Escolar Documentos
Profissional Documentos
Cultura Documentos
Observações:
• O estimador de MV de σ 2 é viesado (porém é assintoticamente não viesado: o viés se
torna pequeno à medida que a amostra n aumenta).
• É possı́vel mostrar que, assumindo as hipóteses MQO1-MQO5, o estimador de MQO β̂
é o melhor estimador não viesado de β (best unbiased estimator – BUE ).
2 Multicolinearidade
A hipótese MQO2, ausência de multicolinearidade perfeita, é necessária para a obtenção do
estimador de MQO. Se ela não for satisfeita, a matriz X0 X não é inversı́vel e a equação normal
que define o estimador de MQO não possui solução.
A hipótese MQO2 consiste em que nenhum regressor possa ser obtido como combinação linear
dos outros. Porém, ela pode ser satisfeita e ainda assim ocorrer um problema de multicoli-
nearidade imperfeita (ou colinearidade imperfeita), em que algum ou alguns regressores são
altamente correlacionados com outros regressores.
Usualmente e em provas da ANPEC, os termos colinearidade e multicolinearidade tem o mesmo
significado: indicam a presença de alta correlação entre dois (ou mais) regressores. Porém,
alguns livros definem colinearidade quando existe alta correlação entre dois regressores e mul-
ticolinearidade quando existe alta correlação entre grupos de regressores.
Note que os resultados obtidos anteriormente dependem apenas da ausência de multicolineari-
dade perfeita. A presença de multicolinearidade imperfeita não implica que:
• O estimador de MQO não possa ser calculado ou que não seja linear em y;
• O estimador de MQO seja viesado;
• O Teorema de Gauss-Markov não seja válido (logo, que o estimador de MQO não seja
eficiente);
• Os testes t e F não possam ser computados do modo usual.
RESOLVER: Questão 9 – Exame 2022; Questão 5 – Exame 2022B; Questão 9 – Exame 2015;
Questão 11 – Exame 2012; Questão 6 – Exame 2006; Questão 10 – Exame 2002; Questão 14 –
Exame 1997.
3 Variáveis Instrumentais
3.1 Introdução
As hipóteses do modelo de MQO são:
MQO1: Linearidade.
MQO2: Rank(X) = K.
MQO3: E(ε | X) = 0.
MQO4: Ω = E(εε0 | X) = σ 2 I.
Vamos analisar o que ocorre quando a hipótese MQO3 não for satisfeita, isto é, quando
E(ε | X) 6= 0. Vamos assumir que valem as hipóteses MQO1 e MQO2. Quando E(ε | X) 6= 0,
dizemos que ocorre um problema de regressores endógenos (ou um problema de endogeneidade).
Portanto:
−1 −1
E β̂ | X = E β + (X0 X) X0 ε | X = β + (X0 X) E(ε | X)
Como não é mais válido que E(ε | X) = 0, então se a hipótese MQO3 não for satisfeita, o
estimador de MQO será viesado.
Também é possı́vel mostrar que na ausência da hipótese MQO3, mesmo supondo a validade
das outras hipóteses MQO (adicionando MQO4 e MQO5 a MQO1 e a MQO2), que o estimador
de MQO será inconsistente e ineficiente.
Além disto, o estimador usual da variância do erro aleatório também será viesado e inconsis-
tente. Logo, a análise inferencial (testes de hipóteses, cálculo de intervalos de confiança) fica
comprometida.
2. Variáveis omitidas;
5. Erros de mensuração.
Logo, um instrumento é uma variável aleatória correlacionada com o regressor X e não corre-
lacionada com o termo erro. É comum dizer que Z é um instrumento fraco se a sua correlação
com o regressor X for pequena.
y i = β 0 + β 1 xi + εi , com E(ε | x) 6= 0 .
Suponha que exista um instrumento z para x, ou seja, vale que Cov(z, x) 6= 0 e Cov(z, ε) = 0.
