Você está na página 1de 4

ECO021GV – ECONOMETRIA II

Exercícios Teóricos e Aplicados


Data da entrega: Dia da primeira prova

Prof. Thiago Costa Soares1

1. Assinale verdadeiro (V) ou falso (F). Justifique as falsas.

a) ( ) Os estimadores de MQO são viesados na presença de


multicolinearidade.

b) ( ) Quanto maior o nível de tolerância (TOL), maior a evidência de


multicolinearidade.

c) ( ) É um indício de multicolinearidade quando o R² de uma regressão


auxiliar for maior que o R² de uma regressão principal.

d) ( ) Devemos excluir uma variável que apresenta FIV superior a 10.

e) ( ) Heterocedasticidade ocorre quando o erro aleatório é


correlacionado com alguma variável explicativa.

f) ( ) Na presença de heterocedasticidade, os estimadores de MQO são


ineficientes e inconsistentes.

g) ( ) Se o erro for heterocedástico, a variância do modelo será viesada.

h) ( ) A omissão de um regressor com grande dispersão pode causar


heterocedasticidade.

i) ( ) Os estimadores de MQO são ineficientes se os erros forem


correlacionados.

j) ( ) Um d de Durbin-Watson significativo indica autocorrelação de


primeira ordem.

1
Professor do Departamento de Economia da Universidade Federal de Juiz de Fora, campus avançado de
Governador Valadares, Governador Valadares, Minas Gerais. E-mail: thiago.costa@ufjf.edu.br.
k) ( )A transformação da primeira diferença elimina a autocorrelação
apenas quando ρ é igual a |1|.
2. Explique detalhadamente as questões abaixo sobre “(i) multicolinearidade, (ii)
heterocedasticidade e (iii) autocorrelação:

a. Definição
b. Causas
c. Consequências sobre os estimadores de MQO
d. Medidas corretivas

3. Buscando determinar o consumo médio de combustível dos veículos


(km/litros), a partir da velocidade final (km/horas), da potência do motor em
unidade de potência (pot) e do peso dos veículos em quilogramas (kg), os
pesquisadores estimaram o seguinte modelo:

Source SS df MS Number of obs = 81


F( 3, 77) = 193.45
Model 1259.74387 3 419.914624 Prob > F = 0.0000
Residual 167.138707 77 2.17063255 R-squared = 0.8829
Adj R-squared = 0.8783
Total 1426.88258 80 17.8360322 Root MSE = 1.4733

kml Coef. Std. Err. t P>|t| [95% Conf. Interval]

kmh -.3338207 .0611933 -5.46 0.000 -.4556722 -.2119692


pot .1639821 .0320232 5.12 0.000 .1002157 .2277485
peso -.0177639 .0017315 -10.26 0.000 -.0212117 -.0143161
_cons 79.78309 9.46209 8.43 0.000 60.94166 98.62451

a) Escreva a equação estimada. Analise o modelo (teste F, t, R², R² ajustado, sinais


dos parâmetros e coeficientes). Há indícios de problemas neste modelo?

b) Analise a matriz correlações simples, FIV e a regressão auxiliar. Quais as


conclusões?

. corr kml kmh pot peso


(obs=81) Correlação simples Fator de Inflação Variância
. vif
kml kmh pot peso
Variable VIF 1/VIF
kml 1.0000 pot 123.29 0.008111
kmh -0.6908 1.0000 kmh 70.44 0.014196
pot -0.7945 0.9668 1.0000 peso 14.92 0.067037
peso -0.9130 0.6788 0.8318 1.0000
Mean VIF 69.55

Regressão auxiliar
Source SS df MS Number of obs = 81
F( 2, 78) = 2708.20
Model 40252.585 2 20126.2925 Prob > F = 0.0000
Residual 579.666578 78 7.43162279 R-squared = 0.9858
Adj R-squared = 0.9854
Total 40832.2516 80 510.403144 Root MSE = 2.7261

kmh Coef. Std. Err. t P>|t| [95% Conf. Interval]

pot .5163777 .0096144 53.71 0.000 .4972368 .5355186


peso -.0250282 .0014945 -16.75 0.000 -.0280035 -.0220529
_cons 154.1729 1.33964 115.09 0.000 151.5059 156.8399

c) Por que o problema identificado neste exercício deve ser corrigido com
cautela? Quais as possíveis correções descritas na literatura e quais as
consequências danosas dessas mesmas correções?

5. Foram realizados os testes BP e White para heterocedasticidade no mesmo


modelo. O que podemos concluir?

Teste de Breusch-Pagan Teste de White

chi2(1) = 29.40 statistic : 37.65615


Prob > chi2 = 0.0000 P-value = 2.0e-05

6. O modelo estimado abaixo é uma série de tempo do período 1959-1998, em que


(Y) é a variável dependente e (X) é a variável independente.

Source SS df MS Number of obs = 40


F( 1, 38) = 876.55
Model 6274.75662 1 6274.75662 Prob > F = 0.0000
Residual 272.021913 38 7.1584714 R-squared = 0.9584
Adj R-squared = 0.9574
Total 6546.77854 39 167.866116 Root MSE = 2.6755

y Coef. Std. Err. t P>|t| [95% Conf. Interval]

x .7136594 .0241048 29.61 0.000 .6648619 .7624569


_cons 29.51926 1.942346 15.20 0.000 25.58718 33.45133

a) Analise o modelo.
b) Analise o gráfico de u t apresentado abaixo:
4
2
0
Residuals

-2
-4
-6

1960 1970 1980 1990 2000


Ano
O que se pode dizer sobre o modelo com base na análise gráfica dos resíduos?

7. Sejam  ût ût 1  18,4 e û t
2
 58,79 . Os limites inferiores e superiores da
distribuição 𝑑 de DW são: d L  1,37 e dU  1,55 . Construa a representação gráfica
do teste e analise os resultados.
8. Ao estimar o resíduo de um modelo para dados temporais, obteve-se a
seguinte sequência:

(- - - -) (+ + + + + +) (- -) (+ + + + +) (- - - - - -) (+) (- - -) (+ + +) (-) (+ + + +) (- - - - -) (+ +)

Utilizando o valor crítico de 1,96, qual a avaliação que se faz sobre a covariância
dos erros dessa regressão?

9. Mostre que, se o resíduo da regressão é definido por um esquema


autorregressivo de 1ª ordem com coeficiente de autocorrelação  , a correlação
entre os resíduos u t e u t 5 é dada por:

corr (ut , ut 5 )   5