Capitulo 04 P03

Análise de Regressão Múltipla: Intervalo de Con…ança e
Testes t e F
Aula 14, Introdução à Econometria
Prof. Moisés A. Resende Filho
Capítulo 04, parte 3
22 de julho de 2022
Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 1 / 38

1. Intervalos de Con…ança
Teorema 4.2. A Distribuição t do Estimador Padronizado: sob

RLM.1 a RLM.6 e condicional em f(xi 1 , xi 2 , ..., xik ) : i = 1, 2, ..., n g na
amostra, o estimador MQO padronizado
β̂j βj
tβ̂ tn (k +1 ) , j = 0, 1, ..., k (1)
j ep ( β̂j )
com ep ( β̂0 ) = ∑n σ̂ br 2 , ep ( β̂j ) = p σ̂

, j = 1, 2, ..., k,
i =1 i 0 SQT j (1 R j2 )
r
n
ub2
σ̂ = n∑i(=k1+1i ) , (k + 1) o número de parâmetros estimados por MQO no
modelo y = β0 + β1 x1 + . . . + βk xk + u e n (k + 1) o número de graus
de liberdade da distribuição t de student.

Intervalos de Con…ança
Sob as hipóteses do MCRL em seção cruzada - RLM.1 a RLM.6 -, é

possível construir intervalos de con…ança (IC ) para βj com base no
Teorema 4.2, tal que os limites inferior e superior de um IC para βj
com (1 α) 100% de con…ança são estimados como
b
βj ep (b
βj ) tα%,n (k +1 ) gl , j = 0, 1, ..., k. (2)
Em amostras aleatórias obtidas repetidas vezes, βj estaria

compreendido neste IC em (1 α) 100% das vezes, ou seja,
h i
Pr bβj ep (b
βj ) tα%,n (k +1 ) gl βj b
βj + ep (b
βj ) tα%,n k 1gl =
= (1 α) 100%

Por exemplo, na regressão MQO
d = 12, 373
…nal 0, 0793skipped + 1, 9153priGPA + 0, 4011ACT
(1,172 ) (0,0352 ) (0,3726 ) (0,0532 )
com erros-padrão entre parênteses, temos
b
βskipped ep (b
βskipped ) t5%,676gl = 0, 079 0, 0352 1, 964
pois com o comando Stata di invttail(676,0.025), t5%,676gl = 1, 964 ou,

com o comando Maple, t5%;676gl = TInv(0.975; 676) = 1, 964, tal que
h i
Pr 0, 149 βskipped 0, 010 = 95%
ou, alternativamente, o
IC95% de βskipped é [ 0, 149, 0, 010] .

De fato, com os comandos Stata bcuse attend, clear e reg …nal skipped
priGPA ACT, cformat(%9.3f) pformat(%5.4f) sformat(%8.3f), obtemos
. bcuse attend, clear

Também podemos utilizar os comandos Stata a seguir.

di _b[skipped]-invttail(676,0.025)*_se[skipped], para obter
. di _b[skipped]-invttail(676,0.025)*_se[skipped]
-.14852161
di _b[skipped]+invttail(676,0.025)*_se[skipped], para obter

. di _b[skipped]+invttail(676,0.025)*_se[skipped]
-.01015563
tal que, h i
Pr 0, 149 βskipped 0, 010 = 95%.

h i
Pr 0, 149 βskipped 0, 010 = 95%.
Em termos práticos, dizemos que há 95% de probabilidade de βj

estar no intervalo [ 0, 149, 0, 010].
Ademais, como 0 não está contido no IC95% de βskipped , rejeitamos
H0 : βskipped = 0 em favor de H1 : βskipped 6= 0 a 5% de probabilidade.

2. Teste de Restrições Lineares
Há hipóteses que envolvem mais de um parâmetro do modelo de

regressão linear.
Por exemplo, consideremos o modelo econométrico
lsalario = β0 + β1 cp + β2 univ + β3 exper + u, (3)
em que cp é o número de anos em curso superior pro…ssionalizante de

dois anos ou de tecnólogo, univ é o número de anos em curso
superior pleno de quatro anos, exper é o número de anos no mercado
de trabalho ou experiência pro…ssional.
Questão: um ano de cp tem o mesmo retorno de um ano de univ ?