O estimador de VI de β1 , denotado por β̂1VI , é:
Pn
VI (zi − z̄)(yi − ȳ) Cov(z,
d y)
β̂1 = Pni=1 =
i=1 (zi − z̄)(xi − x̄) Cov(z,
d x)
Logo, apesar de não ser possı́vel garantir que β̂VI é não tendencioso, é possı́vel garantir (sob
certas condições) que ele é consistente.
Uma vez obtido o estimador VI, podemos utilizá-lo para testes de hipóteses? Evidentemente,
o ideal é conseguir mostrar que a distribuição assintótica deste estimador é, assim como a do
estimador de MQO, normal.
No caso em que o número de instrumentos for menor do que o de regressores (L < K), temos
um modelo subindentificado e se torna difı́cil contornar o problema de endogeneidade dos
regressores (note que estamos assumindo que todos os regressores são correlacionados com o
termo erro; se não for o caso, precisamos apenas de pelo menos um instrumento para cada
regressor correlacionado com o erro). No caso em que o número de instrumentos for maior do
que o de regressores (L > K), temos um modelo superidentificado. Neste caso, podemos lidar
com o problema de endogeneidade dos regressores. Porém temos que lidar com o excesso de
instrumentos de alguma forma.
Uma outra solução, a comumente utilizada, consiste em projetar X no espaço gerado pelas
variáveis em Z, obtendo novos instrumentos X. b Neste caso, usamos todos os intrumentos, ou
seja, toda a informação disponı́vel, o que implica uma solução eficiente. Esta solução eficiente
é implementada por uma regressão em dois estágios.
X = Zθ + u,
y = Xγ
b +ν,
Neste caso, deverı́amos então usar MQO e não VI/MQ2E. Logo, precisamos testar a exogenei-
dade de X. O teste de Hausman verifica a exogeneidade de X. Note que se X for exógeno, β̂
e β̂VI são ambos consistentes, mas se X não for exógeno, então apenas β̂VI será consistente.
Se o resultado for:
0 Para educação da mãe (Zi ) ser um bom instrumento para educação do filho (Xi ), ele
deve atender a duas condições: (1) Cov(Xi , Zi ) 6= 0 e (2) Cov(Xi , ui ) = 0.
S: Falso. Um instrumento para um regressor deve ser correlacionado com esse regressor
(relevância do instrumento, Cov(Xi , Zi ) 6= 0) e deve ser não correlacionado com o termo
erro ui (exogeneidade do instrumento, Cov(Zi , ui ) = 0). O item faz um “peguinha” ao
colocar Cov(Xi , ui ) = 0 e não Cov(Zi , ui ) = 0.
1 Com base nos resultados acima, podemos testar a condição (1) Cov(Xi , Zi ) 6= 0, isto é,
que educação da mãe é correlacionada com educação do filho.
S: Falso. Não é possı́vel testar se Cov(Xi , Zi ) é diferente de zero com os resultados acima.
2 Com base nos resultados acima, é possı́vel rejeitar a hipótese de que educação da mãe
tem um efeito parcial significativo na renda mensal do indivı́duo ao nı́vel de significância
de 5%.
S: Falso. A regressão acima não inclui a educação da mãe como variável explicativa.
3 Suponha que educação do pai seja correlacionada com educação da mãe e tenha uma
correlação não-nula com a renda mensal do indivı́duo. Neste caso, educação da mãe
continua sendo um instrumento válido para a educação do indivı́duo.
S: Falso. Temos que manter as hipóteses descritas no item
.
0 Ou seja, a educação da
mãe deve ser relevante (correlacionada com a educação do indivı́duo) e exógena (não
correlacionada com o erro).
4 Se houver uma correlação positiva entre idade e educação da mãe, educação da mãe deixa
de ser um instrumento válido para educação do indivı́duo.
