Escolar Documentos
Profissional Documentos
Cultura Documentos
Centro Sócio-Econômico
Curso de Ciências Econômicas
Econometria
Prof.: Gueibi Peres Souza
LISTA DE EXERCÍCIOS – 3
1) Conceitue autocorrelação residual e descreva detalhadamente os procedimentos adotados quando da
aplicação do teste de Durbin-Watson para identificarmos a presença ou não desta anomalia nos
resíduos de uma regressão.
R.: Relação serial siginificativa entre os termos do erro. Cálculo da estatística d,
observação de valores críticos (superioir e inferior) na tabela DW (nº de k e n) e decisão
de aceitação ou não de H0 (não autocorrelação).
2) Qual a razão da multicolinearidade ser considerada, na literatura de análise de regressão, um
problema não bem definido?
R.: Devido ao fato de não desrespeitar nenhuma das pressuposições básicas.
3) Cite duas formas de se identificar o problema de heteroscedasticidade residual em um modelo de
análise de regressão linear.
R.: Gráfico de dispersão entre resíduos e “n” e realização de um teste formal (teste de
hipóteses) como o de Goldfeld-Quandtformal.
4) Qual a consequência para a estimativa dos parâmetros, feita pelo método de MQO, de um modelo de
análise de regressão que apresentou um p-valor igual a 1,92e-06 em um determinado teste de
autocorrelação residual?
R.: A consequência é a perda de eficiência, pois com um p-valor tão baixo seria rejeitada
a hipótese nula de inexistência de autocorrelação residual.
5) O ensaio empírico “Investimento, Consumo e Inflação e suas influências no nível de emprego formal
da economia brasileira” de Wopereis et al. 2011, apresentou as seguintes saídas do software Gretl
para os dados coletados. Com base nestes dados, defina, utilizando a metodologia proposta por
Goldfeld-Quandt, a partir de que valor deveria ser rejeitada a hipótese de existência de
homoscedasticidade residual.
Y
6,9 8,7 -5,8 3,4 8,2 10,8
X2 3 -2 1 3 4
R.: Inconclusivo pelo teste de DW! d = 1,28 (2,6/2,1) e dl = 0,61 e du = 1,4.
17) Sabendo que cada pressuposição básica da análise de regressão por MQO possui uma razão que a
justifica, responda por que o modelo para ser considerado válido tem necessariamente de passar no
teste de:
a) Linearidade?
R.: Devido ao fato de estarmos utilizando a metodologia MQO para estimar os
parâmetros.
b) Homoscedasticidade residual?
R.: Devido ao fato de que na ausência desta o parâmetro deixa de ser eficiente e não
conseguimos garantir que estimamos o MELNV do verdadeiro parâmetro.
c) Normalidade residual?
R.: Devido ao fato de que é esta condição que dá validade à todos os testes de hipóteses
paramétricos.
18) Quais as consequências para os parâmetros estimados por MQO na presença de:
19) Descreva a relação existente entre o R2 de uma variável independente regredida em relação às
demais variáveis independentes e a variância dos betas estimados, fazendo um paralelo disto com os
erros de um modelo de MQO (SQR) e sua influência/consequência nos parâmetros estimados.
Sabendo que:
Var βˆ j =
σ2
SQTj 1- R 2j
R.: A relação é direta, ou seja, quanto maior o R 2 de uma variável independente regredida
em função das demais variáveis independentes, maior será a variância dos betas
estimados no modelo. Isto é, quanto maior esta relação maior será o SQR de um modelo
de regressão por MQO, isto devido a esta situação inflacionar a variância dos parâmetros
estimados (e por consequência seu erro padrão), o que pode levar inclusive à inversão do
sinal do mesmo, o que é algo relativamente grave na medida em que o sinal representa o
sentido da relação (direto ou inverso).
