓𝒉)𝒊)].
Ou seja: em geral, o erro de um dado período e a variável explicativa 𝑖𝑛𝑡 do período seguinte são
correlacionados,
COV(𝑖𝑛𝑡𝑡+1 , 𝑢𝑡 ) > 0,
o que por sua vez implica [v. ex. 𝟓𝒅)]
E(𝑢𝑡 |𝑖𝑛𝑡𝑡+1 ) ≠ 0.
Em suma, as variáveis explicativas 𝑖𝑛𝑡𝑡 e 𝑖𝑛𝑡𝑡−1 não são estritamente exógenas no modelo [falha a
hipótese (2) de Gauss-Markov—c31, pág. 8]. Donde, o estimador OLS dos parâmetros deste modelo
é enviesado.

91
𝑦𝑡 = 𝛽0 + 𝛽1 𝑥𝑡 + 𝛽2 𝑥𝑡−1 + 𝛽3 𝑥𝑡−2 + 𝑢𝑡 , 𝑢𝑡 = 𝜀𝑡 + 𝛼𝜀𝑡−1 , 𝜀𝑡 iid(0, 𝜎𝜀2 ).
Se um modelo é dinamicamente completo, os erros não são autocorrelacionados. Reciprocamente, se
os erros são autocorrelacionados, o modelo não é dinamicamente completo.
Recorde-se o seguinte:
V(𝑥) = E(𝑥 2 ) − E(𝑥)2 e COV(𝑥, 𝑦) = E(𝑥𝑦) − E(𝑥)E(𝑦);
se uma das médias é nula—por exemplo, E(𝑥) = 0—então, V(𝑥) = E(𝑥 2 ) e COV(𝑥, 𝑦) = E(𝑥𝑦).
No modelo,
E(𝑢𝑡 ) = E(𝜀𝑡 + 𝛼𝜀𝑡−1 ) = E(𝜀𝑡 ) + 𝛼E(𝜀𝑡−1 ) = 0,
logo, COV(𝑢𝑡 , 𝑢𝑡−1 ) = E(𝑢𝑡 𝑢𝑡−1 ). Este valor esperado vem igual a
2 )
E(𝑢𝑡 𝑢𝑡−1 ) = E[(𝜀𝑡 + 𝛼𝜀𝑡−1 )(𝜀𝑡−1 + 𝛼𝜀𝑡−2 )] = 𝛼E(𝜀𝑡−1 = 𝛼V(𝜀𝑡−1 ) = 𝛼𝜎𝜀2 ≠ 0.
Isto é, COV(𝑢𝑡 , 𝑢𝑡−1 ) ≠ 0 ou seja, os erros são autocorrelacionados—motivo pelo qual o modelo não
é dinamicamente completo.

92
𝑦𝑡 = 𝛽0 + 𝛽1 𝑦𝑡−1 + 𝑢𝑡 , 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝑒𝑡 , 0 < |𝜌| < 1, 𝑒𝑡 iid(0, 𝜎𝑒2 ), E(𝑒𝑡 |𝑢𝑡−1 , 𝑢𝑡−2 , … ) = 0.
𝑨
Verdadeiro
COV(𝑢𝑡 , 𝑦𝑡−1 ) = COV[(𝜌𝑢𝑡−1 + 𝑒𝑡 ), 𝑦𝑡−1 ] = 𝜌COV(𝑢𝑡−1 , 𝑦𝑡−1 ) + COV(𝑒𝑡 , 𝑦𝑡−1 ) =
𝜌COV(𝑢𝑡−1 , 𝑦𝑡−1 ) + E(𝑒
⏟ 𝑡 𝑦𝑡−1 ) ;
porque 𝐸(𝑒𝑡 )=0

