Escolar Documentos
Profissional Documentos
Cultura Documentos
Estatı́stica
Curso Cecı́lia Menon
Regressão Linear (Parte 2/2)
Observações:
• O estimador de MV de σ 2 é viesado (porém é assintoticamente não viesado: o viés se
torna pequeno à medida que a amostra n aumenta).
• É possı́vel mostrar que, assumindo as hipóteses MQO1-MQO5, o estimador de MQO β̂
é o melhor estimador não viesado de β (best unbiased estimator – BUE ).
1
2 Multicolinearidade
A hipótese MQO2, ausência de multicolinearidade perfeita, é necessária para a obtenção do
estimador de MQO. Se ela não for satisfeita, a matriz X0 X não é inversı́vel e a equação normal
que define o estimador de MQO não possui solução.
A hipótese MQO2 consiste em que nenhum regressor possa ser obtido como combinação linear
dos outros. Porém, ela pode ser satisfeita e ainda assim ocorrer um problema de multicoli-
nearidade imperfeita (ou colinearidade imperfeita), em que algum ou alguns regressores são
altamente correlacionados com outros regressores.
2
Para lidar com o problema de multicolinearidade, existem várias possibilidades:
• Usar o modelo com variáveis independentes altamente correlacionadas apenas para pre-
visão, ou seja, não interpretar os coeficientes de regressão;
EXERCÍCIOS ANPEC
RESOLVER: Questão 9 – Exame 2015; Questão 11 – Exame 2012; Questão 6 – Exame 2006;
Questão 10 – Exame 2002.
3
3 Variáveis Instrumentais
3.1 Introdução
As hipóteses do modelo de MQO são:
MQO1: Linearidade.
MQO2: Rank(X) = K.
MQO3: E(ε | X) = 0.
MQO4: Ω = E(εε0 | X) = σ 2 I.
Vamos analisar o que ocorre quando a hipótese MQO3 não é satisfeita, isto é, quando
E(ε | X) 6= 0. Vamos assumir que valem as hipóteses MQO1 e MQO2. Quando E(ε | X) 6= 0,
dizemos que ocorre um problema de regressores endógenos (ou um problema de endogeneidade).
Portanto:
0 −1 −1
E β̂ | X = E β + (X X) X ε | X = β + (X0 X)
0
E(ε | X)
Como não é mais válido que E(ε | X) = 0, então se a hipótese MQO3 não for satisfeita, o
estimador de MQO será viesado.
Também é possı́vel mostrar que na ausência da hipótese MQO3, mesmo supondo a validade
das outras hipóteses MQO (adicionando MQO4 e MQO5 a MQO1 e a MQO2), que o estimador
de MQO será inconsistente e ineficiente.
Além disto, o estimador da variância do erro aleatório também será viesado e inconsistente.
Logo, a análise inferencial (testes de hipóteses, cálculo de intervalos de confiança) fica compro-
metida.
2. Variáveis omitidas;
5. Erros de mensuração.
4
3.2 Estimação com Variáveis Instrumentais
Suponha que temos L variáveis, representadas pela matriz Zn×L que satisfazem as seguintes
hipóteses:
Logo, um instrumento é uma variável aleatória correlacionada com o regressor X e não corre-
lacionada com o termo erro. É comum dizer que Z é um instrumento fraco se a sua correlação
com o regressor X for pequena.
y i = β 0 + β 1 xi + εi , com E(ε | x) 6= 0 .
Suponha que exista um instrumento z para x, ou seja, vale que Cov(z, x) 6= 0 e Cov(z, ε) = 0.
O estimador de VI de β1 , denotado por β̂1VI , é:
Pn
(zi − z̄)(yi − ȳ) Cov(z,
d y)
β̂1VI = Pni=1 =
i=1 (zi − z̄)(xi − x̄) Cov(z,
d x)
• O estimador VI é consistente;
Logo, apesar de não ser possı́vel garantir que β̂VI é não tendencioso, é possı́vel garantir (sob
certas condições) que ele é consistente.
Uma vez obtido o estimador VI, podemos utilizá-lo para testes de hipóteses? Evidentemente,
o ideal é conseguir mostrar que a distribuição assintótica deste estimador é, assim como a do
estimador de MQO, normal.
5
Assumindo MQO4, o estimador natural de σ 2 é σ 2
bVI = e0VI eVI /n, em que eVI denota o vetor de
2
resı́duos da estimação por VI. Podemos mostrar que dadas certas hipóteses, σ
bVI é um estimador
2
consistente de σ .
