EAE0325 ECONOMETRIA II

Lista de Revisão
Monitor: M. Thiago Graciani

Sugestão: Para um aproveitamento eficiente dos exercícios, tente resolvê-los sem consulta inicialmente, esco-
lhendo “Verdadeiro” ou “Falso” somente se você tiver uma razão embasando sua resposta. Depois de preencher
o possível, revisite todas as questões, mas agora com consulta (corrigindo e aprimorando suas “justificativas” e
resolvendo os pontos em branco). Se restarem dúvidas, envie um e-mail.

[ Parte I : MODELOS PROBIT E LOGIT ]

Exercício 1 Suponha que, em certa pesquisa um entrevistador registrava como variável

y a resposta para “Seu último destino de viagem aérea foi nacional ou internacional?”.
Consultando o dicionário do banco de dados, esta variável é codificada tal qual y = 1 se o
voo foi nacional, y = 2 caso internacional e y = 99 quando o entrevistado nunca viajou de
avião. Alguém afirma: “Não é possível modelar a probabilidade de uma pessoa já ter ou não
viajado de avião porque na base de dados y assume três valores”. Esta pessoa está enganada.

Exercício 2 No “universo” dos modelos de variável dependente binária, o LPM pode

produzir previsões absurdas. Ainda, o LPM é naturalmente heterocedástico. Não é possível
corrigir qualquer um destes problemas.

Exercício 3 Suponha que, para dada população, seja verdade que Pr(yi = 1|xi ) = Φ(xTi β).
Estimar um modelo Logit, neste caso, usando o método de máxima verossimilhança, produz
estimadores consistentes, mas viesados.

Exercício 4 Modelos Probit e Logit podem ter seus coeficientes testados pelos testes de
Wald, LM e LR. As respectivas três estatísticas de teste têm a mesma distribuição assintótica,
mas, sob amostras finitas, podem apresentar valores distintos. Estas estatísticas não podem
ser empregadas para testes de exclusão individual, entretanto.

.
Exercício 5 Considere um modelo Logit e escreva p(x) = Pr(y = 1|x). Então (sob as con-
dições necessárias para diferenciabilidade), vale a propriedade abaixo. Contudo, ela não
poderia ser sustentada fosse o modelo um Probit.

∂p(x) ∂p(x) −1 βi
 
=
∂xi ∂xj βj

1
 [ Parte II : MODELO TOBIT ]

Exercício 1 Suponha que um entrevistador parado na frente da FEA perguntava (antes da

pandemia) para as pessoas que ali passavam “Há quantos meses você estuda na USP?”. A
cada resposta, ele anotava um número. Para modelar estas respostas como variável depen-
dente, o modelo Tobit não seria uma saída adequada porque alguns dos entrevistados, não
sendo estudantes da USP, responderam “zero”.

Exercício 2 Suponha que y seja uma variável dependente do tipo corner solution, apresen-
tando um “acúmulo de massa” no ponto y = 3. A estimação de um modelo linear para
explicar y, mesmo sob as hipóteses MLR.1–4, produziria estimadores inconsistentes.

Exercício 3 Considere o modelo: y∗i = β0 + β1 xi1 + β2 xi2 + εi , ε|x1 , x2 ∼ Normal(0, σ2 ) e

yi = max(0, y∗i ). Se x2 não for observável e se estimar o modelo Tobit usando apenas uma
amostra de (yi , xi1 )ni=1 , os estimadores obtidos seriam viesados e inconsistentes.

Exercício 4 A estimação de um modelo Tobit (num cenário adequado) produz estimadores

que permitem discutir efeitos marginais dos regressores sobre E(y|x), mas não sobre Pr(y >
0|x).

Exercício 5 Em modelos Tobit, não há medida de ajuste comparável com o R2 dos modelos
lineares estimados por OLS. É recomendado empregar o pseudo-R2 de McFadden.

[ Parte III : MODELO DE SELEÇÃO DE HECKMAN ]

Exercício 1 Suponha que você tenha sido contratado por uma universidade para estudar os
fatores que determinam a decisão de alunos aprovados no vestibular de ingressar ou não na
tal universidade. Você tem acesso a uma grande base com informações dos alunos admitidos
no ano passado: se ele escolheu se matricular, performance no ensino médio, renda familiar,
raça, sexo e uma sequência de variáveis sociodemográficas. Alguém afirma: “Uma análise
destes dados levaria a resultados viesados porque não se trata de uma amostra aleatória
de todos os estudantes inscritos no vestibular da universidade, mas só daqueles que foram
aprovados pelo exame”. Esta pessoa está enganada.

Exercício 2 Suponha que yi = xTi β + εi e seja si o indicador de seleção de i (isto é, si é uma

variável dummy indicando se se observam todas as variáveis do modelo populacional para
um indivíduo i). Se E(si εi |xi ) = 0, os estimadores de OLS para o modelo populacional são
viesados, mas consistentes.

Exercício 3 Uma das hipóteses do modelo de Heckman é de que ε, o erro do modelo

populacional de interesse, e ν, o erro da equação de seleção, são conjuntamente distribuídos
segundo uma normal.

Exercício 4 Modelos de Heckman podem ser estimados em dois estágios por OLS ou por
ML. No caso da estimação de ML, é necessário obter a distribuição conjunta de (yi , si ).

