Escolar Documentos
Profissional Documentos
Cultura Documentos
(b) A versão estimada da equação 8.4.2 e a correspondente soma de quadrados dos erros são
(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
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
Correlação Amostral
Regressão
Variável Auxiliar R2
(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:
Para pequenos valores de a, a resposta é estimada com relativa precisão, mas, para
grandes valores de a, ela se torna totalmente irreal.
3
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%.
(f) Os R2s auxiliares e as correlações das variáveis explanatórias que são exibidas na seguinte
tabela sugerem um alto grau de colinearidade no modelo.
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.
Porque
Portanto,
E
4
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
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=
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
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 + 22 = 5 contra a alternativa H1: 1 + 22 5, nós utilizamos a
estatística
7
H0. Pode ser concluído que não existe evidência amostral para que 1 + 22 5.
(c) Para testar contra a alternativa , nós utilizamos
a estatística
= 3 + 4 + 3 + 4 + 2 0 = 16
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
(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).
(c) A correlação entre é muito alta e provavelmente positiva. Para observar porque
ela é provavelmente positiva, veja que, da Seção 8.6.1a
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.