Universidade Federal de Santa Catarina

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.

Modelo 12: MQO, usando as observações 2005:2-2011:2 (T = 25)

Variável dependente: Var_Emprego

Coeficiente Erro Padrão razão-t p-valor

Const 0,00472842 0,00127461 3,7097 0,00174 ***
Var_Consumo 0,0784131 0,0225161 3,4825 0,00285 ***
Var_Consumo_1 -0,0446484 0,00944901 -4,7252 0,00020 ***
Var_Consumo_4 -0,0949422 0,0241917 -3,9246 0,00109 ***
Var_Consumo_8 -0,0889158 0,0199133 -4,4652 0,00034 ***
Inflacao__I_5 -0,00806998 0,00259643 -3,1081 0,00639 ***
Inflacao__I_7 0,00382728 0,0020531 1,8642 0,07966 *
Var_FBCF_2 -0,0137573 0,00414249 -3,3210 0,00404 ***
R-quadrado 0,955973 R-quadrado ajustado 0,937844
F(7, 17) 52,73258 P-valor(F) 2,70e-10
Rô -0,495152 Durbin-Watson 2,873293
R.: Se α = 0,05, n1 = 8, n2 = 8 e m = 9, seria qualquer valores a partir de 4,28. Como H0 =
homoscedasticidade residual, n = 25, gl = [(25-9)/2]-2 = 6, F(0,05; 6; 6) = 4,28, para
rejeitar H0 é necessário um R > F.
6) Qual o problema que possivelmente encontraremos em nosso modelo de regressão se o seu
coeficiente de determinação (R2) for menor do que o R2 de um modelo que considera qualquer uma
de suas variáveis independentes como dependente? Qual a provável causa deste problema?
R.: O problema que possivelmente encontraremos é a multicolinearidade. A provável
causa deste problema é a existência de uma correlação relativamente alta entre as
variáveis independentes.
7) Conceitue o problema de heteroscedasticidade residual em um modelo de análise de regressão linear
e sugira ao menos duas formas alternativas de tratamento caso uma determinada pesquisadora
queira insistir em estimar o relacionamento das diferentes variáveis de interesse através do método
de MQO.
 R.: Conceito: variância não constante dos resíduos ao longo da amostra. Possíveis
tratamentos: Tratamento do Y (log e/ou identificação e eliminação de outlier’s) ou
utilização de variáveis dummy.
8) 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 0,76764 no teste de autocorrelação residual?
R.: Não há consequência, pois com um p-valor tão alto seria aceita a hipótese nula de
inexistência de autocorrelação residual.
9) O ensaio empírico “Influência dos níveis de crescimento das economias dos principais parceiros
comerciais do Brasil no crescimento do país entre os períodos de 1999 a 2010” de Medeiros et al.
2011, apresentou as seguintes saídas do software Gretl para os dados coletados. Com base nestes
dados, teste a hipótese de inexistência de autocorrelação residual.

Modelo 3: MQO, usando as observações 1999:2-2007:1 (T = 32)

Variável dependente: BRASIL

Coeficiente Erro Padrão razão-t p-valor

const 0,0196389 0,00415578 4,7257 0,00005 ***
CHINA 0,207004 0,0231153 8,9553 <0,00001 ***
Dif_ARG_1_ 0,0834983 0,0232816 3,5865 0,00121 ***

R-quadrado 0,819062 R-quadrado ajustado 0,806584

F(2, 29) 65,63810 P-valor(F) 1,71e-11
rô -0,281875 Durbin-Watson 2,424527
R.: Como n = 32, DW = 2,42 e, com 95% de confiança (dl = 1,31, du = 1,57, 4 – du =
2,43 e 4 – dl = 2,69) aceita-se a hipótese de inexistência de autocorrelação nos resíduos.
10) 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 0,0356764 no teste de autocorrelação
residual?
R.: Nenhuma se o alfa for 0,01 e a perda e eficiência se o alfa for 0,05 ou 0,1.
11) 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, teste a hipótese de inexistência de autocorrelação
residual.