Teste de Restrições Lineares
Portanto, queremos testar
H0 : βcp = βuniv
contra
H1 : βcp < βuniv (hipótese unilateral à esquerda),
um teste monocaudal.
Ou, alternativamente, contra
H1 : βcp 6= βuniv (hipótese bilateral),
um teste bicaudal.

2.1. Alternativa 1
Podemos escrever H0 , equivalentemente, como
H0 : βcp βuniv = 0
e as hipóteses alternativas, como
H1 : βcp βuniv < 0 (hipótese unilateral à esquerda)

H1 : βcp βuniv 6= 0 (hipótese bilateral)

Alternativa 1
Como a forma geral da estatística t é

estimativa valor hipotetizado
t= ,
erro padrão da estimativa
temos, com base nas estimativas MQO β̂cp e β̂univ , que a estatística
do teste é
β̂cp β̂univ 0
tβ̂ β̂univ = .
cp
ep β̂cp β̂univ
Problema: a saída padrão da regressão no Stata não nos apresenta

ep ( β̂cp β̂univ ).

Alternativa 1
Utilizaremos um fato importante sobre variâncias que é
Var (a β̂1 + b β̂2 + c ) = a2 Var ( β̂1 ) + b 2 Var ( β̂2 ) + 2abCov ( β̂1 , β̂2 )
(4)
em que a, b e c são constantes.
Por exemplo, se a = 1, b = 1 e c = 10,
Var ( β̂1 β̂2 ) = Var ( β̂1 ) + Var ( β̂2 ) 2Cov ( β̂1 , β̂2 )

Alternativa 1
Assim, o erro-padrão de β̂1 β̂2 por (4) é

1/2
ep ( β̂cp β̂univ ) = ep ( β̂cp )2 + ep ( β̂univ )2 d ( β̂ , β̂ )
Cov cp univ
d ( β̂ , β̂ ) é a estimativa de Cov ( β̂ , β̂ ), uma

em que Cov cp univ cp univ
informação não disponibilizada na saída padrão do Stata.
d ( β̂ , β̂ ) se solicitarmos com o comando
O Stata só reporta Cov cp univ
estat vce, conforme exemplo a seguir.

Alternativa 1
. reg lsalario cp univ exper, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)
Source SS df MS Number of obs = 6,763

F(3, 6759) = 644.53
Model 357.752575 3 119.250858 Prob > F = 0.0000
Residual 1250.54352 6,759 .185019014 R-squared = 0.2224
Adj R-squared = 0.2221
Total 1608.29609 6,762 .237843255 Root MSE = .43014
lsalario Coef. Std. Err. t P>|t| [95% Conf. Interval]
cp 0.067 0.007 9.767 0.000 0.053 0.080

univ 0.077 0.002 33.298 0.000 0.072 0.081
exper 0.005 0.000 31.397 0.000 0.005 0.005
_cons 1.472 0.021 69.910 0.000 1.431 1.514

Alternativa 1
Assim, calcule
0, 067 0, 077
tβ̂ = 1, 47
cp β̂univ
(0, 0072 + 0, 0022 2 1, 928 10 6 )1/2
Como j 1, 47j é maior que o t crítico a 10%,

t10%;6759gl = TInv(0.9; 6759) = 1, 28, ou com o Stata
. di invttail(6759,0.1)
1.2816768
rejeitamos H0 em favor de H1 : βcp βuniv < 0 a 10% (teste

monocaudal).

Alternativa 1
De fato, o p-valor do teste é

. di t(6759,-1.47)
.07080415
e, como 0, 07080415 é aproximadamente 7, 1% e menor que 10%,

rejeitamos H0 a 10%, mas não a 5% de signi…cância.