No caso em que o número de instrumentos for menor do que o de regressores (L < K), temos
um modelo subindentificado e se torna difı́cil contornar o problema de endogeneidade dos
regressores (note que estamos assumindo que todos os regressores são correlacionados com o
termo erro; se não for o caso, precisamos apenas de pelo menos um instrumento para cada
regressor correlacionado com o erro).
No caso em que o número de instrumentos for maior do que o de regressores (L > K), temos
um modelo superidentificado. Neste caso, podemos lidar com o problema de endogeneidade
dos regressores. Porém temos que lidar com o excesso de instrumentos de alguma forma.
Uma outra solução, a comumente utilizada, consiste em projetar X no espaço gerado pelas
variáveis em Z, obtendo novos instrumentos X. b Neste caso, usamos todos os intrumentos, ou
seja, toda a informação disponı́vel, o que implica uma solução eficiente.
X = Zθ + u,
6
O valor previsto de X é:
b = Z θ̂ = Z (Z0 Z)−1 Z0 X
X
Agora estimamos a seguinte equação de regressão:
y = Xγ
b +ν,
Como este procedimento envolve duas regressões MQO, o estimador VI obtido desta forma é
chamado estimador de Mı́nimos Quadrados em Dois Estágios (MQ2E ).
• Consistente;
• Usualmente viesado.
Neste caso, deverı́amos então usar MQO e não VI/MQ2E. Logo, precisamos testar a exogenei-
dade de X. O teste de Hausman verifica a exogeneidade de X. Note que se X for exógeno, β̂
e β̂VI são ambos consistentes, mas se X não for exógeno, então apenas β̂VI será consistente.
7
O procedimento do teste de Hausmann consiste em:
Se o resultado for:
EXERCÍCIOS ANPEC
8
4 Mı́nimos Quadrados Generalizados (MQG)
4.1 Introdução
A Hipótese MQO4 diz que a matriz condicional de segundo momento, de dimensão n × n,
Var(ε | X) = E(εε0 | X) é esférica, isto é, proporcional à matriz identidade (igual a σ 2 I, em que
I denota a matriz identidade).
Vamos agora analisar o que ocorre quando a hipótese MQO4 não for válida. Primeiro observe
que se as hipóteses MQO1-MQO3 forem válidas, então o estimador de MQO é:
• Não viesado;
• Consistente;
• Assintoticamente normal.
Portanto, se MQO1-MQO3 forem válidos, mesmo que MQO4 (e MQO5) não seja válido, os
estimadores de MQO são não viesados. O mesmo vale para a propriedade de consistência: a
não validade de MQO4 não implica que os estimadores de MQO não serão consistentes ou que
não serão assintoticamente normais.
Se a hipótese MQO4 não for válida, podemos ter dois tipos de problemas:
• Heterocedasticidade: as variâncias dos termos de erro não são todas iguais (valores da
diagonal de E(εε0 | X) distintos).
• Autocorrelação dos erros: correlação não nula entre erros associados a observações dis-
tintas (valores fora da diagonal de E(εε0 | X) diferentes de zero).
Ao estimarmos uma regressão por MQO quando nossos dados possuem distúrbios não-esféricos,
estamos ignorando informação relevante. Em particular, estamos supondo que nosso estimador
possui variância σ 2 (X0 X)−1 quando na verdade sua variância é σ 2 (X0 X)−1 X0 Ω X (X0 X)−1 .
Por não usar toda a informação relevante, o estimador MQO não será eficiente, ou seja, o
Teorema de Gauss-Markov não será mais válido. Além disso, a razão t não é distribuı́da como
uma t de Student. O mesmo se aplica ao teste F .
9
Como Λ é uma matriz diagonal com √ todos os elementos da sua diagonal positivos, a matriz
diagonal Λ definida por (Λ )ii = λii , é tal que Λ = Λ1/2 Λ1/2 . Além disso, como
1/2 1/2
√ Λ é
1/2
−1/2 −1/2
também uma matriz diagonal, possui inversa diagonal Λ , em que (Λ )ii = 1/ λii .
Portanto, Ω−1 = CΛ−1/2 Λ−1/2 C0 , já que C é matriz ortogonal. Definindo P0 = CΛ−1/2 ,
obtemos:
−1
Ω−1 = P0 P e Ω = P−1 P0 .
y = Xβ + ε
como:
Py = PXβ + Pε .
