1

Capítulo 8 Soluções dos Exercícios

Soluções para os Exercícios do Capítulo 8

8.1 (a) A equação estimada é

= 110,46  10,198 pt + 3,361 at  0,0268

(3,74) (1,582) (0,422) (0,0159)

(b) A versão estimada da equação 8.4.2 e a correspondente soma de quadrados dos erros são

= 111,71  5,057 pt SQER = 20907

(8,85) (4,012)

(c) As instruções do SHAZAM, EViews e SAS podem ser encontradas nos arquivos xr8-
1.xls, xr8-1.szm, xr8-1.wf1 e xr8-1.sas, respectivamente.
(d) Na Seção 8.4.3, o modelo e as restrições são

Substituindo essas restrições no modelo

Estimando esse modelo, temos SQER = 2715,1. O valor calculado F para o teste em
questão é

(e) Utilizando um software, nós encontramos que, para p = 2 e a = 20, a receita total prevista
é = 146,59. O erro padrão de erro de previsão é = 6,064, e um intervalo de
previsão de 95% é (134,5, 158,7).

(f) A tabela seguinte fornece os R2s das regressões auxiliares entre as variáveis explanatórias
e as correlações amostrais entre elas. Os resultados sugerem que não existem correlações
substanciais entre pt e as variáveis de propaganda, mas a correlação entre at e é
relativamente alta. A nossa capacidade de estimar de forma suficientemente precisa o
efeito da propaganda sobre a receita total determinará se isso é ou não um problema.
Tendo em vista isso, o erro padrão do coeficiente de at é relativamente pequeno, mas,
 2

Capítulo 8 Soluções dos Exercícios

para o coeficiente , o erro padrão é relativamente grande, sugerindo que a

colinearidade poderia impedir-nos de conseguir uma estimativa precisa desse coeficiente.

Correlação Amostral
Regressão
Variável Auxiliar R2

0,1807 1 0,4246 0,4158

0,9364 0,4246 1 0,9674
0,9358 0,4158 0,9674 1

(g) A resposta da receita total aos preços e aos gastos com propaganda é uma importante
relação para mensurar porque ela tem implicações para a política de preços a ser
estabelecida e para o nível apropriado de propaganda da rede de lanchonetes. A equação
estimada na parte (a) sugere que as respostas da receita total aos preços e à propaganda
são, respectivamente:

= 10,198 = 3,361  0,0536a

Assim, a demanda é elástica em relação ao preço, e existem retornos decrescentes para os

gastos com propaganda. Com base em testes unicaudais, todos os coeficientes estimados
são significativamente menores (ou maiores) do que zero ao nível de significância de 5%.
Para visualizar se a propaganda contribui significativamente na equação, nós
precisamos testar se os coeficientes de at e são iguais a zero. O valor-p para esse teste
F é 0,00000, indicando que a hipótese é rejeitada para qualquer nível de significância.
Para testar se 40 poderia ser o nível ótimo de gastos com propaganda, nós obtemos um
valor-p de 0,801, e assim essa hipótese não é rejeitada. Um teste F da hipótese conjunta
de que os valores ótimos para p e a, são, respectivamente, 2 e 40, produz um valor-p de
0,180. Conseqüentemente, ao nível de significância de 5%, nós não podemos rejeitar
esses valores como ótimos. Um intervalo de previsão de 95% para a receita total quando
p = 2 e a = 20 é (134,6, 158,6). Dado os nossos resultados do teste anterior, de que para p
= 2 e a = 40, E(RT) = 175 é um valor razoável, faria sentido não colocar a menor do que
20.
O que determinará se a colinearidade entre a e a2 é ou não um problema será a
precisão da estimação de . Para a = 20 e a = 40, essa resposta e os
correspondentes erros padrão são:

Quando a = 20, = 2,291 ep(b3 + 40b4) = 0,259

Quando a = 40, = 1,221 ep(b3 + 80b4) = 0,874

Para pequenos valores de a, a resposta é estimada com relativa precisão, mas, para
grandes valores de a, ela se torna totalmente irreal.
 3

Capítulo 8 Soluções dos Exercícios

8.2 Os resultados das partes (a)-(e) aparecem na seguinte tabela. Observe que em todos os casos
não existe suficiente evidência para rejeitar a hipótese nula ao nível de significância de 5%.