20) Com base nos dados abaixo, publicados no ensaio empírico “Uma análise dos principais fatores
impactantes na desigualdade de renda brasileira” (Lourenci, Becker e Curzel, 2012), e nos conceitos
discutidos em sala:
a) Construa um breve comentário acerca do modelo com defasagens distribuídas estimado.
b) Realize uma análise comparativa entre o resultado do teste de Durbin-Watson e o teste de LM.
c) Qual a possível razão (ou possíveis razões) para que alguns dos sinais dos coeficientes estimados
na regressão tenham se apresentado diferentes daqueles verificados na análise de correlação?
Teste de não-linearidade (quadrados) - Teste de White para a Teste da normalidade dos resíduos -
Hipótese nula: a relação é linear heteroscedasticidade - Hipótese nula: Hipótese nula: o erro tem distribuição
Estatística de teste: LM = 1,64166 com sem heteroscedasticidade Estatística de Normal Estatística de teste: Qui-
p-valor = P(Qui-quadrado(3) > 1,64166) teste: LM = 19,1916 com p-valor = quadrado(2) = 4,01355 com p-valor =
= 0,649981 P(Qui-quadrado(13) > 19,1916) = 0,134421
0,117281
Teste LM para autocorrelação até a ordem 5 - Teste de Chow para a falha estrutural na
Hipótese nula: sem autocorrelação observação 1997 - Hipótese nula: sem
Estatística de teste: LMF = 0,568131 falha estrutural Estatística de teste: F(5,
com p-valor = P(F(5,10) > 0,568131) = 0,723338 10) = 4,59222 com p-valor = P(F(5, 10)
> 4,59222) = 0,019497
Coeficientes de correlação, usando todas as observações 1988 - 2009. 5% valor crítico (bilateral) = 0,4227 para n.
log_Coefici log_Renda log_PIB_p log_Expo log_Inflac Taxa_de Renda_D Analfabet Esperanc Taxa_de Pop_Resi Balanca_ Importac Taxa_inv
ente _Dom_ er_cap rtacoes ao_pr _Pobreza omicilia os__p a_de_vi _cambio dente_p comerci oes_ben estimen
1 0,9167 -0,8388 -0,9262 -0,2183 0,8781 -0,6717 0,8654 -0,8842 -0,634 -0,8833 -0,609 0,1332 -0,724 log_Coefi
ciente
1 -0,7202 -0,8062 -0,355 0,8127 -0,6087 0,8358 -0,8406 -0,6768 -0,8313 -0,4014 0,2636 -0,5756 log_Rend
a_Dom_
1 0,9602 0,3443 -0,9517 0,9094 -0,8419 0,8647 0,6461 0,8717 0,5548 0,0042 0,6859 log_PIB_
per_cap
21) Com base na figura abaixo avalie a possibilidade de ocorrência de autocorrelação residual (pequena
ou grande) em um modelo de regressão múltipla por MQO que busque explicar tal variável.
Justifique sua resposta.
ACF para Y
1
+- 1,96/T^0,5
-0,5
1 0,9110 *** 0,9110 ***
2 0,8797 *** 0,2933 ***
-1
3 0,8484 *** 0,0955 0 2 4 6 8 10 12
4 0,8128 *** -0,0037 defasagem
5 0,7993 *** 0,1199
6 0,7467 *** -0,1708 * PACF para Y
7 0,7430 *** 0,1767 * 1
+- 1,96/T^0,5
8 0,7068 *** -0,0897
9 0,6871 *** 0,0587 0,5
-1
0 2 4 6 8 10 12
defasagem
Fonte: Gretl.
R.: As possibilidades são grandes, haja vista a correlação existente entre Y t e Yt-1, Yt-2, Yt-
6, Yt-7 e Yt-11.
22) Tendo em vista que, com base na figura abaixo, podemos concluir que é grande a possibilidade de
ocorrência de autocorrelação residual em um modelo de regressão múltipla por MQO que busque
explicar a variável Y, diga quais seriam as consequências para os parâmetros estimados e também
quais as duas possibilidades de solução para este problema.