Tem-se COV(𝑢𝑡−1 , 𝑦𝑡−1 ) = COV(𝑢𝑡−1 , 𝛽0 + 𝛽1𝑦𝑡−2 + 𝑢𝑡−1 ) = V(𝑢𝑡−1 ) ≠ 0

e, de 𝑢𝑡 = 𝑦𝑡 − 𝛽0 − 𝛽1 𝑦𝑡−1 , decorre E(𝑒𝑡 |𝑢𝑡−1 , 𝑢𝑡−2 , … ) = E(𝑒𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ).
Segue-se que
E(𝑒𝑡 |𝑢𝑡−1 , 𝑢𝑡−2 , … ) = E(𝑒𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) = 0 ⇒ E(𝑒𝑡 |𝑦𝑡−1 ) = 0 ⇒ E(𝑒𝑡 𝑦𝑡−1 ) = 0,
pela lei das expectativas iteradas—ou seja, 𝑒𝑡 e 𝑦𝑡−1 não são correlacionados.
Portanto,
COV(𝑢𝑡 , 𝑦𝑡−1 ) = 𝜌COV(𝑢𝑡−1 , 𝑦𝑡−1 ) = 𝜌V(𝑢𝑡−1 ) ≠ 0
(a não ser que 𝜌 = 0).
Em suma, se 𝜌 ≠ 0, COV(𝑢𝑡 , 𝑦𝑡−1 ) ≠ 0 ou seja, a variável explicativa do modelo, 𝑦𝑡−1 , não é (nem
sequer contemporaneamente) exógena. Logo, OLS é inconsistente (v. c32, pág. 14).
𝑩
Falso. Se 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝑒𝑡 [processo AR(1)], 𝜌 = CORR(𝑢𝑡 , 𝑢𝑡−1 ).
𝑪
Falso. Em 𝑨 mostrou-se que, se 𝜌 ≠ 0, não há exogeneidade contemporânea.
𝑫
Falso. Em geral, os erros são autocorrelacionados, com correlação dada por 𝜌.

93
𝑖3𝑡 = 𝛽0 + 𝛽1 𝜋𝑡 + 𝛽2 𝑑𝑒𝑠𝑡 + 𝛽3 𝑖3𝑡−1 + 𝑢𝑡 , 𝜋𝑡 = 𝑙𝑜𝑔(𝑖𝑝𝑐𝑡 ) − 𝑙𝑜𝑔(𝑖𝑝𝑐𝑡−1 );
𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡 , 0 < |𝜌| < 1, 𝜀𝑡 iid(0, 𝜎𝜀2 );
E(𝜀𝑡 |𝑢𝑡−1 , 𝑢𝑡−2 , … ) = 0, 𝐸(𝜀𝑡 |𝑖3𝑡−1 , 𝑖3𝑡−2 , … ) = 0.
E(𝑢𝑡 ) = 0, ∀𝑡 ⇒ COV(𝑢𝑡 , 𝑖3𝑡−1 ) = E(𝑢𝑡 𝑖3𝑡−1 ).
E(𝑢𝑡 𝑖3𝑡−1 ) = E[(𝜌𝑢𝑡−1 + 𝜀𝑡 )𝑖3𝑡−1 ] = 𝜌E(𝑢𝑡−1 𝑖3𝑡−1 ) + E(𝜀𝑡 𝑖3𝑡−1 ) = (∗);
de E(𝜀𝑡 |𝑖3𝑡−1 , 𝑖3𝑡−2 , … ) = 0, vem E(𝜀𝑡 |𝑖3𝑡−1) = 0, logo (pela lei das expectativas iteradas),
E(𝜀𝑡 𝑖3𝑡−1 ) = E[E(𝜀𝑡 𝑖3𝑡−1|𝑖3𝑡−1 )] = E[𝑖3𝑡−1 ⏟
E(𝜀𝑡 |𝑖3𝑡−1 )] = E(0) = 0;
=0

(∗) = 𝜌E(𝑢𝑡−1 𝑖3𝑡−1 ) ≠ 0, porque 𝑖3𝑡−1 envolve 𝑢𝑡−1 :

𝑖3𝑡−1 = 𝛽0 + 𝛽1 𝜋𝑡−1 + 𝛽2 𝑑𝑒𝑠𝑡−1 + 𝛽3 𝑖3𝑡−2 + 𝑢𝑡−1 .
Conclusão: se 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝜀𝑡 , 0 < |𝜌| < 1, o termo de erro do modelo, 𝑢𝑡 , é correlacionado com a
variável explicativa 𝑖3𝑡−1 [COV(𝑢𝑡 , 𝑖3𝑡−1 ) ≠ 0, porque E(𝑢𝑡 𝑖3𝑡−1 ) ≠ 0]. Ou seja, não há, sequer,
exogeneidade contemporânea, logo o estimador OLS é inconsistente.