Alternativa 1
*Comandos utilizados do Stata

*Limpa os dados na memória e baixa da web a base de dados a ser utilizada
bcuse twoyear, clear
rename jc cp
rename lwage lsalario
drop female phsrank BA AA black hispanic id stotal medcity submed lgcity sublg
vlgcity subvlg ne south totcoll nc smcity
*Estima a regressão por MQO
reg lsalario cp univ exper, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)
*Reporta a matriz de covariância dos coe…cientes da regressão
estat vce
*Reporta o p-valor do teste monocaudal
di t(6759,-1.47)

2.2. Alternativa 2
A segunda alternativa consiste nos seguintes passos:
1 De…na θ 1 β1 β2 , tal que H0 : θ 1 = 0 contra H1 : θ 1 < 0

b
θ1 0
(hipótese unilateral) e tbθ 1 = .
ep (b
θ1 )
2 Substitua no model original, por exemplo, β1 = θ 1 + β2 , tal que o
modelo transformado a ser estimado é
lsal ário = β0 + (θ 1 + β2 ) cp + β2 univ + β3 exper + u

= β0 + θ 1 cp + β2 (univ + cp ) + β3 exper + u
3 Estime o modelo lsal ário = β0 + θ 1 cp + β2 totgrad + β3 exper + u,

com totgrad (univ + cp ) e execute o teste com os resultados para
b
θ1 .

Alternativa 2
No stata gere a variável totgrad com o comando gen totgrad=cp+univ e,

em seguida, use o comando reg lsalario cp totgrad exper, cformat(%9.3f)
pformat(%5.3f) sformat(%8.3f), obtendo:
. gen totgrad=cp+univ
. reg lsalario cp totgrad exper, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)
Source SS df MS Number of obs = 6,763

F(3, 6759) = 644.53
Model 357.752575 3 119.250858 Prob > F = 0.0000
Residual 1250.54352 6,759 .185019014 R-squared = 0.2224
Total 1608.29609 6,762 .237843255 Root MSE = .43014
cp -0.010 0.007 -1.468 0.142 -0.024 0.003

totgrad 0.077 0.002 33.298 0.000 0.072 0.081
exper 0.005 0.000 31.397 0.000 0.005 0.005
_cons 1.472 0.021 69.910 0.000 1.431 1.514

Alternativa 2
Note pela saída do Stata no slide anterior que tbθ 1 = 1.468 com
P>j t j = 0.142 para cp, tal que no teste monocaudal o p-valor
correto é 0.142 2 = 0.071, ou seja, 7, 1%.
Com base no p-valor de 7, 1%, rejeitamos H0 : θ 1 βcp βuniv = 0
em favor de H1 : θ 1 βcp βuniv < 0 ao nível de 10% de
signi…cância, mas não ao nível de 5%.
Portanto, o retorno de um ano de curso superior pro…ssionalizante é
estatisticamente menor que o de um ano de curso superior pleno ao
nível de signi…cância de 10% ou mais.

2.3. Alternativa 3
A terceira alternativa é a mais fácil de todas e consiste em primeiro

estimar a regressão como o comando Stata qui reg lsalario cp univ
exper e, em seguida, com o comando lincom cp - univ,
cformat(%9.3f) pformat(%5.2f) sformat(%8.3f), obter
. qui reg lsalario cp univ exper
. lincom cp - univ, cformat(%9.3f) pformat(%5.3f) sformat(%8.2f)
( 1) cp - univ = 0
(1) -0.010 0.007 -1.47 0.142 -0.024 0.003
tal que, β̂cp β̂univ = 0, 010, ep ( β̂cp β̂univ ) = 0, 007,

tβ̂ β̂ = 1, 47 e o p-valor do teste monocaudal é
cp univ
0, 142 2 = 0, 071, ou seja, 7, 1%.
3. Teste de Restrições de Exclusão
Objetivo: testar se um grupo de variáveis não tem efeito na

variável dependente, ou seja, testar:
H0 : o grupo de variáveis não tem efeito em y
contra
H1 : H0 é falsa,
ou seja, pelo menos uma das variáveis do grupo tem efeito na variável
dependente.