S: Falso. Para que educação da mãe seja um instrumento válido para educação do
indivı́duo é necessário apenas que (1) Cov(Xi , Zi ) 6= 0 e (2) Cov(Xi , ui ) = 0.
Vamos agora analisar o que ocorre quando a hipótese MQO4 não for válida. Primeiro observe
que se as hipóteses MQO1-MQO3 forem válidas, então o estimador de MQO será:
• Não viesado;
• Consistente;
• Assintoticamente normal.
Portanto, se MQO1-MQO3 forem válidos, mesmo que MQO4 (e MQO5) não seja válido, os
estimadores de MQO são não viesados. O mesmo vale para a propriedade de consistência: a
não validade de MQO4 não implica que os estimadores de MQO não serão consistentes ou que
não serão assintoticamente normais.
Se a hipótese MQO4 não for válida, podemos ter dois tipos de problemas:
• Heterocedasticidade: as variâncias dos termos de erro não são todas iguais (valores da
diagonal de E(εε0 | X) distintos).
• Autocorrelação dos erros: correlação não nula entre erros associados a observações dis-
tintas (valores fora da diagonal de E(εε0 | X) diferentes de zero).
Ao estimarmos uma regressão por MQO quando nossos dados possuem distúrbios não-esféricos,
estamos ignorando informação relevante. Em particular, estamos supondo que nosso estimador
possui variância σ 2 (X0 X)−1 quando na verdade sua variância é σ 2 (X0 X)−1 X0 Ω X (X0 X)−1 .
Por não usar toda a informação relevante, o estimador MQO não será eficiente, ou seja, o
Teorema de Gauss-Markov não será mais válido. Além disso, os testes t e F usuais não serão
mais válidos.
Como Λ é uma matriz diagonal com √ todos os elementos da sua diagonal positivos, a matriz
diagonal Λ definida por (Λ )ii = λii , é tal que Λ = Λ1/2 Λ1/2 . Além disso, como
1/2 1/2
√ Λ1/2 é
também uma matriz diagonal, possui inversa diagonal Λ−1/2 , em que (Λ−1/2 )ii = 1/ λii .
Portanto, Ω−1 = CΛ−1/2 Λ−1/2 C0 , já que C é matriz ortogonal. Definindo P0 = CΛ−1/2 ,
obtemos:
−1
Ω−1 = P0 P e Ω = P−1 P0 .
y = Xβ + ε
como:
Py = PXβ + Pε .
ỹ = X̃β + ε̃ (1)
O estimador de MQO aplicado ao modelo transformado (1) resulta no método dos mı́nimos
quadrados generalizado (MQG) e é, portanto, denotado por β̂MQG :
= σ2 I .
Ou seja, a regressão modificada possui distúrbios esféricos! Assumindo que o modelo original
satisfaz MQO1-MQO3, então a regressão modificada (1) satisfaz as hipóteses MQO1-MQO4
do modelo clássico de regressão linear e podemos estimá-la por MQO. O Teorema de Gauss-
Markov é válido para o método MQG e garante então que o estimador de MQG será BLUE.
Var(β̂MQG | X) = (X0 Ω−1 X)−1 (X0 Ω−1 ) Var(y | X) (Ω−1 X)(X0 Ω−1 X)−1
= (X0 Ω−1 X)−1 (X0 Ω−1 ) σ 2 Ω (Ω−1 X)(X0 Ω−1 X)−1
Aplicando os resultados deduzidos anteriormente para MQO ao estimador MQG, temos que o
estimador MQG:
• é não-viesado;
• é consistente;
• é eficiente (é BLUE), no sentido de que qualquer outro estimador linear não viesado de
β possui variância “maior ou igual” do que Var(β̂MQG | X);
• possui variância:
−1 −1
Var β̂MQG | X = σ 2 X̃0 X̃ = σ 2 X0 Ω−1 X
Observe que para estimarmos β usando o método de MQG, precisamos conhecer Ω. Se o valor
Ω for conhecido, então existe um estimador BLUE para o modelo de regressão generalizado.