94
A afirmação implica que se usa o método OLS para estimar os parâmetros. Mas não é o caso: o método
é FGLS (quer na versão Cochrane-Orcutt, quer na versão Prais-Winsten)—que é diferente de OLS.
96
Modelo teórico
𝑔𝑝𝑟𝑖𝑐𝑒𝑡 = 𝛼0 + 𝛿0 𝑔𝑤𝑎𝑔𝑒𝑡 + 𝛿1 𝑔𝑤𝑎𝑔𝑒𝑡−1 + ⋯ + 𝛿12 𝑔𝑤𝑎𝑔𝑒𝑡−12 + 𝑢𝑡 ,
em que 𝑔𝑧𝑡 = log 𝑧𝑡 − log 𝑧𝑡−1 , para 𝑧 = 𝑝𝑟𝑖𝑐𝑒 e 𝑤𝑎𝑔𝑒.
Estimativa OLS
𝑔𝑝𝑟𝑖𝑐𝑒
̂ 𝑡 = −0,00093 + 0,119𝑔𝑤𝑎𝑔𝑒𝑡 + 0,097𝑔𝑤𝑎𝑔𝑒𝑡−1 + 0,040𝑔𝑤𝑎𝑔𝑒𝑡−2 + 0,038𝑔𝑤𝑎𝑔𝑒𝑡−3 +
(0,00057) (0,052) (0,039) … …

0,081𝑔𝑤𝑎𝑔𝑒𝑡−4 + 0,107𝑔𝑤𝑎𝑔𝑒𝑡−5 + 0,095𝑔𝑤𝑎𝑔𝑒𝑡−6 + 0,104𝑔𝑤𝑎𝑔𝑒𝑡−7 + 0,103𝑔𝑤𝑎𝑔𝑒𝑡−8 +

… … … … …

0,159𝑔𝑤𝑎𝑔𝑒𝑡−9 + 0,110𝑔𝑤𝑎𝑔𝑒𝑡−10 + 0,103𝑔𝑤𝑎𝑔𝑒𝑡−11 + 0,016𝑔𝑤𝑎𝑔𝑒𝑡−12 , 𝑇 = 273 𝑅 2 = 0,317.

… … (0,039) (0,052)

GRETL
Output
Modelo 1: Mínimos Quadrados (OLS), usando as observações 14-286 (n = 273)
Variável dependente: gprice
Coeficiente Erro Padrão rácio-t valor p
const −0,0009296 0,00056618 −1,642 0,1018
gwage 0,119045 0,0517726 2,299 0,0223 **
gwage_1 0,0972164 0,0390408 2,490 0,0134 **
gwage_2 0,0399497 0,0390716 1,022 0,3075
gwage_3 0,0382630 0,0391511 0,9773 0,3293
gwage_4 0,0813407 0,0393482 2,067 0,0397 **
gwage_5 0,106850 0,0391935 2,726 0,0068 ***
gwage_6 0,0949745 0,0392185 2,422 0,0161 **
gwage_7 0,103791 0,0393786 2,636 0,0089 ***
gwage_8 0,102566 0,0394882 2,597 0,0099 ***
gwage_9 0,158515 0,0393340 4,030 <0,0001 ***
gwage_10 0,110446 0,0392228 2,816 0,0052 ***
gwage_11 0,103318 0,0394387 2,620 0,0093 ***
gwage_12 0,0156561 0,0518344 0,3020 0,7629