Parte H0 Valor F gl Fc (5%) Valor-p

(a) 2 = 0 0,047 (1,20) 4,35 0,831

(b) 2 = 3 = 0 0,150 (2,20) 3,49 0,862
(c) 2 = 4 = 0 0,127 (2,20) 3,49 0,881
(d) 2 = 3 = 4 = 0 0,181 (3,20) 3,10 0,908
(e) 2 + 3 + 4 + 5 = 1 0,001 (1,20) 4,35 0,980

(f) Os R2s auxiliares e as correlações das variáveis explanatórias que são exibidas na seguinte
tabela sugerem um alto grau de colinearidade no modelo.

Correlações das Variáveis

Variável R2 Auxiliar ln(L) ln(E) ln(M)
ln(K) 0,969 0,947 0,984 0,959
ln(L) 0,973 0,972 0,986
ln(E) 0,987 0,983
ln(M) 0,984

Para visualizar se a colinearidade tem um impacto, nós precisamos examinar seus efeitos
sobre a precisão da estimação. A equação estimada, com os valores t nos parênteses, é
= 0,035 + 0,056 ln(Kt) + 0,226 ln(Lt) + 0,044 ln(Et) + 0,670 ln(Mt)
(0,800) (0,216) (0,511) (0,112) (1,855)
R2 = 0,952
Os pequenos valores t para todas as variáveis, exceto para o ln(Mt), a nossa incapacidade
de rejeitar qualquer hipótese nula nas partes (a)-(e), e o alto valor de R2, são indicações de
alta colinearidade. Coletivamente, todas as variáveis produzem um modelo com alto nível
de explicação e uma boa capacidade de previsão. Além do mais, nossa teoria econômica
nos diz que todas as variáveis são importantes na função de produção. Contudo, nós não
fomos capazes de estimar os efeitos individuais das variáveis explanatórias com algum
grau razoável de precisão.

8.3 (a) Foi dado (sd=desvio padrão).

Porque

Portanto,

E
 4

Capítulo 8 Soluções dos Exercícios

(b) A estatística F para testar é definida como

Para , o valor crítico . Como o valor calculado F é maior do

que o valor crítico, nós rejeitamos . Não existe evidência nos dados para sugerir que
.

8.4 O modelo do Exercício 8.3 é . O SQE da estimação desse modelo é

979,8306.
O modelo, depois de aumentado com os quadrados e cubos das previsões ,é

. O SQE da estimação desse modelo é 696,5375.

Para utilizar o teste RESET, nós colocamos a hipótese nula .

Para . Como o F calculado é maior do que o valor crítico, nós

rejeitamos e concluímos que o modelo está mal especificado.

8.5 (a) Deixe que a variação total, a variação não explicada e variação explicada seja SQT, SQE e
SQR, respectivamente. Então, nós temos
= (20  3)  2,5193 = 42,8281

Também, e conseqüentemente

e
SQR = SQT  SQE = 802,0243  42,8281 = 759,1962
(b) Um intervalo de confiança de 95% para 2 é
b2  tcep(b2) = 0,69914  (2,11)( ) = (0,2343, 1,1639)
Um intervalo de confiança de 95% para 3 é
b3  tcep(b3) = 1,7769  (2,11)( ) = (1,3704, 2,1834)
(c) Para testar H0: 2  1 contra a alternativa H1: 2 < 1, nós calculamos
 5

Capítulo 8 Soluções dos Exercícios

Ao nível de significância de 5%, nós rejeitamos H0 se t < tc = 1,74. Como t > tc , nós
falhamos em rejeitar H0 e concluímos que 2  1.
(d) Para testar contra a alternativa H1: 2 ou 3 ou ambos não são iguais a
zero, nós calculamos

F=

Ao nível de significância de 5%, Fc = 3,59. Como F > Fc , nós rejeitamos H0 e

concluímos que a evidência dos dados não dá suporte para 2 = 3 = 0.