Teste de Restrições de Exclusão
Passo 1. Estime o modelo irrestrito
y = β0 + β1 x1 + ... + βk xk + u (5)
e guarde a soma dos quadrados dos resíduos SQRir .
Passo 2. Sob a hipótese geral de que as (k q ) últimas variáveis do
modelo (5) são, em conjunto, zero, de…na
H0 : β(k q )+1
= β (k q )+2
= ... = β(k q )+q
= 0,
estime por MQO o modelo restrito
y = β0 + β1 x1 + ... + βk q xk q +u (6)
e guarde a soma dos quadrados dos resíduos SQRr .
Passo 3. Calcule a estatística do teste e proceda com o teste
(SQRr SQRir )/q
F = Fq,(n (k +1 )) gl (7)
SQRir /(n (k + 1))
A divisão de uma variável aleatória qui-quadrado χ2q gl /q por uma

variável aleatória qui-quadrado χ2(n (k +1 )) gl /(n (k + 1)) resulta
em uma variável aleatória que tem distribuição Fq,n (k +1 )gl .
Leia F Fq,n (k +1 )gl como a estatística F tem distribuição F com q
graus de liberdade no numerador e n (k + 1) graus de liberdade no
denominador.

SQRr SQRir é necessariamente maior ou igual a zero, pois ao

impor restrições à minimização da SQR, no melhor dos casos,
produz-se a mesma SQR, o que garante F 0.
F mede o aumento relativo em SQR quando nos movemos do modelo
irrestrito para o restrito.
Se o aumento relativo em SQR quando nos movemos do modelo
irrestrito para o restrito é estatisticamente pequeno, interpretamos
que a restrição já é naturalmente atendida na população e, assim, não
rejeitamos H0.

Por exemplo, com o comando Stata di invFtail(3,60,.05) obtemos que o
valor crítico da distribuição F para q = 3 e n (k + 1) = 60 a 5% de
signi…cância é
. di invFtail(3,60,.05)
2.7580783
tal que

3.1. Exercício: Salário na Liga de Beisebol dos EUA
Exemplo: considere o modelo econométrico
lsalario = β0 + β1 anos + β2 jogosano + β3 rebmed +

+ β4 hrumano + β5 rebrumano + u (8)
em que salario é o salário anual do jogador em 1993, anos denota os

anos do jogador na liga, jogosano é a média de partidas jogadas por
ano, rebmed é a média de rebatidas na carreira do jogador, hrumano
denota as rebatidas que resultaram em ponto por ano, rebrumano
denota as rebatidas que resultaram em corrida até a próxima base por
ano.
Queremos testar H0 : "a produtividade individual do jogador não
tem efeito sobre o seu salário".

Exercício: Salário na Liga de Beisebol dos EUA
Passo 1: Estime o modelo irrestrito
lsalario = β0 + β1 anos + β2 jogosano + β3 rebmed +
+ β4 hrumano + β5 rebrumano + u,
. reg lsalario anos jogosano rebmed hrumano rebrumano, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)
Source SS df MS Number of obs = 353

F(5, 347) = 117.06
Model 308.9892 5 61.79784 Prob > F = 0.0000
Residual 183.186335 347 .52791451 R-squared = 0.6278
Total 492.175535 352 1.39822595 Root MSE = .72658
anos 0.069 0.012 5.684 0.000 0.045 0.093

jogosano 0.013 0.003 4.742 0.000 0.007 0.018
rebmed 0.001 0.001 0.887 0.376 -0.001 0.003
hrumano 0.014 0.016 0.899 0.369 -0.017 0.046
rebrumano 0.011 0.007 1.500 0.134 -0.003 0.025
_cons 11.192 0.289 38.752 0.000 10.624 11.760
e guarde SQRir = 183.186335 e (n (k + 1)) = 353 5 1 = 347

graus de liberdade.
Passo 2: se "a produtividade individual do jogador não tem

efeito sobre o seu salário", então
H0 : β3 = β4 = β5 = 0,
ou seja, neste caso k = 5 e q = 3 e, a hipótese alternativa é
H1 : H0 é falsa,
ou seja, pelo menos uma das variáveis de produtividade do jogador

tem efeito sobre o salário do jogador.