𝒂)
Desfasamento em que o impacto é maior: 9. Um acréscimo não permanente de 𝑔𝑤𝑎𝑔𝑒 tem o maior
impacto em 𝑔𝑝𝑟𝑖𝑐𝑒 nove meses mais tarde.
… menor: 12. Passados doze meses, o efeito de um acréscimo não permanente de 𝑔𝑤𝑎𝑔𝑒 sobre 𝑔𝑝𝑟𝑖𝑐𝑒
parece esgotado (é praticamente nulo). Possivelmente, o modelo inclui um nº suficiente de
desfasamentos.
𝒃)
𝑗 = 2,3,12: valor-𝑝 > 0,30.
Os restantes desfasamentos são todos individualmente significativos a 5% (alternativa bilateral).
𝒄)
̂ = 𝛿̂0 + 𝛿̂1 + ⋯ + 𝛿̂12 = 1,172.
𝐿𝑅𝑃
O valor não é muito superior a 1 (a diferença pode dever-se a variabilidade amostral—aceitar-se-ia
𝐻0 : 𝐿𝑅𝑃 = 1?)
𝒅)
Reparametrização do modelo 𝐿𝑅𝑃 = 𝜆 = 𝛿0 + 𝛿1 + ⋯ + 𝛿12 ⇔ 𝛿0 = 𝜆 − (𝛿1 + ⋯ + 𝛿12 );
introduzindo esta expressão no modelo, vem o modelo reparametrizado,
𝑔𝑝𝑟𝑖𝑐𝑒𝑡 = 𝛼0 + 𝛿0 𝑔𝑤𝑎𝑔𝑒𝑡 + 𝛿1 𝑔𝑤𝑎𝑔𝑒𝑡−1 + ⋯ + 𝛿12 𝑔𝑤𝑎𝑔𝑒𝑡−12 + 𝑢𝑡 ⇔
𝑔𝑝𝑟𝑖𝑐𝑒𝑡 = 𝛼0 + [𝜆 − (𝛿1 + ⋯ + 𝛿12 )]𝑔𝑤𝑎𝑔𝑒𝑡 + 𝛿1 𝑔𝑤𝑎𝑔𝑒𝑡−1 + ⋯ + 𝛿12 𝑔𝑤𝑎𝑔𝑒𝑡−12 + 𝑢𝑡 ⇔
𝑔𝑝𝑟𝑖𝑐𝑒𝑡 = 𝛼0 + 𝜆𝑔𝑤𝑎𝑔𝑒𝑡 + 𝛿1 (𝑔𝑤𝑎𝑔𝑒𝑡−1 − 𝑔𝑤𝑎𝑔𝑒𝑡 ) + ⋯ + 𝛿12 (𝑔𝑤𝑎𝑔𝑒𝑡−12 − 𝑔𝑤𝑎𝑔𝑒𝑡 ) + 𝑢𝑡 .
Regressão de 𝑔𝑝𝑟𝑖𝑐𝑒𝑡 sobre constante, 𝑔𝑤𝑎𝑔𝑒𝑡 e as novas variáveis explicativas
𝑧𝑗 = (𝑔𝑤𝑎𝑔𝑒𝑡−𝑗 − 𝑔𝑤𝑎𝑔𝑒𝑡 ), 𝑗 = 1,2, … ,12.
O erro-padrão pretendido é o erro-padrão do coeficiente de 𝑔𝑤𝑎𝑔𝑒𝑡 .

GRETL
Output
Modelo 2: Mínimos Quadrados (OLS), usando as observações 14-286 (n = 273)
Variável dependente: gprice
Coeficiente Erro Padrão rácio-t valor p
const −0,0009296 0,00056618 −1,642 0,1018
gwage 1,17193 0,110732 10,58 <0,0001 ***
z1 0,0972164 0,0390408 2,490 0,0134 **
z2 0,0399497 0,0390716 1,022 0,3075
z3 0,0382630 0,0391511 0,9773 0,3293
z4 0,0813407 0,0393482 2,067 0,0397 **
z5 0,106850 0,0391935 2,726 0,0068 ***
z6 0,0949745 0,0392185 2,422 0,0161 **
z7 0,103791 0,0393786 2,636 0,0089 ***
z8 0,102566 0,0394882 2,597 0,0099 ***
z9 0,158515 0,0393340 4,030 <0,0001 ***
z10 0,110446 0,0392228 2,816 0,0052 ***
z11 0,103318 0,0394387 2,620 0,0093 ***
z12 0,0156561 0,0518344 0,3020 0,7629
 ̂ = 𝜆̂ = 1,17193. Agora obtém-se directamente o erro-padrão, se(𝜆̂) =
Como anteriormente, 𝐿𝑅𝑃
0,110732 (o que permite testar comodamente hipóteses a respeito de 𝐿𝑅𝑃).
𝒆)
Teste 𝑡 (assintótico) da hipótese 𝐻0 : 𝜌 = 0 𝐻1 : 𝜌 ≠ 0, a partir da regressão
𝑢̂𝑡 = 𝛼0 + 𝛼1 𝑔𝑤𝑎𝑔𝑒𝑡 + ⋯ + 𝛼12 𝑔𝑤𝑎𝑔𝑒𝑡−12 + 𝜌𝑢̂𝑡−1 + 𝑒𝑟𝑟𝑜.
Estatística de teste 𝑡 = 𝜌̂⁄se(𝜌̂) ~ 𝒩(0,1).
𝐻0

𝑡obs = 9,454 valor-𝑝 ≈ 0.