8.6 A função cúbica do custo estimada é

= 134,66 + 57,97 xt  11,029 + 1,1431
(44,8) (29,97) (5,7646) (0,3359)
(a) Um intervalo de confiança de 95% para 2 é
b2  tcep(b2) = 57,97  (2,064)(29,97) = (3,888, 119,8)
Um intervalo de confiança de 95% para 3 é
(11,029)  (2,064)(5,76) = (22,93, 0,869)
Um intervalo de confiança de 95% para 4 é
1,1431  (2,064)(0,336) = (0,4498, 1,8364)
(b) A função de custo será linear se 3 = 4 = 0. Assim, nós testamos contra
a alternativa : 3 ou 4 ou ambos iguais a zero. O valor da estatística do teste para esse
teste é F = 62,1. Para um nível de significância de 5% e (2,24) graus de liberdade, Fc =
3,40. Como F > Fc , nós rejeitamos H0 e concluímos que os dados não sugerem que uma
função linear será boa.
(c) Para testar se os dados sugerem que uma função quadrática será boa, testamos 4 = 0. O
valor calculado t para o teste é 3,403. Ao nível de significância de 5%, o
valor crítico para 24 graus de liberdade é 2,064. Portanto, nós rejeitamos a hipótese nula
e concluímos que os dados não sugerem que uma função quadrática será boa.
(d) A função de custo médio é dada por

Ela será linear se . Testando essas restrições por uma hipótese nula, nós
encontramos o valor calculado F = 93,9. O valor crítico para (2,24) graus de liberdade é
Fc = 3,40. Assim, nós rejeitamos e concluímos que a função de custo
médio não é linear.
 6

Capítulo 8 Soluções dos Exercícios

(e) A função de custo log-log é dada por

= 4,841 + 0,621 ln(xt) R2 = 0,838
(0,085) (0,054)
Os resultados do teste RESET para a função de custo cúbica e log-log são apresentados
na tabela seguinte.
Teste RESET: Modelo CÚBICO
Estatística F (1 termo) 0,9874 Probabilidade 0,3307
Estatística F (2 termos) 0,5456 Probabilidade 0,5871
Teste RESET: Modelo LOG-LOG
Estatística F (1 termo) 26,229 Probabilidade 0,000027
Estatística F (2 termos) 32,753 Probabilidade 0,000000

Os resultados do teste RESET na parte superior da tabela são produzidos quando

estimamos o modelo cúbico e aumentamos-o com os quadrados das previsões, e os
quadrados e cubos das previsões. Os valores F são 0,9874 e 0,5456, com os valores-p de
0,3307 e 0,5871. Ambos os valores-p estão acima do nível de significância de 0,05.
Assim, os dados sugerem que o modelo cúbico é adequado. Voltando-se para o modelo
de custo log-log, os resultados do teste RESET estão na parte inferior da tabela. Ambas
as estatísticas F são muito grandes, dando valores-p de 0,000027 e 0,0000, que estão
abaixo de 0,05. Isso sugere que o modelo log-log não é adequado. Baseado no teste
RESET, nós preferimos o modelo cúbico.

A função de custo marginal da função de custo log-log será sempre decrescente ou

crescente dependendo se 2 < 1 ou 2 > 1; ela não pode ter segmentos parciais crescentes
e decrescentes como acontece quando a função de custo é cúbica. Ela é assim menos
flexível, e, neste sentido, menos razoável do que a cúbica. Além do mais, para essa base
de dados particular, 2 < 1, implicando que a função de custo marginal é sempre
decrescente. Para que isso seja razoável para uma dada indústria, temos que olhar a
função de receita marginal. Não é razoável ter funções que implicam que a produção é
lucrativa quando estendida ao infinito.