ỹ = X̃β + ε̃ (1)
O estimador de MQO aplicado ao modelo transformado (1) resulta no método dos mı́nimos
quadrados generalizado (MQG) e é, portanto, denotado por β̂MQG :
= σ2 I .
Ou seja, a regressão modificada possui distúrbios esféricos! Assumindo que o modelo original
satisfaz MQO1-MQO3, então a regressão modificada (1) satisfaz as hipóteses MQO1-MQO4
do modelo clássico de regressão linear e podemos estimá-la por MQO. O Teorema de Gauss-
Markov é válido para o método MQG e garante então que o estimador de MQG será BLUE.
Var(β̂MQG | X) = (X0 Ω−1 X)−1 (X0 Ω−1 ) Var(y | X) (Ω−1 X)(X0 Ω−1 X)−1
= (X0 Ω−1 X)−1 (X0 Ω−1 ) σ 2 Ω (Ω−1 X)(X0 Ω−1 X)−1
10
Aplicando os resultados deduzidos anteriormente para MQO ao estimador MQG, temos que o
estimador MQG:
• é não-viesado;
• é consistente;
• é eficiente (é BLUE), no sentido de que qualquer outro estimador linear não viesado de
β possui variância “maior ou igual” do que Var(β̂MQG | X);
• possui variância:
−1 −1
0
Var β̂MQG | X = σ 2
X̃ X̃ = σ 2 X0 Ω−1 X
Observe que para estimarmos β usando o método de MQG, precisamos conhecer Ω. Se o valor
Ω for conhecido, então existe um estimador BLUE para o modelo de regressão generalizado.
Na prática, em muitos casos não teremos conhecimento dos parâmetros de Ω e será, portanto,
necessário estimá-los.
Para que seja possı́vel estimarmos Ω, é preciso reduzir o número de parâmetros a serem esti-
mados. Uma alternativa é impor uma determinada estrutura na matriz Ω a ser estimada.
Vimos que temos casos em que nossos dados terão heteroscedasticidade. Em outros, teremos
correlação serial. Então:
• Se o único problema for correlação serial dos erros, o número de parâmetros de Ω a serem
estimados cai de n (n + 1) /2 para n (n − 1) /2.
A redução acima não é suficiente: o método de MQG continua sendo não factı́vel. Precisamos
colocar mais estrutura ou encontrar uma saı́da inteligente para o problema.
11
4.2 Mı́nimos Quadrados Ponderados
Considere que nossos dados só sofram de problemas de heteroscedasticidade. Neste caso, temos:
2
σ1 0 · · · 0
..
0 σ22 .
Σ = σ2 Ω = . .
. .
. . 0
0 · · · 0 σn2
Portanto:
1/σ12 ···
0 0
..
0 1/σ22 .
Ω−1 =
.. ...
. 0
0 ··· 0 1/σn2
12
4.3 Correlação Serial e MQGF
É comum supor que o problema de correlação serial tome a seguinte forma:
ρ2 · · · ρn−1
1 ρ
ρ 1 ρ · · · ρn−2
..
Σ = σ 2 Ω = σ 2 ρ2 ρ 1 .
. . ...
.. ..
ρ
n−1 n−2
ρ ρ ··· ρ 1
Neste caso,
P só precisamos estimar um parâmetro de Ω: o parâmetro de correlação ρ. Podemos
usar ρ̂ = ni=1 ei ei−1 /s2 para estimar ρ. Como o estimador de MQG passa a ser factı́vel de ser
calculado, este método é chamado mı́nimos quadrados generalizado factı́vel (MQGF).
O teste de White utiliza estes dois fatos para produzir uma estatı́stica teste que permite verificar
a presença ou não de heterocedasticidade. O teste de White é dado por:
H0 : σi2 = σ 2 , ∀i
H1 : H0 é falsa.
13
O teste de Breusch-Pagan testa a hipótese σi2 = f (α0 + α0 zi ), onde zi é um vetor de variáveis
independentes. O modelo de regressão linear será homoscedástico se α = 0.
H0 : α = 0
H1 : α 6= 0
EXERCÍCIOS ANPEC
RESOLVER: Questão 5 – Exame 2017; Questão 10 – Exame 2016; Questão 12 – Exame 2013;
Questão 13 – Exame 2010; Questão 8 – Exame 2007; Questão 11 – Exame 2004; Questão 9 –
Exame 2002.