Modelo 12: MQO, usando as observações 2005:2-2011:2 (T = 25)

Variável dependente: Var_Emprego

Coeficiente Erro Padrão razão-t p-valor

Const 0,00472842 0,00127461 3,7097 0,00174 ***
Var_Consumo 0,0784131 0,0225161 3,4825 0,00285 ***
Var_Consumo_1 -0,0446484 0,00944901 -4,7252 0,00020 ***
Var_Consumo_4 -0,0949422 0,0241917 -3,9246 0,00109 ***
Var_Consumo_8 -0,0889158 0,0199133 -4,4652 0,00034 ***
Inflacao__I_5 -0,00806998 0,00259643 -3,1081 0,00639 ***
Inflacao__I_7 0,00382728 0,0020531 1,8642 0,07966 *
Var_FBCF_2 -0,0137573 0,00414249 -3,3210 0,00404 ***
R-quadrado 0,955973 R-quadrado ajustado 0,937844
F(7, 17) 52,73258 P-valor(F) 2,70e-10
Rô -0,495152 Durbin-Watson 2,873293
R.: Como DW = 2,87 e para 95% de confiança (dl ~ 0,85, du ~ 1,69) o resultado deste
teste, por esta metodologia, é inconclusivo.
12) Além das premissas básicas do modelo de regressão linear simples, qual premissa é prudente ser
testada para podermos considerar o modelo de regressão múltipla válido?
R: Ausência de multicolinearidade. Que nada mais significa que uma variável não pode
ser uma combinação linear exata de outra variável. Pois assim o impacto de uma variável
seria “duplicado” na outra variável.
13) Quais sugestões você daria a um gerente que necessita estimar a elasticidade preço-demanda de seu
produto mas sua análise de regressão por MQO não apresenta resultados satisfatórios tanto no teste
de goldfield-quandt quanto no de durbin-watson?
 R.: Que investigue a ocorrência de outliers e trabalhe com uma variável dummy para
evitar a heteroscedasticidade e inclua defasagens ou estacione a série de Y para evitar a
autocorrelação residual.
14) Imagine que uma pesquisadora estimou uma equação de regressão que apresentou resultados
satisfatórios no teste F e em todas as pressuposições básicas da análise por MQO, além de um R 2
ajustado em torno de 0,9. No entanto, ela percebeu que havia uma inconsistência econômica nos
seus resultados representada pela inversão do sinal esperado para alguns de seus parâmetros. Cite
qual a possível razão desta ocorrência, sua causa e duas alternativas de solução para este problema.
R.: A possível razão é a presença de multicolinearidade, onde sua causa é o elevado grau
de relacionamento entre variáveis explicativas e as duas formas alternativas de
tratamento são a redefinição das variáveis ou a eliminação de algumas delas.
15) Construa um breve comentário (máximo de 5 linhas) acerca do significado/consequência para os
coeficientes angulares de uma regressão estimada por MQO cujo p-valor do teste de White para a
heteroscedasticidade tenha sido 0,073456e-02.
R.: A perda de eficiência dos parâmetros, presença de heteroscedasticidade, faz com que
uma estimativa por outra metodologia seja indicada, para que se possa obter o MELNV do
verdadeiro parâmetro.
16) Sabendo que os dados da tabela abaixo geraram a seguinte equação estimada Y = 0,254745
+2,78832X + e, onde se rejeitou H0 do coeficiente angular para um nível de significância de 5%,
construa um comentário conciso e completo (máximo de 5 linhas) acerca da eficiência do mesmo com
base no teste de autocorrelação 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:

a) Multicolinearidade? Como podemos lidar com o problema?

b) Autocorrelação residual? Como podemos lidar com o problema?

c) Heteroscedasticidade? Como podemos lidar com o problema?

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?

d) Quais os possíveis problemas que teremos se pretendermos utilizar as medidas de erro DM

(discrepância média) e DQM (discrepância quadrática média) para avaliar, por exemplo, a
aderência do modelo estimado abaixo ao conjunto de dados do Coeficiente de Gini?

Tabela2: Saída do Software para a Análise de Regressão.

Modelo: MQO, usando as observações 1988-2009 (T = 22).
Variável dependente: log_CoeficienteGini

Coeficiente Erro Padrão razão-t p-valor

Const 0,263967 0,0396387 6,6593 <0,00001 ***
log_Exporta_1 -1,00145 0,204848 -4,8887 0,00020 ***
log_Renda_D_1 0,471148 0,0996476 4,7281 0,00027 ***
log_PIB_per_1 0,780827 0,17074 4,5732 0,00037 ***
log_PIB_per_2 -0,212275 0,0695928 -3,0502 0,00810 ***

R-quadrado 0,965471 R-quadrado ajustado 0,956263

F(4, 15) 104,8541 P-valor(F) 8,96e-11
Rô 0,265604 Durbin-Watson 1,155243

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

Tabela 1: Matriz de Correlação

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

1 0,2844 -0,943 0,8187 -0,9077 0,9262 0,7084 0,9296 0,654 0,0281

0,6601 log_Expo
rtacoes
1 -0,3115 0,3242 -0,3454 0,3435 0,4219 0,3474 -0,0001 -0,2779 0,0327 log_Inflac
ao_pr
1 -0,9381 0,8932 -0,9074 -0,6547 -0,8978 -0,4258 0,0234 -0,6054 Taxa_de
_Pobreza