8.7 Nós utilizamos testes t para testar todas as hipóteses. Em cada caso existem 60 graus de
liberdade e o valor crítico de 5% é tc = 2,00.
(a) O valor da estatística t para testar a hipótese nula de que 2 = 0 é 1,5. Esse valor é menor
do que tc = 2; portanto, nós falhamos em rejeitar H0 e concluímos que não existe
evidência nos dados para sugerir que 2  0.

(b) Para testar H0: 1 + 22 = 5 contra a alternativa H1: 1 + 22  5, nós utilizamos a
estatística
 7

Capítulo 8 Soluções dos Exercícios

Nós temos (b1 + 2b2) = 2 + 2(3) = 8, e

ep(b1 + 2b2) =

Portanto, Como t é menor do que tc = 2,0, nós falhamos em rejeitar

H0. Pode ser concluído que não existe evidência amostral para que 1 + 22  5.
(c) Para testar contra a alternativa , nós utilizamos
a estatística

Como, (b1  b2 + b3) = 2 e = onde

= 3 + 4 + 3 + 4 + 2  0 = 16

Portanto, ep(b1  b2 + b3) = 4, e t = = 1,5. Esse valor t é menor do que dois em

valor absoluto. Portanto, nós falhamos em rejeitar H0 e concluímos que não existe
evidência amostral para que 1  2 + 3 = 4 seja incorreto.

8.8 (a) As estimativas de mínimos quadrados restritas e não restritas e seus erros padrão
aparecem na tabela seguinte. A mudança mais significativa nos resultados é a variação na
estimativa de 3 , passando de 0,583 para 0,187. O sinal positivo da estimativa restrita
está mais de acordo com a nossa visão a priori sobre a elasticidade do preço cruzada em
relação às outras bebidas. Contudo, essa magnitude pode ser ainda menor do que
suspeitávamos; ela é somente um pouco maior do que 0,167, a elasticidade do preço
cruzada em relação a todos os outros bens e serviços. Não existe uma grande diferença
entre as duas estimativas alternativas das outras elasticidades. Com uma exceção, os erros
padrão para as estimativas restritas são menores do que os seus correspondentes para as
estimativas não restritas. Assim, com exceção do caso do 5 , os erros padrão dão suporte
ao resultado teórico de que as estimativas de mínimos quadrados restritas têm menor
variância do que as estimativas de mínimos quadrados não restritas.

1 2 3 4 5

Não restrita 3,243 1,020 0,583 0,210 0,923

 8

Capítulo 8 Soluções dos Exercícios

(3,743) (0,239) (0,560) (0,080) (0,416)

Restrita 4,798 1,299 0,187 0,167 0,946
(3,714) (0,166) (0,284) (0,077) (0,427)

(b) Para analisar a presença de colinearidade, nós observamos os R2s das regressões
auxiliares e as correlações amostrais entre as variáveis explanatórias que aparecem na
tabela seguinte. Existem, relativamente, altas correlações entre o preço da cerveja, o
preço de outras bebidas e a renda. O grande erro padrão e o sinal errado para ln(pL) são
uma conseqüência provável dessa correlação. Embora a introdução de informação não
amostral não tenha tornado o coeficiente estimado para ln(pL) significativamente diferente
de zero, ela reduziu o erro padrão e corrigiu o sinal errado.