Na prática, em muitos casos não teremos conhecimento dos parâmetros de Ω e será, portanto,
necessário estimá-los.
Para que seja possı́vel estimarmos Ω, é preciso reduzir o número de parâmetros a serem esti-
mados. Uma alternativa é impor uma determinada estrutura na matriz Ω a ser estimada.
Vimos que temos casos em que nossos dados terão heteroscedasticidade. Em outros, teremos
correlação serial. Então:
• Se o único problema for correlação serial dos erros, o número de parâmetros de Ω a serem
estimados cai de n (n + 1) /2 para n (n − 1) /2.
A redução acima não é suficiente: o método de MQG continua sendo não factı́vel. Precisamos
colocar mais estrutura ou encontrar uma saı́da inteligente para o problema.
0 · · · 0 σn2
Portanto:
1/σ12 ···
0 0
..
0 1/σ22 .
−1
Ω =
.. ..
. . 0
0 ··· 0 1/σn2
Neste caso,
Pnsó precisamos estimar um parâmetro de Ω: o parâmetro de correlação ρ. Podemos
2
usar ρ̂ = i=1 ei ei−1 /s para estimar ρ. Como o estimador de MQG passa a ser factı́vel de ser
calculado, este método é chamado mı́nimos quadrados generalizado factı́vel (MQGF).
Obtemos assim a matriz:
ρ̂2 ··· ρ̂n−1
1 ρ̂
ρ̂ 1 ρ̂ ··· ρ̂n−2
..
Ω = ρ̂2 ρ̂ 1 .
b
. . ...
.. ..
ρ̂
ρ̂n−1 ρ̂n−2 · · · ρ̂ 1
O teste de White utiliza estes dois fatos para produzir uma estatı́stica teste que permite verificar
a presença ou não de heterocedasticidade. O teste de White é dado por:
H0 : σi2 = σ 2 , ∀i
H1 : H0 é falsa.
H0 : α = 0
H1 : α 6= 0
0 Heterocedasticidade ocorre quando o erro aleatório em um modelo de regressão é corre-
lacionado com uma das variáveis explicativas.
S: Falso. Erro correlacionado com uma das variáveis explicativas configura problema de
endogeneidade e não de heterocedasticidade. Heterocedasticidade significa que a variância
dos erros não é igual em toda observação.
1 Quando o erro aleatório em um modelo de regressão é correlacionado com alguma variável
explicativa, os estimadores de mı́nimos quadrados não são consistentes.
S: Verdadeiro. Erro correlacionado com uma das variáveis explicativas configura problema
de endogeneidade e viola a hipótese MQO3 E(ε | X) = 0, necessária para garantir a
consistência do estimador de MQO.
2 Na presença de heterocedasticidade, estimadores de mı́nimos quadrados ordinários são
ineficientes.
S: Verdadeiro. A presença de heterocedasticidade invalida o Teorema de Gauss-Markov,
que garante a eficiência do estimador de MQO.
3 Os testes t e F usuais não são válidos na presença de heterocedasticidade.
S: Verdadeiro. A presença de heterocedasticidade implica que o cálculo habitual das
razões t e do valor F não mais seguem as distribuições t de Student e F de Snedecor,
respectivamente.
4 Na presença de heterocedasticidade, estimadores de mı́nimos quadrados ordinários são
não viesados, mas são inconsistentes.
S: Falso. A presença de heterocedasticidade por si só não implica nem que os estimadores
de MQO serão viesados ou inconsistentes, mas apenas que eles não são eficientes.
RESOLVER: Questão 11 – Exame 2020; Questão 5 – Exame 2017; Questão 10 – Exame 2016;
Questão 12 – Exame 2013; Questão 13 – Exame 2010; Questão 8 – Exame 2007; Questão 11 –
Exame 2004; Questão 9 – Exame 2002.
yi = β0 + β1 x1i + β2 x2i + εi .
