Escolar Documentos
Profissional Documentos
Cultura Documentos
4.2
(b)
A constante pode ser trazida para fora da esperança. A ordem da soma podem ser
trocados porque a esperança de uma soma é a soma das esperanças.
(c)
ter uma boa idéia para onde vai a reta de mínimos quadrados, a afirmação confunde a reta
de regressão de mínimos quadrados com o modelo de regressão sublinhado. O objetivo é
obter uma reta de mínimos quadrados tão próxima quanto possível da verdadeira reta de
regressão sublinhada.
4.4 (a)
Assim,
(b)
Assim,
(e)
Assim,
b2 wt yt y =
(c) wt =0
(d) xt wt =1
(e) Os valores dos resíduos de mínimos quadrados et são (1, 1, 1, 2, 3).
(f)
(g)
(b) 2 = 0,004644
(b) 2 = 0,002493
(b) 2 = 0,004106
(b)
(c)
4.12 (a) A estimativas de mínimos quadrados (com os erros padrão nos parênteses abaixo dos
coeficientes estimados) são
para 1988: = 0,0180 + 0,17628 rendat
(0,0357) (0,0059)
para 1989: = 0,1085 + 0,22658 rendat
(0,0629) (0,0100)
(b) O coeficiente 2 é a taxa de imposto marginal que mostra a variação no imposto quando a
renda muda em uma unidade. Os valores estimados de 2 de 0,176 para 1988 e 0,227
para 1989 sugerem que (i) em 1988, para um aumento de um dólar na renda, 17,6
centavos de imposto seriam pagos, e (ii) em 1989, 22,7 centavos seriam pagos de
imposto para um dólar de aumento na renda.
(c) Como a reta de regressão de mínimos quadrados passa pela média das variáveis
(dependente e explanatórias), o imposto predito para a média da renda será igual ao valor
médio do imposto; isto é,
= b1 + b2
A tabela abaixo mostra a média das rendas, os impostos preditos dessas rendas médias e
as taxas média e marginal de imposto para 1988 e 1989. Nós esperaríamos que a taxa de
imposto marginal fosse maior do que a taxa média de impostos. Na verdade, esse é o
caso, embora a taxa marginal seja somente uma pouco maior.
5
(d) Tomando a variância estimada como a verdadeira variância, nós temos, para 1989,
(ii)
Assim, nós podemos ter praticamente certeza de que o erro amostral não será maior do
que 0,04 e que existe uma probabilidade de 0,68 de que não será maior do que 0,01.
(e) A equação estimada por mínimos quadrados é
(0,0517) (0,0084)
Os valores estimados de 1 e 2 e seus erros padrão obtidos dos dados combinados estão
compreendidos entre os valores das equações separadas. Nós podemos esperar que os
erros padrão provenientes dos dados combinados sejam menores do que aqueles
provenientes de cada estimação separada. Isso porque “dobramos” o tamanho da amostra.
Contudo, a maior variância estimada do erro dos dados combinados ( 2 = 0,0255,
comparado com 12 = 0,0065 e 22 = 0,0186) significa que os erros padrão da amostra
combinada não são menores do que aqueles para 1988. As hipóteses implícitas de que
necessitamos quando utilizamos dados combinados são as de que os valores para 1 e 2
são os mesmos para 1988 e 1989 e que os termos de erro para 1988 e 1989 são
provenientes da mesma distribuição de probabilidade (tenham a mesma variância 2).
6
1 1
4.13 b1 = y b2 x =
T
yt x wt yt xwt yt qt yt
T
1
qt xt
T
xt x wt x t 0 como
Conseqüentemente, b1 q t y t q t 1 2 x t et 1 q t et , e
E b1 1 q t E et 1
Para b1 ser não viesado e linear, nós precisamos que E( b1 ) = 1 , o que requere que
ct 0 e ct x t 0 . Então,
b1 1 q t et ct et 1 q t ct et
Nós desejamos provar que a variância de b1 é pelo menos tão boa quanto a variância de
b1 1 q t et . Agora,
var b1 qt ct var et 2 qt ct 2 qt2 2 ct2 2 2 ct qt
2 2
1
Mas, ct q t ct x ct w t 0 das condições ct 0 e ct xt 0 e do
T
resultado abaixo da equação (4.3.4). Assim,
var b1 2 q t2 2 ct2 var b1 2 ct2 var b1
4.14 (a)
1 1
onde k1 , k2 , e k3 = k4 = ... = kT = 0
x 2 x1 x 2 x1
(b)
1 1 2 2
(c) var bEZ k t varet k t
2 2 2 2
x 2 x1
2
x 2 x1 2 x 2 x1 2
2 2
e
(d) Se t ~ N 0, 2
b
, então EZ ~ N 2 ,
x 2 x1
2
(e) Para convencer F.A. Cilita que var(b2) < var(bEZ), nós precisamos mostrar que
2 2 2 x 2 x1 2
xt x
2
ou que
x 2 x1 2 xt x
2
2
Considere
ou que
ou que
Esta última desigualdade claramente se mantém. Assim, não é tão bom quanto o
estimador de mínimos quadrados.
8
onde
(c)
(d) Não. O teorema de Gauss Markov nos fala que o estimador de mínimos quadrados é o
melhor estimador linear não tendencioso. Desse teorema, nós sabemos que
Assim,
9
4.16 (a) Um estimador linear para é um que pode ser escrito como para algum
valor constante .
onde e
(c)
10
(d) O estimador de mínimos quadrados deveria ser escolhido porque, do teorema de Gauss
Markov, sua variância é menor do que a
(d) Um estimador é uma fórmula ou regra para calcular uma estimativa. Não depende da
amostra de dados observada. Uma estimativa é o valor de um estimador calculado para uma
determinada amostra de dados.
4.17 (a)
Esse valor sugere que uma unidade adicionada em x elevará y em 0,502 unidades.
(b)
Como permanece inalterado, sua variância também permanece inalterada. Isso ocorre
porque e
Assim, a variância do termo de erro passa a ser 100 vezes maior. Isso também é verdadeiro
para a estimativa da variância do erro porque e