1

Capítulo 4 Soluções dos Exercícios

Soluções para os Exercícios do Capítulo 4

4.1 Se o desempenho de um estimador é bom em um processo de amostragem repetido, no

sentido de que ele produz estimativas próximas do verdadeiro valor do parâmetro, então, antes
de nós tomarmos uma amostra, nós podemos dizer que a probabilidade de se obter uma
estimativa próxima do verdadeiro valor do parâmetro é alta.

4.2

4.3 (a) Agora,

(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)

O fator sai para fora na frente em virtude do resultado A

variância de uma soma é igual a soma das variâncias mais duas vezes a soma de todas as
covariâncias possíveis. As covariâncias são zero por hipótese.
(d) Falso. Quando rodamos uma regressão de y contra x, é melhor termos uma maior
dispersão dos dados do que um agrupamento dos mesmos. Assim, a reta de mínimos
quadrados será uma melhor estimativa da reta de regressão sublinhada. Quando os
valores de x estão muito agrupados, a reta de mínimos quadrados pode ser ajustada
próxima dos pontos igualmente bem em qualquer direção. Dessa forma, nessas
circunstâncias, ela é uma estimativa pouco confiável. Também, como o nosso objetivo é
 2

Capítulo 4 Soluções dos Exercícios

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,

(c) O valor sugere que um aumento de 1% na porcentagem de homens com 18

anos ou mais, com diploma de ensino médio, levará a um aumento de $180 na média de
rendimentos de homens que têm 18 anos ou mais.
(d)

(e)

Assim,

(f) Para Arkansas

4.5 (a) Verdadeiro.

(b) Falso. É mostrado como a média de y muda quando x varia, não como o valor real de y
muda.
(c) Falso. A média dos resíduos é zero, mas eles não são todos iguais a zero.
(d) Verdadeiro.
(e) Falso. O método de mínimos quadrados minimiza a soma dos quadrados dos resíduos.
(f) Verdadeiro.
 3

Capítulo 4 Soluções dos Exercícios

  xt  x   10 , os valores par wt são (0,2; 0,1; 0,0; 0,2; 0,1).

2
4.6 (a) Utilizando
(b) Dados os valores  yt  y  como (3, 0, 1, 0, 4), nós temos

b2   wt  yt  y  =

(c)  wt =0

(d)  xt wt =1

(e) Os valores dos resíduos de mínimos quadrados et são (1, 1, 1, 2, 3).

(f)

(g)

4.7 (a) Utilizando um software, nós obtemos

(b)  2 = 0,004644

4.8 (a)  b1) = 0,07555

var(  b2 ) = 0,001297 c
var( ov(b1 , b2 ) = 0,009888

(b)  2 = 0,002493

4.9 (a)  b1) = 0,00003459 var(

var(  b2 ) = 0,00733 c
ov(b1 , b2 ) = 0,00005243

(b)  2 = 0,004106

4.10 (a) Se xt = c para todos t, então x = c e xt  x = c  c = 0 para todos os t e,

conseqüentemente,   xt  x   0 .
2
 4

Capítulo 4 Soluções dos Exercícios

(b) Esse resultado é o mesmo do Exercício 3.10.

(c) Com a estimação dos mínimos quadrados, nós estamos tentando estimar o efeito de uma
mudança no xt sobre yt. Se xt é uma constante e não varia, é impossível mensurar o efeito de
uma mudança.
4.11 (a) Os resíduos de mínimos quadrados, dado por et  y t  b1  b2 x t , são
0,17808 0,33548 0,08713 0,10974 0,08234
0,04945 0,02206 0,09467 0,08273 0,16012
0,14301 0,32960 0,35220 0,12481 0,35258

(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

Assim, Taxa de imposto média=

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

Capítulo 4 Soluções dos Exercícios

Imposto Taxa Taxa

Renda Médio Média Marginal
Média Previsto do Imposto do
Imposto

1988 5,5348 0,9577 0,1730 0,176

1989 5,7444 1,1931 0,2077 0,227

(d) Tomando a variância estimada como a verdadeira variância, nós temos, para 1989,

Como b2 é normalmente distribuído, nós podemos proceder da seguinte forma:

(i)

(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

Capítulo 4 Soluções dos Exercícios

1 1 
4.13 b1 = y  b2 x =
T
 yt  x  wt yt     xwt  yt   qt yt
T 

onde . Assim, b1 é uma função linear de y1, y2, ..., yT e é chamado de um

estimador linear. Observe que
1
 qt T
T
 x  wt  1 como

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

Assim, b1 é um estimador não viesado para 1.

Para demonstrar que b1 é o melhor estimador linear não tendencioso para 1, nós
começamos definindo qualquer outro estimador linear como b1   k t y t   q t  ct  y t ,
onde os kt são qualquer conjunto de constantes e ct = kt  qt. Nós podemos escrever b1
como
b1   q t  ct  1   2 x t  et    1   q t et   1  ct   2  ct x t   ct et

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) =  q t2 var et    2  q t2

 
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 

Segue que b1 é o melhor estimador linear não tendencioso para 1.

 7

Capítulo 4 Soluções dos Exercícios

4.14 (a)

1 1
onde k1  , k2  , e k3 = k4 = ... = kT = 0
x 2  x1 x 2  x1

(b)

Assim, bEZ é um estimador não viesado.

 1 1  2 2
(c) var bEZ    k t varet     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

Assim, nós precisamos mostrar que

ou que

ou que

Esta última desigualdade claramente se mantém. Assim, não é tão bom quanto o
estimador de mínimos quadrados.
 8

Capítulo 4 Soluções dos Exercícios

Ao invés de provar o resultado diretamente, como fizemos acima, nós poderíamos

também citar o teorema de Gauss Markov para o professor F. A. Cilita.

4.15 (a) Para mostrar que é um estimador linear, nós escrevemos

onde

Assim, é um estimador linear.

(b) Do item (a),

Assim, é um estimador não viesado de .

(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

Capítulo 4 Soluções dos Exercícios

4.16 (a) Um estimador linear para é um que pode ser escrito como para algum

valor constante .

onde e

Assim, é um estimador linear para .

(b) Um estimador não viesado para um parâmetro é um estimador no qual a esperança dele é
igual ao verdadeiro valor do parâmetro. Agora,

Assim, é um estimador não viesado para .

(c)
 10

Capítulo 4 Soluções dos Exercícios

(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)

Nós estimamos a média de y como 20,82 quando

(c) A reta de regressão ajustada passa no ponto se Nós temos,

4.18 Considere o modelo

Agora defina e considere um novo modelo

Para permanecer igual nos dois modelos, nós necessitamos que e

Assim, permanece invariável e passa a ser 10 vezes menor.
Para visualizar como as estimativas de mínimos quadrados mudam, observe que

Assim, a estimativa de mínimos quadrados permanece inalterada e a estimativa de

mínimos quadrados se torna 10 vezes menor.

Como permanece inalterado, sua variância também permanece inalterada. Isso ocorre
porque e

4.19 Considere o modelo

 11

Capítulo 4 Soluções dos Exercícios

Multiplicando por 10, obtemos

e escrevemos o novo modelo como

Para os dois modelos serem iguais, com um inalterado, é necessário

Assim, os valores dos parâmetros e serão 10 vezes maior.

Para visualizar como as estimativas de mínimos quadrados mudam, nós definimos

Assim, as estimativas de mínimos quadrados e se tornam 10 vezes maior.

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