Rejeita-se claramente 𝐻0 : há forte evidência de que os erros do modelo são autocorrelacionados
(autocorrelação positiva: 𝜌̂ ≈ 0,512 > 0).

No GRETL (e outros 𝑠𝑜𝑓𝑡𝑤𝑎𝑟𝑒𝑠), para realizar testes de autocorrelação (ou outros procedimentos
específicos de dados temporais), é necessário identificar explicitamente a estrutura temporal dos
dados (neste caso, dados mensais)—caso contrário, o programa supõe que os dados são seccionais.
[Previamente: Dados→Informação do conjunto de dados.
De seguida:
Dados→Estrutura do Conjunto de Dados→Série temporal→Avançar→Mensal→Avançar→1964:01
→Avançar→Aplicar]
Teste de autocorrelação AR(𝟏)
[No painel de output OLS: Testes→Autocorrelação→Ordem de desfasamento para o teste: 1→OK]
Output
Teste de Breush-Godfrey para autocorrelação de primeira-ordem
Mínimos Quadrados (OLS), usando as observações 1965:02-1987:10 (T = 273)
Variável dependente: uhat
coeficiente erro padrão rácio-t valor p
-------------------------------------------------------------
const 6,04190e-05 0,000488926 0,1236 0,9017
gwage −0,0571955 0,0451118 −1,268 0,2060
gwage_1 −0,00665673 0,0337181 −0,1974 0,8437
gwage_2 −0,000207379 0,0337373 −0,006147 0,9951
gwage_3 0,00255645 0,0338071 0,07562 0,9398
gwage_4 0,00437170 0,0339793 0,1287 0,8977
gwage_5 0,00245478 0,0338436 0,07253 0,9422
gwage_6 −0,00116074 0,0338644 −0,03428 0,9727
gwage_7 −0,00364237 0,0340046 −0,1071 0,9148
gwage_8 0,00437119 0,0341002 0,1282 0,8981
gwage_9 0,00112870 0,0339641 0,03323 0,9735
gwage_10 4,37351e-05 0,0338679 0,001291 0,9990
gwage_11 0,00345372 0,0340563 0,1014 0,9193
gwage_12 0,0381369 0,0449391 0,8486 0,3969
uhat_1 0,511886 0,0541452 9,454 2,10e-018 ***
 R-quadrado não-ajustado = 0,257291
Estatística de teste: LMF = 89,376851,
com valor p = P(F(1,258) > 89,3769) = 2,1e-018
Estatística alternativa: TR^2 = 70,240375,
com valor p = P(Qui-quadrado(1) > 70,2404) = 5,25e-017
Ljung-Box Q' = 69,7315,
com valor p = P(Qui-quadrado(1) > 69,7315) = 6,8e-017
𝒇)
̂ = 𝛿̂0 + 𝛿̂1 + ⋯ + 𝛿̂12 = 1,10979 (soma das estimativas Cochrane-Orcutt).
𝐿𝑅𝑃

