TRABALHO MQAII - Prof.

Rafael Ribeiro
Aluno: Arthur Bernardes de Oliveira
Estimação pelo Modelo de Regressão Múltipla

Exercício 1: Romer (1993) propõe modelos teóricos de inflação que sugerem que países
mais “abertos” devem ter taxas de inflação mais baixas. Sua análise empírica interpreta
taxas médias anuais de inflação (desde 1973) em termos da participação média das
importações no produto interno bruto desde 1973 – que é a sua medida de abertura da
economia. Sua especificação básica é uma regressão da inflação média sobre uma constante
e o grau de abertura. Faça a estimação do modelo incluindo também a variável de renda per
capita, além da variável de abertura (equação a) e uma diferente forma funcional (modelo
log-log; equação b). Interprete os resultados e analise comparativamente os modelos, usando
a base de dados, “exercicio_1.csv”:
a) infl = 0 + 1abertura + 2rendpc + u
b) ln(infl)= 0 + 1abertura + 2ln(rendpc) + u
Fonte: ROMER, D. 1993. Openness and Inflation: Theory and Evidence. Quarterly Journal of
Economics, 108: 869-903.
1.1) Discuta a significância estatística das variáveis explicativas em ambos os modelos a
partir dos valores da estatística t e do p-valor fornecidos pelo R.
Modelo a
Variável dependente: infl

Estimativa Erro Padrão estatística t p-valor

const 26,8378591 4,4810533 5,989 2,65e-08 ***
abertura -0,2093617 0,0935687 -2,238 0,0272 *
rendpc -0,0004778 0,0005348 -0,893 0,3736

Os valores fornecidos pelo R, mostram que somente a variável 1 apresenta certa significância
estatística a 5%. Tal significância estatística se dá na hipótese de que o aumento de um ponto no
grau de abertura vai contribuir para a queda da inflação, sendo tal afirmativa embasada nos
coeficientes negativos de abertura (estatística t) dados pelo R. Dessa maneira, é possível concluir
através dos valores fornecidos pelo R que com o aumento de um ponto no grau de abertura haveria
uma queda de -0,2 da inflação.

Modelo b
Variável dependente: In(infl)

Estimativa Erro Padrão estatística t p-valor

const 3,354229 0,430410 7,793 3,79e-12 ***
abertura -0,009627 0,002679 -3,594 0,000487 ***
log(rendpc) -0,064674 0,055913 -1,157 0,249887

Os valores fornecidos pelo R, mostram que somente a variável 1 apresenta grande significância
estatística no modelo b. Tal significância estatística se dá na hipótese de que o aumento de um
ponto percentual no grau de abertura contribuirá para uma queda na taxa de inflação, sendo tal
afirmativa embasada nos coeficientes negativos de abertura (estatística t) dados pelo R. Nesse
sentido, é possível concluir com os dados fornecidos pelo R, que com o aumento de um ponto
percentual no grau de abertura a inflação deva diminuir em aproximadamente -0,9%.
1.2) Com base no modelo b, uma hipótese interessante seria supor que a elasticidade da taxa
de inflação em relação ao nível de renda per capita é igual a um (em valor absoluto). Uma
hipótese alternativa digna de nota é a de que tal elasticidade é diferente de um (também em
valor absoluto). Sendo assim, teste H0: 2 = - 1 contra H1: 2 ≠ - 1 a um nível de
significância de 5%.
Dica: ver Aula 3, exemplo 4.5.

Estatística t: 16,72815
Graus de liberdade: 111
Valor crítico: 1,982
Conclusão: H0: 2 = - 1 rejeitada.
Ao testar a H0: 2 = - 1 contra H1: 2 ≠ - 1, quer-se saber se se o aumento de 1% da renda per
capita reduz de forma proporcional em 1% a taxa de inflação. A estatística t e o valor crítico
encontrados são razoavelmente altos para se rejeitar H0: 2 = - 1. Dessa maneira, entende-se que
o valor verdadeiro mais próximo para a taxa de inflação é o mesmo encontrado anteriormente
para o modelo b. Com o aumento de 1% da renda per capita a taxa de inflação não é afetada
proporcionalmente, sofrendo uma diminuição ínfima de apenas -0,06%. Dessa maneira, também
pode-se concluir que a economia não experencia um crescimento de caráter explosivo, mas sim
mais estável.

