EAE 0324 - Econometria I/2022 Docente: Paula Carvalho Pereda

FEA/USP Monitor: Gustavo Romero e João P. Corrêa

Data de Entrega: 04/11

1
Lista 4 - Formas Funcionais da Regressão

1. O objetivo desse exercı́cio é familiarizar os alunos com o uso de variáveis explicativas binárias/-
variáveis dummies. Por simplificação, suponha que tanto yi quanto xi assumem apenas valores
positivos. A variáveis dummy, Di , assume valores 0 ou 1. Por exemplo, essas variáveis podem
representar: sexo (1 para feminino e 0 para masculino), em qual setor o indivı́duo trabalha( 1
para setor formal e 0 para informal), etc. Sendo assim, interprete cada parâmetros e descreva
(represente graficamente2 ) os seguintes modelos:

(a) yi = α + δDi + ui
(b) yi = α + βxi + ui
(c) yi = α + δDi + βxi + ui
(d) yi = α + βxi + θ(xi Di ) + ui
(e) yi = α + δDi + βxi + θ(xi Di ) + ui
dy dy x
2. Interprete o parâmetro β de cada item e obtenha tanto a inclinação dx
quanto a elasticidade . .
dx y

(a) yi = α + βxi + ui
(b) lnyi = α + βln(xi ) + ui
(c) ln(yi ) = α + βxi + ui
(d) yi = α + βln(xi ) + ui
(e) yi = α + β x1i + ui

3. Considere a regressão yi = β0 + β1 x1i + β2 x2i + ... + βk xki + ui , i =1, ..., n. Responda Verdadeiro
ou Falso, justificando cada um dos itens.

(a) Se Cov(x1i , x3i ) ̸= 0, os estimadores de MQO serão tendenciosos.

(b) Para que os estimadores de MQO sejam os melhores estimadores lineares não viesados é
necessário que os erros sejam normalmente distribuı́dos
(c) A hipótese de que V ar(ui |x1i , ..., xki ) = σ 2 não é necessária para que os estimadores de OLS
sejam consistentes
(d) A omissão de uma das variáveis explicativas do modelo não afetaria o não-viés e a consistência
dos estimadores.

4. Considere o seguinte modelo de regressão:

1 1
= β0 + β1 + ui
Yi Xi
1
A entrega pode ser feita em ambos os formatos: fı́sico (monitoria) ou digital (moodle)
2
Como tanto yi quanto xi assumem apenas valores positivos, o gráfico se limita apenas ao primeiro quadrante do plano
cartesiano

1
 (a) É um modelo de regressão linear?
3
(b) Como você estimaria este modelo?
(c) O que ocorre com Y quando X tende ao infinito?
(d) Você pode dar um exemplo em que este tipo de modelo seria adequado?
5. Considere os modelos:

Yi = β0 + β1 Xi + ui (1)
Yi∗ = β0 + β1 Xi∗ + ui (2)

onde Yi∗ = w1 Yi e Xi∗ = w2 Xi , sendo w1 e w2 constantes.

(a) Estabeleça as relações entre os dois conjuntos de coeficientes de regressão.

(b) Há diferenças entre os R2 dos dois modelos?

6. Considere o seguinte modelo:

Yi = β0 + β1 Di + ui

em que Di = 0 para as 20 primeiras observações e Di = 1 para as 30 observações remanescentes.

Sabe-se que Var(ui ) = 300
(a) Como interpretamos β0 e β1 ?
(b) Qual é a Var(βˆ0 + βˆ1 ) ? Sabendo que a Cov(βˆ0 , βˆ1 ) = -15.
7. Considere as sesguintes estimativas obtidas dessa regressão por MQO:

ln(salar) = 0.6 + 0.09genero + 0.08educ + 0.3exper − 0.03exper2

onde R2 = 0.36. Suponha que todas as hipóteses clássicas do modelo de regressão linear múltipla
são satisfeitas. A variável genero é uma variável dummy que assume 1 para homem e 0 para
mulher. A variável educ são os anos de estudos. A variável exper representa experiência do
indivı́duo. Com base na regressão responda os itens a seguir:

(a) O modelo é capaz de capturar a diferença do retorno da educação entre homens e mulheres?
Caso não seja, sugira uma forma de capturar esse efeito.
(b) Existe uma variável elevada ao quadrado: exep2 . É possı́vel estimar esse modelo por MQO?
Responda com base nas hipóteses do modelo de regressão linear.
(c) Qual o retorno médio salarial da educação ? É correto afirmar que o retorno médio da
experiência é de 3%?
(d) O que ocorre com o R2 ao incluirmos um regressor a mais?

8. Use os dados do preço da habitação HPRICE1 do wooldridge para este exercı́cio.

(a) Estime o seguinte modelo e reporte os coeficientes estimados, R2 e o número de observações

log(price) = β0 + β1 log(lotsize) + β2 log(sqrf t) + β3 bdrms + ui

(b) Encontre o valor previsto de log(price), quando lotsize = 20.000, sqrf t = 2.500 e bdrms = 4
(c) Agora, encontre o valor previsto de price.

3
Y e X não assumem valores zero