GRETL
[Modelo→Série temporal→Erros AR (GLS)→AR(1)→(seleccionar variáveis; Cochrane-Orcutt)→OK]
Output
Executando o cálculo iterado de rho...
ITER RHO ESS
1 0,50268 0,00155982
2 0,50854 0,00155975
3 0,50864 0,00155975
4 0,50864 0,00155975
Modelo 4: Cochrane-Orcutt, usando as observações 1965:03-1987:10 (T = 272)
Variável dependente: gprice
rho = 0,508644
Modelo 4: Cochrane-Orcutt, usando as observações 1965:03-1987:10 (T = 272)
Variável dependente: gprice
rho = 0,508644
Coeficiente Erro Padrão rácio-t valor p
const −0,0005979 0,00097679 −0,6122 0,5410
gwage 0,0791992 0,0415638 1,905 0,0578 *
gwage_1 0,0726122 0,0400088 1,815 0,0707 *
gwage_2 0,0238994 0,0410996 0,5815 0,5614
gwage_3 0,0334156 0,0410320 0,8144 0,4162
gwage_4 0,0801010 0,0410231 1,953 0,0520 *
gwage_5 0,113209 0,0410078 2,761 0,0062 ***
gwage_6 0,0971608 0,0412237 2,357 0,0192 **
gwage_7 0,101077 0,0414901 2,436 0,0155 **
gwage_8 0,106345 0,0415487 2,560 0,0111 **
gwage_9 0,160956 0,0416365 3,866 0,0001 ***
gwage_10 0,112104 0,0416415 2,692 0,0076 ***
gwage_11 0,0995378 0,0406006 2,452 0,0149 **
gwage_12 0,0301726 0,0415419 0,7263 0,4683

𝒈)
Estima-se o modelo de 𝒅) utilizando o método de Cochrane-Orcutt iterado.
̂ = 𝜆̂ = 1,10979 se(𝜆̂) = 0,190680
𝐿𝑅𝑃
𝐻0 : 𝐿𝑅𝑃 = 1 𝐻0 : 𝐿𝑅𝑃 ≠ 1 𝑡obs = (1,10979 − 1)⁄0,190680 ≈ 0,58 valor-𝑝 ≈ 0,562.
Aceita-se 𝐻0 . Pode afirmar-se que um acréscimo unitário (= 1 ponto percentual) permanente de
𝑔𝑤𝑎𝑔𝑒 conduz a um acréscimo de 1 ponto percentual de 𝑔𝑝𝑟𝑖𝑐𝑒 (atingido após doze meses).

GRETL
Output
Executando o cálculo iterado de rho...
ITER RHO ESS
1 0,50268 0,00155982
2 0,50854 0,00155975
3 0,50864 0,00155975
4 0,50864 0,00155975
Modelo 5: Cochrane-Orcutt, usando as observações 1965:03-1987:10 (T = 272)
Variável dependente: gprice
rho = 0,508644
Modelo 5: Cochrane-Orcutt, usando as observações 1965:03-1987:10 (T = 272)
Variável dependente: gprice
rho = 0,508644
Coeficiente Erro Padrão rácio-t valor p
const −0,0005979 0,00097679 −0,6122 0,5410
gwage 1,10979 0,190680 5,820 <0,0001 ***
z1 0,0726122 0,0400088 1,815 0,0707 *
z2 0,0238994 0,0410996 0,5815 0,5614
z3 0,0334156 0,0410320 0,8144 0,4162
z4 0,0801010 0,0410231 1,953 0,0520 *
z5 0,113209 0,0410078 2,761 0,0062 ***
z6 0,0971608 0,0412237 2,357 0,0192 **
z7 0,101077 0,0414901 2,436 0,0155 **
z8 0,106345 0,0415487 2,560 0,0111 **
z9 0,160956 0,0416365 3,866 0,0001 ***
z10 0,112104 0,0416415 2,692 0,0076 ***
z11 0,0995378 0,0406006 2,452 0,0149 **
z12 0,0301726 0,0415419 0,7263 0,4683