Passo 3: sob H0 , estime o modelo restrito
log(sal ário ) = β0 + β1 anos + β2 jogosano + u,
obtendo
. reg lsalario anos jogosano, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)

F(2, 350) = 259.32
Model 293.864044 2 146.932022 Prob > F = 0.0000
Total 492.175535 352 1.39822595 Root MSE = .75273
anos 0.071 0.013 5.703 0.000 0.047 0.096

jogosano 0.020 0.001 15.023 0.000 0.018 0.023
_cons 11.224 0.108 103.625 0.000 11.011 11.437
e guarde SQRr = 198.311491 e q = 3.

Passo 4: calcule a estatística F , tal que
(SQRr SQRir )/q

F =
SQRir /(n (k + 1))
(198.311491 183.186335) /3
=
183.186335/(353 5 1)
9.55
e aplique a regra de decisão do teste.

Com o comando Stata di invFtail(3,347,.01) obtemos que o valor

crítico da distribuição F para q = 3 e n (k + 1) = 347 a 1% de
signi…cância é
. di invFtail(3,347,.01)
3.83852
tal que, como 9.55 > 3.8385, rejeitamos H0 a 1% e, portanto,

também a 5% e 10%.
De fato, com o comando Stata di invFtail(3,347,.01) obtemos que o
p-valor do teste é 4.475 10 6 ,
. di Ftail(3,347,9.55)
4.475e-06
Ou no Maple, (1 FDist(9.55; 3, 347)) = 4.475 10 6 0.0000.

Alternativamente, execute um teste F direto com os comandos Stata

qui reg lsalario anos jogosano rebmed hrumano rebrumano e test
rebmed hrumano rebrumano, obtendo
. qui reg lsalario anos jogosano rebmed hrumano rebrumano
. test rebmed hrumano rebrumano
( 1) rebmed = 0
( 2) hrumano = 0
( 3) rebrumano = 0
F( 3, 347) = 9.55
Prob > F = 0.0000

4. Potencial Inconsistência Lógica dos Testes t e F
Qual a conclusão dos testes t individuais das hipóteses

H0 : βrebmed = 0, H0 : βhrumano = 0 e H0 : βrebrumano = 0?
. reg lsalario anos jogosano rebmed hrumano rebrumano, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)

F(5, 347) = 117.06
Model 308.9892 5 61.79784 Prob > F = 0.0000
Total 492.175535 352 1.39822595 Root MSE = .72658
anos 0.069 0.012 5.684 0.000 0.045 0.093

jogosano 0.013 0.003 4.742 0.000 0.007 0.018
rebmed 0.001 0.001 0.887 0.376 -0.001 0.003
hrumano 0.014 0.016 0.899 0.369 -0.017 0.046
rebrumano 0.011 0.007 1.500 0.134 -0.003 0.025
_cons 11.192 0.289 38.752 0.000 10.624 11.760
Como cada um dos p-valores é maior que 10%, não rejeitamos

nenhuma das hipóteses.
Potencial Inconsistência Lógica dos Testes t e F
Então, como explicar que rejeitamos

H0 : βrebmed = βhrumano = βrebrumano = 0 pelo teste F , o que implica
dizer que pelo menos um dos coe…cientes é diferente de zero,
enquanto que, pelos testes t, não rejeitarmos nenhuma das hipótese
H0 : βrebmed = 0, H0 : βhrumano = 0 e H0 : βrebrumano = 0?
Resposta: as variáveis rebmed, hrumano e rebrumano devem ser
muito correlacionadas, o que torna difícil separar o efeito individual de
cada uma.
Moral da história: o teste F serve para testar a exclusão de um
grupo de variáveis quando estas são muito correlacionadas.

Potencial Inconsistência Lógica dos Testes t e F
Como explicar se não rejeitássemos a hipótese conjunta

H0 : β3 = β4 = β5 = 0 pelo teste F , mas rejeitássemos, por exemplo,
H0 : β3 = 0 pelo teste t?
Resposta: agrupando um punhado de variáveis não signi…cantes
mascara o fato da variável x3 ser individualmente signi…cante.
Moral da história: o poder do teste F de detectar um βj 6= 0
com a hipótese conjunta H0 : β3 = β4 = β5 = 0 é menor do que o
do teste t para a hipótese individual H0 : β3 = 0.