Suponha também que o modelo verdadeiro satisfaça as hipóteses usuais do modelo MQO.
yi = β0 + β1 x1i + εi
Mais ainda, é possı́vel mostrar também que o estimador de MQO β̂1 não será consistente
(novamente, se β2 = 0 ou se os regressores forem não correlacionados, então pode-se mostrar
que o estimador de MQO obtido da regressão com a omissão da variável x2 será consistente).
Portanto, para que o viés esteja presente, duas condições devem ser satisfeitas:
A análise acima pode ser estendida para o caso de K regressores, em que uma quantidade p,
1 ≤ p < K e denotada por X2 é omitida. Vamos denotar por X1 as variáveis que não foram
omitidas da regressão. Para que o viés de variável omitida ocorra neste caso, é preciso que:
Portanto, a inclusão de variáveis explicativas irrelevantes não torna o estimador de MQO dos
regressores relevantes viesados. Porém, ele pode deixar de ser BLUE no caso em que as variáveis
relevantes forem correlacionadas com as variáveis irrelevantes.
yi = x0i β + εi , i = 1, 2, . . . , n .
Neste caso, os estimadores de MQO dos parâmetros β não podem ser interpretados do modo
usual. Como yi = x0i β + εi , temos que εi só pode tomar dois valores, ou −x0i β ou (1 − x0i β),
já que yi é igual a 0 ou a 1. Portanto, a variância de εi passa a depender de xi , o que torna o
modelo heterocedástico e o Teorema de Gauss-Markov inválido. Logo, os estimadores de MQO
não serão eficientes.
Como E(εi | xi ) = 0, então Var(εi | xi ) = E(ε2i | xi ). É possı́vel mostrar que p(yi = 1 | xi ) = x0i β,
ou seja, podemos obter probabilidades negativas ou maiores do que 1. Além disso, é possı́vel
mostrar que:
E(ε2i | xi ) = x0i β × (1 − x0i β) ,
o que mostra que o termo erro não apenas é heterocedástico, mas pode ter variância negativa,
já que x0i β não necessariamente está entre zero e um.
y = β0 + β1 x1 + β2 x2 + β3 x3 + u
cujos parâmetros tenham sido estimados pelo método dos mı́nimos quadrados ordinários. Jul-
gue as afirmativas:
0 Se E(u | x1 , x2 , x3 ) = 0 e o modelo não é perfeitamente colinear, então os estimadores não
são viesados.
S: Verdadeiro. Estas hipóteses garantem que os estimadores de MQO são não viesados.
2 O R2 ajustado aumenta ao se incluir uma variável adicional, caso tal variável seja signi-
ficativa ao nı́vel de 5%.
S: Falso. A relação válida é que o R2 ajustado aumenta ao se incluir uma variável
adicional caso o valor absoluto da estatı́stica t associado a esta variável seja maior do
que 1. Se o número de observações for muito grande, então o valor crı́tico ao nı́vel de
significância de 5% é próximo a 1,96. Logo, mesmo que a variável adicionada não seja
significativa ao nı́vel de 5%, o R2 ajustado pode aumentar.
3 Se o modelo satisfaz as hipóteses do teorema de Gauss-Markov, então β̂1 é o estimador
linear não viesado de β1 com menor variância possı́vel.
S: Verdadeiro. Se for válido, o Teorema de Gauss-Markov garante que os estimadores
de MQO de β são BLUE, ou seja, os estimadores de menor variância entre a classe dos
estimadores lineares não viesados de β.
4 Se omitirmos x3 da regressão, os estimadores de β0 , β1 e β2 podem ser viesados.
S: Verdadeiro. A omissão de uma variável relevante para o modelo pode gerar um viés
de variável omitida nos estimadores de MQO para os coeficientes restantes.