97
𝒂)
Este é o modelo estimado no ex. 𝟖𝟓𝒇). Após obtenção dos resíduos OLS, 𝑢̂𝑡 , corre-se a regressão de
𝑢̂𝑡 sobre os resíduos desfasados, 𝑢̂𝑡−1, cujo coeficiente estimado e erro-padrão vêm iguais,
respectivamente, a 𝜌̂ = 0,281, 𝑠𝑒(𝜌̂) = 0,094; donde, 𝑡obs ≈ 2,99 (valor-𝑝 = 0,0034): há evidência de
autocorrelação positiva dos erros.
Parece razoável admitir exogeneidade estrita das variáveis explicativas do modelo: quanto à
tendência temporal, 𝑑𝑢𝑚𝑚𝑖𝑒𝑠 sazonais e variável 𝑤𝑘𝑒𝑛𝑑𝑠 não há dúvidas a este respeito, já que estas
variáveis são determinadas pelo calendário (não são variáveis aleatórias, logo não são
correlacionadas com o erro). Também parece razoável admitir que alterações correntes não
explicadas em 𝑝𝑟𝑐𝑓𝑎𝑡 (isto é, alterações em 𝑢𝑡 ) não provocam alterações futuras na taxa de
desemprego (𝑢𝑛𝑒𝑚𝑡+1 , 𝑢𝑛𝑒𝑚𝑡+2 ,…). Também, no período em análise, as alterações ocorridas nas
variáveis 𝑠𝑝𝑑𝑙𝑎𝑤 e 𝑏𝑒𝑙𝑡𝑙𝑎𝑤 foram permanentes, logo, parece razoável admitir que estas variáveis são
estritamente exógenas (é de supor que não tenha havido qualquer correlação entre a entrada em
efeito das leis e quaisquer alterações futuras não explicadas em 𝑝𝑟𝑐𝑓𝑎𝑡).

GRETL
Output
Modelo 2: Mínimos Quadrados (OLS), usando as observações 1981:02-1989:12 (T = 107)
Variável dependente: uhat1
Coeficiente Erro Padrão rácio-t valor p
uhat1_1 0,281575 0,0938956 2,999 0,0034 ***

𝒃)
Estimação Prais-Winsten [comparar com ex. 𝟖𝟓𝒇)]:
̂ 𝑡 = 1,009 + ⋯ + 0,00062𝑤𝑘𝑒𝑛𝑑𝑠𝑡 − 0,0132𝑢𝑛𝑒𝑚𝑡 +
𝑝𝑟𝑐𝑓𝑎𝑡
(0,102) (0,00500) (0,0055)

0,0641𝑠𝑝𝑑𝑙𝑎𝑤𝑡 − 0,0248𝑏𝑒𝑙𝑡𝑙𝑎𝑤𝑡 , 𝑇 = 108, 𝑅 2 = 0,641.

(0,0268) (0,0301)

Não há alterações drásticas. Os coeficientes de ambas as variáveis de política tornam-se mais

próximos de zero e os erros-padrão são maiores do que os erros-padrão OLS (incorrectos – v. alínea
anterior). De modo que a conclusão é basicamente idêntica à anteriormente retirada [ex. 𝟖𝟓𝒇)]:
aparentemente, o aumento do limite de velocidade faz aumentar 𝑝𝑟𝑐𝑓𝑎𝑡, mas a lei do cinto-de-
segurança, embora se estime fazer decrescer 𝑝𝑟𝑐𝑓𝑎𝑡, não parece ter um efeito estatisticamente
significativo.

GRETL
Output
Executando o cálculo iterado de rho...
ITER RHO ESS
1 0,28157 0,277036
2 0,28837 0,277021
3 0,28869 0,277021
4 0,28870 0,277021
5 0,28870 0,277021
Modelo 3: Prais-Winsten, usando as observações 1981:01-1989:12 (T = 108)
Variável dependente: prcfat
rho = 0,288704
Coeficiente Erro Padrão rácio-t valor p
const 1,00872 0,101607 9,928 <0,0001 ***
time −0,0021487 0,00054786 −3,922 0,0002 ***
feb −0,0009092 0,0244211 −0,03723 0,9704
mar −0,0011625 0,0262734 −0,04425 0,9648
apr 0,0575507 0,0275861 2,086 0,0398 **
may 0,0718289 0,0278625 2,578 0,0115 **
jun 0,100724 0,0280584 3,590 0,0005 ***
jul 0,174769 0,0272886 6,404 <0,0001 ***
aug 0,191952 0,0275896 6,957 <0,0001 ***
sep 0,159907 0,0283165 5,647 <0,0001 ***
oct 0,100776 0,0277006 3,638 0,0005 ***
nov 0,0133060 0,0273035 0,4873 0,6272
dec 0,00854430 0,0245607 0,3479 0,7287
wkends 0,00061661 0,00500413 0,1232 0,9022
unem −0,0131807 0,00710648 −1,855 0,0669 *
spdlaw 0,0641360 0,0267953 2,394 0,0187 **
beltlaw −0,0248160 0,0301099 −0,8242 0,4120