1 -0,7508 0,7681 0,5325 0,7583 0,2485 0,0173

0,5084 Renda_D
omicilia
1 -0,9964 -0,8911 -0,9905 -0,4401 0,1192 -0,4159 Analfabet
os__p
1 0,8799 0,9971 0,4674 -0,1257 0,463 Esperanc
a_de_vi
1 0,888 0,3694 -0,2316 0,1843 Taxa_de
_cambio
1 0,5045 -0,154 0,4846 Pop_Resi
dente_p
1 0,053 0,5059 Balanca_
comerci
1 -0,1252 Importac
oes_ben
1 Taxa_inv
estimen

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

Função de autocorrelação para Y 0,5

Defas. ACF PACF 0

-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

10 0,6563 *** -0,1032

0
11 0,6441 *** 0,1709 *
12 0,6613 *** 0,1572
-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

Função de autocorrelação para Y 0,5

Defas. ACF PACF 0

-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

10 0,6563 *** -0,1032

0
11 0,6441 *** 0,1709 *
12 0,6613 *** 0,1572
-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.

n Observado Previsão Erro Absoluto Previsão

1 7 9 2
2 20 7 13
3 14 23 9
4 23 32 9
5 25 18 7
6 10 12 2
7 23 25 2
8 17 22 5
9 26 32 6
10 28 28 0
Fonte: Dados fictícios.
R.: O comentário deve conter a decisão pela consideração de eficiência dos parâmetros
estimados devido a inexistência de autocorrelação nos resíduos. A fundamentação se dá
no fato de a autocorrelação calculada (-0,21) ser considerada insignificante (tendo em
vista que para 95% de confiança seria necessário ao menos 63%) e/ou o valor do d
calculado estar na área inconclusiva, porém mais próximo da região de não
autocorrelação do que da região de autocorrelação negativa. Teste de DW inconclusivo (4
- dU < d <4 - dL, ou seja, 2,36 < 2,41 < 3,3) . d = 2,41 (1092/453) onde e d L(0,05; 10;2) =
0,70 e dU(0,05; 10;2) = 1,64.
24) Com base na equação abaixo construa um texto conciso e completo (máximo de 7 linhas)
descrevendo a relação existente entre o R 2j (coeficiente de determinação de uma variável
independente regredida em relação às demais variáveis independentes) e a variância dos betas
estimados, mencionando sua influência/consequência na soma dos quadrados dos resíduos de um
modelo estimado por MQO (SQR).
Var βˆ j =   σ2

SQTj 1- R 2j 
2
R.: Quanto maior o R de uma variável independente regredida em função das demais
variáveis independentes, maior será a variância dos betas estimados no modelo (relação
direta). Quanto maior esta relação entre R2j 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 (efeito mais comum da colinearidade).
25) Com base na equação abaixo construa um texto conciso e completo (máximo de 7 linhas)
descrevendo a consequência/influência de um alto R2j (coeficiente de determinação de uma variável
independente regredida em relação às demais variáveis independentes) para os coeficientes
estimados de uma análise de regressão por MQO.

 
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.

Figura 6 – Análise de Especificação do Modelo

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13

do referido processo).
28) Com base nas figuras 7 e 8 abaixo, comente as colocações feitas em ambas.

Figura 7 – Análise de Especificação do Modelo

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

Figura 8 – Análise de Especificação do Modelo

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

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?

31) Interprete/comente a análise de regressão apresentada, fundamentando-se nas figuras 1 a 5.

Figura 1 – Modelo de regressão estimado por MQO (n=106).

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p,12 do

referido processo).

Figura 2 – Variáveis consideradas na análise de regressão.

 Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p.p. 11-12
do referido processo).

Figura 3 – Teste de significância dos parâmetros do modelo.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

Figura 4 – Teste ANOVA do modelo.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

Figura 5 – Grau de ajuste do modelo.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 12

do referido processo).

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.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

Figura 7 – Análise de especificação do modelo.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

Figura 8 – Análise de especificação do modelo.

Fonte: Laudo de Avaliação N°7128.7128.632314/2012.01.01.01 SEQ.002 da Caixa Econômica Federal (p. 13 do

referido processo).

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.

Teste P-valor Teste P-valor

Teste de não-linearidade 0,00994298 Teste da normalidade dos resíduos 0,00510108
Teste RESET para especificação 0,0791749 Teste de Chow para a falha estrutural 0,0184598
Teste de White para a heteroscedasticidade 0,00919622 Teste LM para autocorrelação 0,0408231
Fonte: dados fictícios.

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)