Correlações Amostrais
Variável R2 Auxiliar ln(pL) ln(pR) ln(m)
ln(pB) 0,955 0,967 0,774 0,971
ln(pL) 0,955 0,809 0,971
ln(pR) 0,694 0,821
ln(m) 0,964

(c) e (d) Os resultados para esses dois itens aparecem na tabela seguinte. Os intervalos de
previsão de 95% são (70,6, 127,9) e (59,6, 116,7). O efeito da restrição não amostral foi o
aumento de ambos os extremos do intervalo em aproximadamente 10 litros.
ln(q) Q
tc inferior Superior inferior superior
(c) Restrita 4,5541 0,14446 2,056 4,257 4,851 70,6 127,9
(d) Não restrita 4,4239 0,16285 2,060 4,088 4,759 59,6 116,7

8.9 (a) A função de produção Cobb-Douglas estimada com os erros padrão entre parênteses é
= - 0,129 + 0,559 ln(L) + 0,488 ln(K) R2 = 0,688
(0,546) (0,816) (0,704)
As magnitudes das elasticidades de produção (coeficientes de ln(L) e ln(K)) parecem
razoáveis, mas seus erros padrão são muito grandes, fazendo com que as estimativas não
sejam confiáveis. A correlação amostral entre ln(L) e ln(K) é 0,986. Parece que trabalho e
capital são utilizados em proporções relativamente fixas, o que leva ao problema de
colinearidade (explicando as estimativas não confiáveis).

(b) Depois de impor retornos constates de escala, a função estimada é

= 0,020 + 0,398 ln(L) + 0,602 ln(K)
(0,053) (0,559) (0,559)
 9

Capítulo 8 Soluções dos Exercícios

Nós observamos que a magnitude relativa das elasticidades de produção em relação ao

capital e trabalho mudou e os erros padrão caíram. Contudo, os erros padrão estão ainda
relativamente grandes, fazendo com que a estimação ainda seja imprecisa.

8.10 Considere o modelo

.

Se nós aumentarmos o modelo com as previsões de , o modelo passa a ser

Como , é perfeitamente correlacionado com e nós não podemos

estimar o modelo aumentado.

8.11 (a) O resultado de mínimos quadrados para a estimação de dá

com . Isso sugere que é significativamente diferente de
zero e, portanto, deveria ser incluído no modelo. Adicionalmente, o teste RESET
baseado na equação dá as estatísticas F de 17,982 e 8,7234, que são
muito maiores do que o valor crítico de 4,17 e 3,32 ao nível de significância de 0,05.
Assim, o modelo que omite é inadequado.

(b) Quando é omitido do modelo, é superestimado e é muito pequeno. O viés

da variável omitida levou a mudança no sinal de , e a aparente mudança na
significância de de insignificante para significante é errada.

(c) A correlação entre é muito alta e provavelmente positiva. Para observar porque
ela é provavelmente positiva, veja que, da Seção 8.6.1a

onde é o estimador de no modelo que é omitido. Em virtude de , é

provável que . Além do mais, como , nós esperamos que
. Tendo em mãos todos esses fatores, temos que .
Assim, são positivamente correlacionados. A correlação provavelmente é alta
porque a diferença entre é grande e porque o teste RESET detectou com sucesso a
variável omitida. O grande erro padrão para provavelmente é atribuída à alta
correlação.

8.12 (a) O modelo estimado é

 10

Capítulo 8 Soluções dos Exercícios

Nós esperaríamos que todos os sinais para fossem positivos. Nós

esperamos que a produção de trigo aumente à medida que a tecnologia melhore e que
chuvas adicionais em cada período deveriam elevar também a produção. Os sinais de
são esperados, mas não os de e . As estatísticas t para testar a significância
de são muito pequenas, indicando que ambos não são significativos. Assim,
valores positivos de não estão em conflito com os dados.

(b) Nós queremos testar .

Para . Como a estatística F é menor do que o valor crítico, nós

não rejeitamos ; a resposta da produção independe se há chuva no período de
germinação, crescimento ou floração.

(c) O modelo estimado sob a restrição é

Com a imposição da restrição, os sinais de todas as estimativas dão como esperávamos.

Contudo, as respostas estimadas para as chuvas em todos os períodos não são
significativamente diferentes de zero. Uma possibilidade para melhorar o modelo é
considerando os efeitos ao quadrado das chuvas em cada período; isto é, os termo ao
quadrado poderiam ser incluídos nos modelos.