14
5 Variáveis Omitidas e Outros Tópicos
5.1 Variáveis Omitidas
Vamos “particionar” o conjunto X de K regressores em dois, X1 , com 0 < p < K variáveis (ou
seja, dimensão n × p) e X2 , com 0 < K − p < K variáveis (ou seja, dimensão n × (K − p)).
Então podemos escrever o modelo de regressão como:
y = Xβ + ε = X1 β1 + X2 β2 + ε ,
em que β = [β1 β2 ]0 .
A solução acima para β̂1 da regressão particionada mostra que β̂1 é igual ao conjunto de
coeficientes obtidos da regressão de y em X1 , menos um vetor de correção (evidentemente,
vale o análogo para β̂2 ).
Portanto, para que o viés esteja presente, duas condições devem ser satisfeitas:
Vamos simplificar e considerar que o modelo verdadeiro contém apenas dois regressores distintos
do termo constante:
yi = β0 + β1 x1i + β2 x2i + εi .
Suponha também que o modelo verdadeiro satisfaça as hipóteses do modelo MQO.
yi = β0 + β1 x1i + εi
15
Substituindo para yi (usando o modelo verdadeiro), obtemos:
Pn Pn Pn
i=1 (x1i − P
x̄1 )(β0 + β1 x1i + β2 x2i + εi ) i=1 (x1i − x̄1 )x2i (x1i − x̄1 )εi
β̂1 = n 2
= β1 + β2 Pn 2
+ Pi=1
n 2
i=1 (x1i − x̄1 ) i=1 (x1i − x̄1 ) i=1 (x1i − x̄1 )
Mais ainda, é possı́vel mostrar também que o estimador de MQO β̂1 não será consistente
(novamente, se β2 = 0 ou se os regressores forem não correlacionados, então pode-se mostrar
que o estimador de MQO obtido da regressão com a omissão da variável X2 será consistente).
y = X 1 β1 + ε ,
y = X 1 β1 + X 2 β2 + ε ,
• E(ε | X1 , X2 ) = 0, e
• E(εε0 | X1 , X2 ) = σ 2 I.
Vamos denotar por β̂1 o estimador de MQO para o modelo verdadeiro e por β̃1 e β̃2 os
estimadores de MQO para o modelo mal especificado. Evidentemente, para uma dada amostra,
as estimativas obtidas para β̂1 e β̃1 não serão iguais.
• A variância de β̂1 será menor ou igual à variância de β̃1 (elas podem ser iguais se X1 e
X2 forem ortogonais).
Portanto, a inclusão de variáveis explicativas irrelevantes não torna o estimador de MQO dos
regressores relevantes viesados. Porém, ele pode deixar de ser BLUE no caso em que as variáveis
relevantes forem correlacionadas com as variáveis irrelevantes.
16
5.3 Erros de Mensuração
Suponha a seguinte regressão linear simples:
y i = β 1 + β 2 xi + εi .
Assuma que xi é medido com erro, ou seja, x∗i = xi + ui , com E(ui | X) = 0, E(ui εi | X) = 0 e
E(u2i | X) = σu2 .
Portanto, estamos supondo que o erro de mensuração ui tem valor esperado zero, quando
condicionado em X e que a sua variância condicional não depende da observação i. Além disto,
estamos supondo que o erro de mensuração não é correlacionado com o erro εi da regressão.
yt = β1 + β2 xi + νi ,
Podemos generalizar este resultado para o caso de uma regressão múltipla. Se determinado
regressor for medido com erro (que satisfaz as propriedades acima), então temos um problema
de endogeneidade e o estimador de MQO para este regressor será viesado e inconsistente.
Vamos assumir que yi é binária e toma apenas os valores 0 e 1. O modelo de regressão linear
é dado por:
yi = x0i β + εi , i = 1, 2, . . . , n .
Neste caso, os estimadores de MQO dos parâmetros β não podem ser interpretados do modo
usual. Observe que:
e, portanto,
p(yi = 1 | xi ) = E(yi | xi ) = x0i β
Este modelo é chamado modelo de probabilidade linear (MPL). Evidentemente, podemos obter
probabilidades negativas ou maiores do que um, o que é sem sentido. Mais ainda, como:
vemos que εi só pode tomar dois valores, ou −x0i β ou (1 − x0i β), já que yi é igual a 0 ou a 1.
Portanto, a variância de εi passa a depender de xi , o que torna o modelo heterocedástico e o
Teorema de Gauss-Markov inválido. Logo, os estimadores de MQO não serão eficientes.