RESOLVER: Questão 10 – Exame 2022; Questão 12 – Exame 2021; Questão 2 – Exame 2019;
Questão 12 – Exame 2018; Questão 12 – Exame 2011; Questão 8 – Exame 2010; Questão 9 –
Exame 2010; Questão 14 – Exame 2010; Questão 7 – Exame 2008; Questão 10 – Exame 2005;
Questão 14 – Exame 2005; Questão 9 – Exame 2001.
6 Equações Simultâneas
6.1 Ideia
Os modelos que analisamos até agora contêm apenas uma variável dependente, o que se reflete
em apenas uma equação. O método de MQO estima o valor médio desta variável dependente,
condicionado aos valores das variáveis independentes.
Porém, em algumas situações, temos que estimar modelos que englobam várias equações simul-
taneamente. Nestas equações, as variáveis dependentes (neste caso, usualmente denominadas
variáveis endógenas, pois são determinadas pelo modelo) podem se misturar às variáveis inde-
pendentes (no caso, variáveis exógenas, determinadas fora do modelo).
O conjunto de variáveis que podem ser determinadas simultaneamente por outras variáveis
é descrito por um modelo de equações simultâneas, em que existe uma equação para cada
variável dependente. Para estimarmos os parâmetros de uma equação, temos que levar em
conta a informação proporcionada também pelas outras equações do modelo.
O modelo estabelecido pela teoria é chamado modelo estrutural e cada equação é chamada
equação estrutural. O exemplo abaixo de oferta e demanda constitui o exemplo clássico de
equações simultâneas. As questões da ANPEC sobre este tema quase sempre se referem a este
modelo. Cada equação do modelo estrutural descreve parâmetros estruturais do modelo.
Exemplo: Modelo de Oferta e Demanda. Uma versão do modelo de oferta e demanda é:
Demanda: qtd = α1 + α2 pt + e1t , α2 < 0 ,
Oferta: qts = β1 + β2 pt + e2t , β2 > 0 ,
em que a condição de equilı́brio é qtd = qts . Suponha que de fato as inclinações das duas curvas
são as previstas. Se e1t for positivo (negativo), a curva de demanda se desloca para cima
(baixo). Porém, um deslocamento da curva de demanda leva a alterações tanto na quantidade
e no preço de equilı́brios. Ou seja, as variáveis e1t e pt não são independentes.
Da condição de equilı́brio qtd = qts , obtemos:
α1 + α2 pt + e1t = β1 + β2 pt + e2t
Resolvendo para o preço, encontramos que:
pt = θ1 + ν1t ,
em que θ1 = (β1 − α1 )/(α2 − β2 ) e ν1t = (e2t − e1t )/(α2 − β2 ). Logo:
Cov(pt , e1t ) = Cov(θ1 + θ2 (e2t − e1t ), e1t ) = −θ2 Var(e1t ) 6= 0 .
Podemos estimar os parâmetros das equações reduzidas pelo método de MQO para então recu-
perar os parâmetros estruturais. Esta metodologia é chamada método dos mı́nimos quadrados
indiretos (MQI ). É possı́vel mostrar que o método de MQO aplicado às equações reduzidas,
sob as hipóteses usuais, gera estimadores não viesados e consistentes dos parâmetros reduzidos.
Porém temos um problema de identificação: pode não ser possı́vel recuperar os parâmetros es-
truturais dos parâmetros do modelo reduzido. No exemplo acima, temos apenas dois parâmetros
reduzidos e quatro parâmetros estruturais. Neste caso, dizemos que as equações estruturais
são subidentificadas e os parâmetros destas equações não são identificados.
Denote por:
• M : número de variáveis endógenas do modelo;
• m: número de variáveis endógenas em uma dada equação;
• K: número de variáveis exógenas do modelo;
• k: número de variáveis exógenas em uma dada equação.