Exercício 2: Este exercício busca analisar novamente a associação entre renda e educação,
considerando a amostra da PNAD 2011 para a RMBH, composta por 4102 indivíduos
ocupados e remunerados, entre 25 e 59 anos de idade. As variáveis contidas neste banco de
dados correspondem aos anos de estudo completos (anosest), à experiência aproximada pela
idade (idade) e pelo rendimento do trabalho mensal (rendtrab), no arquivo
“exercicio_2.csv”. A equação a da regressão salarial inclui a variável de idade, além da
variável educacional. A equação b transforma a variável dependente para captar retornos
crescentes à escolaridade, utilizando o logaritmo. A equação c inclui a forma quadrática da
variável de idade.
a) rendtrab = β0 + β1[anosest] + β2[idade] + u
b) log(rendtrab) = β0 + β1[anosest] + β2[idade] + u
c) log(rendtrab) = β0 + β1[anosest] + β2[idade] + β3[idade2] + u

2.1) Estime as equações acima e interprete os resultados de forma comparativa entre os

modelos. Discuta a significância estatística dos parâmetros obtidos.
Modelo a
Variável dependente: rendtrab
Estimativa Erro Padrão valor-t p-valor
cons -2563,495 187,081 -13,70 <2e-16 ***
anosest 237,748 8,509 27,94 <2e-16 ***
idade 51,650 3,780 13,66 <2e-16 ***

No modelo a, constata-se que quanto maior os anos de estudo e a idade de um indivíduo, maior é
o seu ganho salarial. Para β1 anos a mais de estudos completos aumenta em β1 reais o ganho
salarial do indivíduo no final do mês. Nesse sentido, a cada ano adicional de estudos o indivíduo
no modelo a tem um aumento de 237,7 unidades (reais) em seu salário mensal, e
conformemente, 51,65 unidades (reais) no caso de cada ano a mais de idade.
 Modelo b
Variável dependente: log(rendtrab)
Estimativa Erro Padrão valor-t p-valor
cons 5,447356 0,060571 89,93 <2e-16 ***
anosest 0,106086 0,002755 38,51 <2e-16 ***
idade 0,014737 0,001224 12,04 <2e-16 ***

No modelo b, também é visível como no modelo a a afirmação de que quanto maior os anos de
estudos e a idade do indivíduo, maior será seu o ganho salarial. No entanto o valor no modelo b
é dado em percentual uma vez que é log. Um ano a mais de estudo corresponde a um aumento
de aproximadamente 10% no ganho salarial mensal, e analogamente, 1,4% no caso de cada ano
a mais de idade.

Modelo c
Variável dependente: log(rendtrab)
Estimativa Erro Padrão valor-t p-valor
cons 4,3495797 0,2224308 19,555 <2e-16 ***
anosest 0,1067171 0,0027492 38,817 <2e-16 ***
idade1 0,0711953 0,0110773 6,427 1,45 e -10 ***
idade 2 0,0006912 0,0001348 -5,128 3,06 e -07 ***

No modelo c, há a adição da variável idade2, na qual através dela percebe-se que a partir de um
determinado momento quanto maior a idade do indivíduo, menor se torna seu ganho salarial. Ao
interpretar o modelo c de maneira geral, um ano a mais de estudo corresponde a um aumento de
aproximadamente 10% no salário mensal, um ano a mais de idade corresponde a um aumento
em média de 7%, até um determinado momento, quando a partir de então um ano a mais de
idade passa a influenciar negativamente em cerca de -0,06% o salário mensal.

Comparando os dados dos modelos, vemos que um modelo vai acrescentando informações ao
outro. O modelo c é o que causa maior impacto, visto que ao contrário dos outros um aumento
da idade não significa propriamente um aumento do ganho salarial mensal, indo contra os
anteriores. Também ao comparar os modelos achamos diferentes valores para β2, no modelo b
apesar de ter um crescimento exponencial de 1,4% este valor é menor em relação ao β2 do
modelo c de 7,1%, em que há um crescimento maior, mas limitado a um intervalo de tempo.

2.2) Para o modelo a, teste a hipótese nula H0: β1 - 3β2 = 0 contra H1: β1 - 3β2 ≠ 0 a 5% de
significância.
Dica: Ver Aula 3, Eq. 4.21 e 4.27: Comparando parâmetros. Defina θ1 = β1 - 3β2 e escreva uma
equação de regressão que permita que você obtenha diretamente θ1 e seu erro padrão EP(θ1).
Depois, teste H0: θ1 = 0 contra H1: θ1 ≠ 0.

Valor de θ1: 82,80

Valor de EP(θ1): 12,70
Conclusão: O parâmetro é significativo segundo os dados fornecidos pelo R. No entanto a
hipótese nula é rejeitada, uma vez que o valor crítico a 5% de significância, analisado na tabela a
partir do grau de liberdade dado pelo R, é muito alto, rejeitando a hipótese.
2.3) Para o modelo b, teste a hipótese nula H0: β1 = β2 contra H0: β1 ≠ β2.
Dica: Ver Aula 3, Eq. 4.21 e 4.27: Comparando parâmetros. Defina θ2 = β1 - β2 e escreva uma
equação de regressão que permita que você obtenha diretamente θ2 e seu erro padrão EP(θ2).
Depois, teste H0: θ2 = 0 contra H1: θ2 ≠ 0.

Valor de θ2: 0,09

Valor de EP(θ2): 0,002
Conclusão: O parâmetro é significativo segundo os dados fornecidos pelo R. No entanto, a
hipótese nula é rejeitada, visto que o valor crítico analisado em tabela a partir do grau de
liberdade dado pelo R é muito alto, rejeitando a hipótese.