17
Como E(εi | xi ) = 0, então Var(εi | xi ) = E(ε2i | xi ). Usando o fato de que p(yi = 1 | xi ) = x0i β,
obtemos:
o que mostra que o termo erro não apenas é heterocedástico, mas pode ter variância negativa,
já que x0i β não necessariamente está entre zero e um.
EXERCÍCIOS ANPEC
RESOLVER: Questão 12 – Exame 2018; Questão 12 – Exame 2011; Questão 8 – Exame 2010;
Questão 9 – Exame 2010; Questão 14 – Exame 2010; Questão 7 – Exame 2008; Questão 10 –
Exame 2005; Questão 14 – Exame 2005; Questão 9 – Exame 2001.
18
6 Equações Simultâneas
6.1 Ideia
Os modelos que analisamos até agora contêm apenas uma variável dependente, o que se reflete
em apenas uma equação. O método de MQO estima o valor médio desta variável dependente,
condicionado aos valores das variáveis independentes.
Porém, em algumas situações, temos que estimar modelos que englobam várias equações simul-
taneamente. Nestas equações, as variáveis dependentes (neste caso, usualmente denominadas
variáveis endógenas, pois são determinadas pelo modelo) podem se misturar às variáveis inde-
pendentes (no caso, variáveis exógenas, determinadas fora do modelo).
O conjunto de variáveis que podem ser determinadas simultaneamente por outras variáveis
é descrito por um modelo de equações simultâneas, em que existe uma equação para cada
variável dependente. Para estimarmos os parâmetros de uma equação, temos que levar em
conta a informação proporcionada também pelas outras equações do modelo.
O modelo estabelecido pela teoria é chamado modelo estrutural e cada equação é chamada
equação estrutural. O exemplo abaixo de oferta e demanda constitui o exemplo clássico de
equações simultâneas. As questões da ANPEC sobre este tema quase sempre se referem a este
modelo. Cada equação do modelo estrutural descreve parâmetros estruturais do modelo.
Exemplo: Modelo de Oferta e Demanda. Uma versão do modelo de oferta e demanda é:
Demanda: qtd = α1 + α2 pt + e1t , α2 < 0 ,
Oferta: qts = β1 + β2 pt + e2t , β2 > 0 ,
em que a condição de equilı́brio é qtd = qts . Suponha que de fato as inclinações das duas curvas
são as previstas. Se e1t for positivo (negativo), a curva de demanda se desloca para cima
(baixo). Porém, um deslocamento da curva de demanda leva a alterações tanto na quantidade
e no preço de equilı́brios. Ou seja, as variáveis e1t e pt não são independentes.
Da condição de equilı́brio qtd = qts , obtemos:
α1 + α2 pt + e1t = β1 + β2 pt + e2t
Resolvendo para o preço, encontramos que:
pt = θ1 + ν1t ,
em que θ1 = (β1 − α1 )/(α2 − β2 ) e ν1t = (e2t − e1t )/(α2 − β2 ). Logo:
Cov(pt , e1t ) = Cov(θ1 + θ2 (e2t − e1t ), e1t ) = −θ2 Var(e1t ) 6= 0 .
19
6.2 Condições de Ordem e de Posto
No modelo reduzido, cada equação que o compõe, denominada equação reduzida, expressa uma
variável endógena em termos das variáveis exógenas e dos erros. Observe que os parâmetros
das equações reduzidas são determinados pelos parâmetros das equações estruturais.
Podemos estimar os parâmetros das equações reduzidas pelo método de MQO para então recu-
perar os parâmetros estruturais. Esta metodologia é chamada método dos mı́nimos quadrados
indiretos (MQI ). É possı́vel mostrar que o método de MQO aplicado às equações reduzidas,
sob as hipóteses usuais, gera estimadores não viesados e consistentes dos parâmetros reduzidos.
Porém temos um problema de identificação: pode não ser possı́vel recuperar os parâmetros es-
truturais dos parâmetros do modelo reduzido. No exemplo acima, temos apenas dois parâmetros
reduzidos e quatro parâmetros estruturais. Neste caso, dizemos que as equações estruturais
são subidentificadas e os parâmetros destas equações não são identificados.
Denote por:
Portanto, se:
Se a equação analisada for exatamente identificada, então os seus parâmetros estruturais podem
ser recuperados via MQI, ou seja, pela estimação dos parâmetros da forma reduzida. Se a
equação analisada for superidentificada, então o método de MQI gera resultados inconsistentes.