ACF para Y
1
+- 1,96/T^0,5
-0,5
1 0,9110 *** 0,9110 ***
2 0,8797 *** 0,2933 ***
-1
3 0,8484 *** 0,0955 0 2 4 6 8 10 12
4 0,8128 *** -0,0037 defasagem
5 0,7993 *** 0,1199
6 0,7467 *** -0,1708 * PACF para Y
7 0,7430 *** 0,1767 * 1
+- 1,96/T^0,5
8 0,7068 *** -0,0897
9 0,6871 *** 0,0587 0,5
-1
0 2 4 6 8 10 12
defasagem
Fonte: Gretl.
R.: As consequências para os parâmetros seriam a perda da eficiência dos mesmos e as
duas possibilidades de correção do problema seriam incluir do lado direito da equação as
defasagens significativas ou estacionar a série de Y, ou seja, aplicar diferenças (o que
provavelmente eliminaria sua autocorrelação).
23) Imagine que a organização em que você trabalha lhe requisitou a fazer uma avaliação acerca da
eficiência de previsões realizadas por uma determinada consultoria (tabela abaixo). Sabendo que a
mesma realizou estimativas com base em apenas 10 observações e em um modelo do tipo Ŷ = a +
b1X1 + b2X2 + e, construa um comentário conclusivo (conciso e completo em no máximo de 5
linhas e fundamentado em cálculos) acerca da eficiência dos parâmetros estimados que geraram
tais previsões.
Var βˆ j =
σ2
SQTj 1- R 2j
R.: Quanto maior o R2 de uma variável independente regredida em função das demais
variáveis independentes, maior será a variância dos betas estimados no modelo
(possibilidade de colinearidade). A conseuqência disto para coeficientes estimados de
uma análise de regressão é a possível inversão do sinal do parâmetro devido ao
inflacionamento de seu erro padrão.
26) Diga o que significa, qual a principal consequência e ao menos uma forma possível de lidar com os
problemas de colinearidade, auto correlação residual e heteroscedasticia em um modelo de regressão
estimado por MQO.
R.: Colinearidade: Inflacionamento na variância dos parâmetros; possibilidade de
inversão de sinal do parâmetro; união ou eliminação de variáveis do modelo fortemente
correlacionadas. Auto correlação residual: presença de correlação significativa entre as
observações dos erros (sistematicidade); perda de eficiência dos parâmetros estimados;
inclusão de defasagens do Y iguais as defasagens do erro que se mostraram
significativas. Heteroscedasticia: variância não constante dos erros ao longo da amostra;
perda de eficiência dos parâmetros estimados; aplicação de logaritmo nas variáveis
(principalmente no Y) ou utilização de variáveis dummy para absorver o impacto dos os
pontos discrepantes na amostra de Y.
27) Construa um comentário conciso e completo acerca dos coeficientes (fundamentado em teste de
hipóteses) dos coeficientes de correlação divulgados na figura abaixo e com base nisto julgue a
afirmação feita em relação a existência ou não de colinearidade no modelo.
29) Explique, com suas palavras, porque a colinearidade mesmo sendo tratado como um problema não
muito bem definido na literatura de análise de regressão por MQO recebe bastante destaque na área
de Ciências Sociais Aplicadas.
30) Explique as consequências (de forma individual) para uma análise de regressão por MQO não ser
possível aceitar H0 no teste de 1) linearidade; 2) heteroscedasticidade; 3) autocorrelação ou 4)
normalidade?
32) Construa um comentário interpretativo complementar ao feito para a questão anterior, acerca da
análise de regressão apresentada, fundamentando-se nas figuras 6 a 8.
Figura 6 – Análise de especificação do modelo.
33) Explique o que é o teste ANOVA (Teste F) de uma análise de regressão por MQO e porque seu
resultado deve ser considerado necessário, porém, insuficiente para avaliarmos a validade de um
modelo de regressão. Justifique sua resposta com base na interpretação dos resultados dos testes do
quadro abaixo.
34) Explique porque razão torna-se necessário, por exemplo, excluir o intercepto em uma análise de
regressão quando da utilização de variáveis dummy binárias. Qual a consequência para a mecânica da
estimação do vetor “b” caso tal decisão não seja tomada?
35)