2
Exercício 5 Suponha que um modelo de Heckman seja estimado em dois estágios, mas
a pessoa que conduziu a estimação não incluiu todas as variáveis de X (regressores do
modelo populacional) em Z (regressores da equação de seleção). Nestas circunstâncias, os
estimadores do modelo Probit (no primeiro estágio) e do modelo linear (no segundo estágio)
serão inconsistentes.

[ Parte IV : ESPECIFICAÇÃO FUNCIONAL ]

Exercício 1 Considere o modelo yi = β0 + β1 xi1 + β2 xi2 + εi . Se este modelo satisfizer

MLR.1–4, a estimação de yi = β0 + β1 xi1 + β2 ln(xi2 ) + εi por OLS produz um estimador
viesado para β1 e β2 .

Exercício 2 Em quaisquer situações pode-se aplicar os teses RESET e de Davidson-MacKinnon,

embora os testes não necessariamente produzam conclusões de acordo entre si.

Exercício 3 Considere o modelo yi = β0 + β1 xi1 + β2 xi2 + εi . Dada uma amostra de 87

observações, a execução do teste RESET com a inclusão de ŷ2i , ŷ3i e ŷ4i produz uma estatística
de teste cuja distribuição é F3,81 . Este teste não pode ser implementado robustamente.

Exercício 4 Considere os modelos yi = β0 + β1 xi1 + β2 xi2 + εi e yi = β0 + β1 xi1 + β2 ln(xi2 ) +

εi . A implementação dos testes de Davidson-MacKinnon indica qual dos dois modelos é mais
adequado.

Exercício 5 Considere o modelo base yi = β0 + β1 xi1 + β2 xi2 + εi e o alternativo yi =

β0 + β1 xi1 + β2 ln(xi2 ) + εi . A rejeição da hipótese nula do teste de Davidson-MacKinnon
(para um nível de significância fixo qualquer) serve de evidência de que o modelo alternativo
está corretamente especificado.

[ Parte V : VARIÁVEIS PROXY ]

Exercício 1 Usar variáveis proxy é em uma possível solução, apesar de ter limitações, para
problemas de variável omitida.

Exercício 2 Considere o modelo yi = β0 + β1 xi1 + β2 x∗i2 + εi . Suponha que x∗2 é uma variável
não observável e cov(x1 , x∗2 ) = 0. A estimação do modelo por OLS omitindo x∗2 produz um
estimador consistente para β1 .

Exercício 3 Considere o modelo yi = β0 + β1 xi1 + β2 x∗i2 + εi . Suponha que x∗2 é uma variável
não observável (correlacionada com x1 ) e que x2 é uma variável proxy para x∗2 . Seja ν o erro
da regressão de x∗2 contra x2 . Se ε for não correlacionado com x1 , x∗2 e x2 , e se ν for não
correlacionado com x1 e x2 , então estimadores de OLS serão não viesados.

3
Exercício 4 Considere o modelo yi = β0 + β1 xi1 + β2 x∗i2 + εi . Suponha que x∗2 é uma variável
não observável (correlacionada com x1 ) e que x2 é uma “boa” variável proxy para x∗2 . Então o
estimador de OLS de β2 usando a variável proxy no lugar da não observada é interpretado
como o efeito marginal de x∗2 sobre yi .

Exercício 5 Considere o modelo yi = β0 + β1 xi1 + β2 x∗i2 + εi , onde x∗2 é uma variável não
observável, mas para a qual existe uma variável proxy x2 . Empiricamente, o método usual
para verificar a existência de correlação entre x∗2 e x2 consiste em performar uma regressão
por OLS de x∗2 contra x2 .

[ Parte VI : ERRO DE MEDIDA ]

Exercício 1 Considere o modelo y∗i = β0 + β1 xi1 + εi . Admita que só se observa yi para a

variável dependente, que contém um erro ei tal qual yi = y∗i + ei (este erro é suposto não
correlacionado com a variável independente). Se o modelo populacional satisfaz MLR.1–4 e
se ei ∼ Normal(2, 3), então estimadores de OLS de β0 e β1 são não viesados e consistentes.

Exercício 2 Considere o modelo y∗i = β0 + β1 x1 + εi . Admita que só se observa yi para a

variável dependente, que contém um erro ei tal qual yi = y∗i + ei , e que o modelo populacional
satisfaz MLR.1–6. Em particular, supõe-se εi ∼ Normal(0, 5) e ei ∼ Normal(2, 3). A variância
do erro composto (do modelo estimável, usando yi no lugar de y∗i ) é 8.

Exercício 3 Considere o modelo yi = β0 + β1 x∗i1 + εi , onde x∗1 não é observável. Só se

possui uma medida com erro desta variável, x1 , tal qual, denotando por e o vetor de erros,
xi1 = ei + x∗i1 . Se cov(x1 , e) e se var(e) = σ2e , então a covariância entre x1 e o erro composto
do modelo em que se usa x1 no lugar de x∗1 é igual a −σ2e .

Exercício 4 Considere o modelo yi = β0 + β1 x∗i1 + β2 xi2 + εi , onde x1 é medido com erro e

se satisfazem as hipóteses CEV. Mesmo se houver correlação entre x2 e a medida com erro de
x∗1 , o estimador de OLS para β2 é consistente.

Exercício 5 Considere o modelo yi = β0 + β1 ln(x∗i1 ) + β2 xi2 + εi , onde x1 é medido com erro.

Em particular, observa-se xi1 = ei · x∗i1 . Se e for não correlacionado com x1 e x2 , estimadores
de OLS para β1 e β2 serão consistentes (se se usar xi1 no lugar de x∗i1 ).