Neste caso, o método de mı́nimos quadrados em dois estágios é aconselhado.
A condição de ordem acima é necessária para a identificação, mas não é suficiente. Para o caso
de duas equações apenas, pode-se mostrar que uma equação será identificada se, e somente se,
a outra equação contiver pelo menos uma variável exógena com coeficiente diferente de zero
que não esteja na primeira equação.
20
Exemplo: Demanda e Oferta. No exemplo acima de demanda e oferta, temos duas variáveis
endógenas, quantidade q e preço p (M = 2). Nas duas equações, temos que o número de
variáveis endógenas é m = 2 e que o número de variáveis exógenas é 0.
Vamos resolver a questão 12 do exame de 2009 da ANPEC para mostrar como as condições de
posto e de ordem são verificadas.
Exemplo: Solução da questão 12, exame 2009. Considere o seguinte modelo de equações
simultâneas:
em que y1t , y2t , y3t , x1t e x2t são variáveis aleatórias, φ4 6= φ3 e u = (u1t , u2t , u3t )0 é um vetor
de variáveis aleatórias independentes e normalmente distribuı́das tal que
2
u1t 0 σ1 0 0
u2t ∼ N ID 0 , 0 σ22 0 , para todo t
u3t 0 0 0 σ32
Equação 1: K − k = 2 − 1 = 1 = 2 − 1 = m − 1 ,
Equação 2: K − k = 2 − 1 = 1 = 2 − 1 = m − 1 ,
Equação 3: K − k = 2 − 2 = 0 < 1 = 2 − 1 = m − 1 ,
1 A Equação 2 será identificada se γ31 = 0.
S: Falso. A equação 2 não é identificada se γ31 = 0. Vamos verificar a condição de posto
para a equação 2 do sistema acima. Como a condição de posto é necessária e suficiente
21
para a identificação, isso permitirá responder o item. O sistema de equações simultâneas
escrito na forma matricial é dado por:
y1t
1 −φ2 0 −γ11 0 y2t
u1t
0 1 −φ3 0 −γ22 × y 3t
= u2t
0 1 −φ4 −γ31 −γ32 x1t u3t
x2t
Para verificarmos a condição de posto para a segunda equação, note primeiro que nem
y1t nem x1t aparecem nesta equação. Obtemos então a seguinte matriz:
1 −γ11
0 −γ31
que possui determinante igual a −γ31 . Logo, se γ31 for zero, a segunda equação não será
identificada.
2 A Equação 1 satisfaz a condição de posto se γ22 6= 0.
S: Falso. Para verificarmos a condição de posto para a equação 1, note primeiro que nem
y3t nem x2t aparecem nesta equação. Logo, obtemos a seguinte matriz:
−φ3 −γ22
−φ4 −γ32
O determinante desta matriz é φ3 γ32 − φ4 γ22 , que deve ser diferente de zero para que a
equação 1 seja identificada. Logo, sabermos apenas que γ22 6= 0 não é suficiente para
garantirmos que a equação 1 seja identificada.
3 Se φ3 γ32 − φ4 γ22 6= 0, os parâmetros da Equação 1 podem ser estimados por mı́nimos
quadrados em dois estágios, com x2t sendo a variável instrumental para y2t .
S: Verdadeiro. No item
2 acima, vimos que a condição de posto para a equação 1 é
satisfeita se φ3 γ32 − φ4 γ22 for diferente de zero. Neste caso, a equação 1 será identificada.
A variável que serve de intrumento para a variável endógena y2t incluı́da nesta equação
é exatamente a variável exógena que não está incluı́da na equação 1, ou seja, x2t .
4 A Equação 3 pode ser estimada por mı́nimos quadrados ordinários.
S: Verdadeiro (item anulado pela ANPEC ). A Equação 3 pode ser estimada por MQO,
porém os estimadores serão viesados e inconsistentes.
EXERCÍCIOS ANPEC
RESOLVER: Questão 13 – Exame 2014; Questão 14 – Exame 2013; Questão 2 – Exame 2011;
Questão 15 – Exame 2010; Questão 12 – Exame 2009; Questão 12 – Exame 2007; Questão 7 –
Exame 2006; Questão 8 – Exame 2005; Questão 7 – Exame 2004 ; Questão 8 – Exame 2003;
Questão 11 – Exame 2002; Questão 8 – Exame 2001; Questão 14 – Exame 1998.
22