Portanto, se:
• K − k < m − 1, a equação é subidentificada;
• K − k = m − 1, a equação é exatamente identificada; e
• K − k > m − 1, a equação é superidentificada.
Se a equação analisada for exatamente identificada, então os seus parâmetros estruturais podem
ser recuperados via MQI, ou seja, pela estimação dos parâmetros da forma reduzida. Se a
equação analisada for superidentificada, então o método de MQI gera resultados inconsistentes.
Neste caso, o método de mı́nimos quadrados em dois estágios é aconselhado.
A condição de ordem acima é necessária para a identificação, mas não é suficiente. Para o caso
de duas equações apenas, pode-se mostrar que uma equação será identificada se, e somente se,
a outra equação contiver pelo menos uma variável exógena com coeficiente diferente de zero
que não esteja na primeira equação.
Exemplo: Demanda e Oferta. No exemplo acima de demanda e oferta, temos duas variáveis
endógenas, quantidade q e preço p (M = 2). Nas duas equações, temos que o número de
variáveis endógenas é m = 2 e que o número de variáveis exógenas é 0.
Vamos resolver a questão 12 do exame de 2009 da ANPEC para mostrar como as condições de
posto e de ordem são verificadas.
Exemplo: Solução da questão 12, exame 2009. Considere o seguinte modelo de equações
simultâneas:
em que y1t , y2t , y3t , x1t e x2t são variáveis aleatórias, φ4 6= φ3 e u = (u1t , u2t , u3t )0 é um vetor
de variáveis aleatórias independentes e normalmente distribuı́das tal que
2
u1t 0 σ1 0 0
u2t ∼ N ID 0 , 0 σ22 0 , para todo t
u3t 0 0 0 σ32
Equação 1: K − k = 2 − 1 = 1 = 2 − 1 = m − 1 ,
Equação 2: K − k = 2 − 1 = 1 = 2 − 1 = m − 1 ,
Equação 3: K − k = 2 − 2 = 0 < 1 = 2 − 1 = m − 1 ,
1 A Equação 2 será identificada se γ31 = 0.
S: Falso. A equação 2 não é identificada se γ31 = 0. Vamos verificar a condição de posto
para a equação 2 do sistema acima. Como a condição de posto é necessária e suficiente
Para verificarmos a condição de posto para a segunda equação, note primeiro que nem
y1t nem x1t aparecem nesta equação. Obtemos então a seguinte matriz:
1 −γ11
0 −γ31
que possui determinante igual a −γ31 . Logo, se γ31 for zero, a segunda equação não será
identificada.
2 A Equação 1 satisfaz a condição de posto se γ22 6= 0.
S: Falso. Para verificarmos a condição de posto para a equação 1, note primeiro que nem
y3t nem x2t aparecem nesta equação. Logo, obtemos a seguinte matriz:
−φ3 −γ22
−φ4 −γ32
O determinante desta matriz é φ3 γ32 − φ4 γ22 , que deve ser diferente de zero para que a
equação 1 seja identificada. Logo, sabermos apenas que γ22 6= 0 não é suficiente para
garantirmos que a equação 1 seja identificada.
3 Se φ3 γ32 − φ4 γ22 6= 0, os parâmetros da Equação 1 podem ser estimados por mı́nimos
quadrados em dois estágios, com x2t sendo a variável instrumental para y2t .
S: Verdadeiro. Na solução do item
2 acima, vimos que a condição de posto para a
equação 1 é satisfeita se φ3 γ32 − φ4 γ22 for diferente de zero. Neste caso, a equação 1 será
identificada. A variável que serve de intrumento para a variável endógena y2t incluı́da
nesta equação é exatamente a variável exógena que não está incluı́da na equação 1, ou
seja, x2t .
4 A Equação 3 pode ser estimada por mı́nimos quadrados ordinários.
S: Verdadeiro (item anulado pela ANPEC ). A Equação 3 pode ser estimada por MQO,
porém os estimadores serão viesados e inconsistentes.