5. A Relação entre os Testes t e F
É possível mostrar que, para H0 : βj = aj , sendo aj uma constante,
(SQRr SQRir )/q

F =
SQRir /(n (k + 1))
!2
b
β j aj
= ,
ep (b
β) j
ou seja, a estatística F é o quadrado da estatística t,
F = tbβ2 .
j

A Relação entre os Testes t e F
Ademais, sob H0 : βj = aj , a relação entre as distribuições t e F é
F1,(n (k +1 ))gl = t(2n (k +1 ))gl .
Portanto, os testes F e t de H0 : βj = aj chegam, necessariamente, à

iguais conclusões.
No entanto, como vimos antes, quando a hipótese nula é de que
um conjunto de parâmetros é conjuntamente igual a uma
constante, o resultado do teste F e dos testes t de cada hipótese
individual podem levar a conclusões diferentes e, mesmo,
contraditórias.

Capitulo 04 P03

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Capitulo 04 P03

Enviado por

Direitos autorais:

Formatos disponíveis

Análise de Regressão Múltipla: Intervalo de Con…ança e

Prof. Moisés A. Resende Filho

Capítulo 04, parte 3

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 1 / 38

Teorema 4.2. A Distribuição t do Estimador Padronizado: sob

com ep ( β̂0 ) = ∑n σ̂ br 2 , ep ( β̂j ) = p σ̂

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 2 / 38

Sob as hipóteses do MCRL em seção cruzada - RLM.1 a RLM.6 -, é

Em amostras aleatórias obtidas repetidas vezes, βj estaria

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 3 / 38

com erros-padrão entre parênteses, temos

pois com o comando Stata di invttail(676,0.025), t5%,676gl = 1, 964 ou,

IC95% de βskipped é [ 0, 149, 0, 010] .

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 4 / 38

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 5 / 38

Também podemos utilizar os comandos Stata a seguir.

di _b[skipped]+invttail(676,0.025)*_se[skipped], para obter

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 6 / 38

Em termos práticos, dizemos que há 95% de probabilidade de βj

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 7 / 38

Há hipóteses que envolvem mais de um parâmetro do modelo de

lsalario = β0 + β1 cp + β2 univ + β3 exper + u, (3)

em que cp é o número de anos em curso superior pro…ssionalizante de

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 8 / 38

Portanto, queremos testar

H1 : βcp < βuniv (hipótese unilateral à esquerda),

H1 : βcp 6= βuniv (hipótese bilateral),

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 9 / 38

Podemos escrever H0 , equivalentemente, como

e as hipóteses alternativas, como

H1 : βcp βuniv < 0 (hipótese unilateral à esquerda)

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 10 / 38

Como a forma geral da estatística t é

Problema: a saída padrão da regressão no Stata não nos apresenta

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 11 / 38

Utilizaremos um fato importante sobre variâncias que é

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 12 / 38

Assim, o erro-padrão de β̂1 β̂2 por (4) é

d ( β̂ , β̂ ) é a estimativa de Cov ( β̂ , β̂ ), uma

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 13 / 38

. reg lsalario cp univ exper, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)

Source SS df MS Number of obs = 6,763

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

cp 0.067 0.007 9.767 0.000 0.053 0.080

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 14 / 38

Como j 1, 47j é maior que o t crítico a 10%,

rejeitamos H0 em favor de H1 : βcp βuniv < 0 a 10% (teste

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 15 / 38

De fato, o p-valor do teste é

e, como 0, 07080415 é aproximadamente 7, 1% e menor que 10%,

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 16 / 38

*Comandos utilizados do Stata

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 17 / 38

A segunda alternativa consiste nos seguintes passos:

1 De…na θ 1 β1 β2 , tal que H0 : θ 1 = 0 contra H1 : θ 1 < 0

lsal ário = β0 + (θ 1 + β2 ) cp + β2 univ + β3 exper + u

3 Estime o modelo lsal ário = β0 + θ 1 cp + β2 totgrad + β3 exper + u,

Moisés Resende Filho (ECO/UnB) RLM, Intervalo de Con…ança e Testes t e F 22/07/2022 18 / 38

No stata gere a variável totgrad com o comando gen totgrad=cp+univ e,

. reg lsalario cp totgrad exper, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)

Source SS df MS Number of obs = 6,763

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