8.13 (a) A equação estimada é

Nós esperaríamos que todos os parâmetros de resposta fossem negativos. Todas as

variáveis estão preocupadas com o tamanho ou o poder do carro e deveriam ter efeitos
negativos sobre mpg. Todos os parâmetros estimados têm os sinais corretos, com exceção
de . As estatísticas t para testar a significância das estimativas são muito
pequenas, sugerindo que não são significativamente diferentes de zero. Também é
sugerido que um negativo não está em conflito com os dados.

(b) (i) A estatística t para testar é –0,9603. Ao nível de

significância de 0,05, o valor crítico é . Nós, dessa forma, não rejeitamos .

(ii) A estatística t para testar é 0,0154. não é rejeitada

também.
 11

Capítulo 8 Soluções dos Exercícios

(iii) A estatística t para testar é 0,8451. Ao nível de significância de

0,05, o valor crítico é . Nós não rejeitamos .
Os resultados do teste não são consistentes com nossa intuição; o número de cilindros e o
tamanho do motor deveriam definitivamente ter um impacto sobre o consumo do veículo.
(c) As altas correlações e os auxiliares na tabela seguinte indicam que a estimação na
parte (a) sofre problema de colinearidade. Sua conseqüência é que alguns erros padrão
dos estimadores são grandes. Essa estimação imprecisa explica porque as estatísticas t
nas partes (b)(i) e (ii), e a estatística F na parte (b)(iii), são pequenas, levando a não
rejeição de .
Correlações s
cyl 1,0000 0,9507
eng 0,9508 1,0000 0,9482
hp 0,8429 0,8973 1,0000 0,8125
wgt 0,8975 0,9330 0,8645 0,8758
cyl eng hp

8.14 (a) Os coeficientes de LY, LK e LPF são 0,6792, 0,3503 e 0,3219, respectivamente. Como o
modelo está na forma log-log, os coeficientes são elasticidades. A interpretação desses
coeficientes é que a mudança percentual em VC quando Y, K, e PF variam em 1% é de
0,6792, 0,3503 e 0,3219, respectivamente.
(b) Nós esperamos que todos os coeficientes tenham sinais positivos. Um aumento em
qualquer das variáveis explanatórias leva a uma elevação do custo. Todos os coeficientes,
com exceção do LPM e do LSTAGE, têm os sinais esperados.
(c) O coeficiente para LPM tem um valor-p de 0,4966, que é maior do que 0,05. Isso indica
que esse coeficiente não é significativamente diferente de zero.
(d) Aumentando a equação com os quadrados das previsões, e com os quadrados e cubos das
previsões, temos as estatísticas F do teste RESET de 3,3803 e 1,8601, com os
correspondentes valores-p de 0,0671 e 0,1577, respectivamente. Esses dois valores-p são
maiores do que o nível de significância convencional de 0,05, indicando que o modelo é
adequado.
(e) Da parte central da Tabela 8.10, a estatística F para testar é 6,1048, com
um valor-p de 0,014. Esse valor-p é menor do que o nível de significância de 0,05. Nós
rejeitamos e concluímos que retornos constantes de escala não existem.

(f) A estatística F e o valor-p para testar podem ser lidos da parte

inferior da Tabela 8.10. O valor F é muito grande e o correspondente valor-p de 0,00000
está abaixo do nível de significância de 0,05. Nós rejeitamos e concluímos que não
existe evidência para sugerir que se todos os preços dos insumos aumentam na mesma
proporção, a variável custo aumentará na mesma proporção.
(g) Para testar , a estatística t é definida como
 12

Capítulo 8 Soluções dos Exercícios

O termo , onde esses

valores podem ser lidos na Tabela 8.9. Temos, assim

Nós, então, temos

Para . Nós rejeitamos . Observe que

. A diferença pode ser atribuída a erros de arredondamento.

Para testar , a estatística é

O termo pode ser calculado como

Para , . Nós rejeitamos . Nesse caso, , que

novamente é próximo do valor F de 75. A diferença pode ser atribuída a erros de
arredondamento.