Exercicio 1

twoway (scatter y x)

reg y x

---------------------------------------------------------------------------

y| Coef. Std. Err. t P>|t| [95% Conf. Interval]

-------------+----------------------------------------------------------------

x | .7574334 .1499405 5.05 0.000 .44242 1.072447

_cons | 4.610282 1.084906 4.25 0.000 2.33098 6.889584

predict residuals, residuals

scatter residuals x (gráfico de resíduos)

1. Coeficiente de regressão: O coeficiente de regressão para a variável X (taxa de variação

dos preços ao consumidor) é 0.7574334. Isso indica que, em média, um aumento de
1% na taxa de variação dos preços ao consumidor está associado a um aumento de
0.7574334% na taxa de variação dos preços das ações.

2. Significância estatística: O coeficiente de regressão para X é estatisticamente

significativo, com um valor de t de 5.05 e um valor p próximo de zero (0.000). Isso
sugere que existe uma relação estatisticamente significativa entre as variações nos
preços ao consumidor e nas ações.

3. Intercepto: O intercepto (coeficiente para a constante) é 4.610282. Isso indica que,

quando a taxa de variação dos preços ao consumidor é zero, a taxa de variação dos
preços das ações é esperada para ser 4.610282% ao ano.

4. Intervalo de confiança: Os intervalos de confiança de 95% fornecidos nos resultados

indicam a faixa na qual os coeficientes de regressão são esperados para estar com 95%
de confiança. Por exemplo, para o coeficiente de X, o intervalo de confiança é de
0.44242% a 1.072447%.

5. com base apenas nos valores dos resíduos fornecidos, podemos observar que o
modelo não é capaz de explicar completamente a variação nos dados, mas é
necessário realizar uma análise mais abrangente para uma avaliação completa do
modelo de regressão.

Tirando o chile

Ao remover o país Chile da análise e refazer a regressão, podemos observar que os

coeficientes estimados para as variáveis independentes (x) e constante (_cons) mudaram em
relação à regressão original. Para a variável x, o coeficiente estimado agora é de 0.2214842,
com um valor-p de 0.695, indicando que não há evidências estatisticamente significativas de
uma relação linear entre x e y.

Já para a constante (_cons), o coeficiente estimado é de 6.738083, com um valor-p de 0.012,

indicando que existe uma evidência estatisticamente significativa de um valor não nulo para a
taxa de variação das ações quando a taxa de variação dos preços ao consumidor é zero.

Ao analisar os resíduos, observamos que eles também mudaram em relação à regressão

original. Os valores dos resíduos agora são diferentes, pois não estamos considerando o país
Chile, que era um ponto atípico nos dados originais. É importante ressaltar que a análise dos
resíduos deve ser feita em conjunto com outras verificações para avaliar a adequação do
modelo.

Em resumo, ao remover o país Chile da análise, observamos mudanças nos coeficientes

estimados e nos resíduos. Isso indica que a inclusão ou exclusão de pontos atípicos pode ter
um impacto significativo nos resultados da regressão e na interpretação dos coeficientes.

Como vemos, o coeficiente angular em (a) era muito significativo, mas não o é nesta regressão.
Observe como um único ponto com valor extremo, um outlier1, (ou dado discrepante)
pode deturpar os resultados da regressão,

Ao excluirmos a observação relativa ao Chile, o coeficiente angular, que era altamente

significativo do ponto de vista estatístico quando tal dado estava sendo levado em conta (valor
“t” de 5,05), passou a ser praticamente igual a zero (lembrando que a hipótese nula é de que 0
2  = , como, com um nível de significância de 5 % e graus de liberdade de 17 (n – k) temos um
“t” crítico de 2,11 que é MENOR que o “t” calculado de 0,40 NÃO REJEITAMOS a hipótese nula).
Ou seja, tal observação (Chile) tem ALAVANCAGEM e também é uma observação com
INFLUÊNCIA.

(d) Ao comparar os gráficos residuais em (b) e (c), vemos que a relação entre Y e X ficou
pequena depois que foram excluídos dos dados os resultados do Chile. Portanto, qualquer
indício de heterocedasticidade é espúrio, ao remover um ponto atípico ou um dado que está
causando heterocedasticidade no modelo, a aparente heterocedasticidade desaparece. Isso
sugere que a presença de heterocedasticidade era devida principalmente à influência desse
ponto atípico e não reflete uma característica real dos dados. Sendo assim, ao remover o país
Chile da análise, a relação entre as variáveis y e x se tornou insignificante, indicando a ausência
de uma relação linear entre elas. Além disso, a análise dos resíduos também mostrou uma
mudança significativa. Isso sugere que o ponto atípico do Chile estava influenciando a
heterocedasticidade dos resíduos.

Nome do gráfico:
Relação entre preços das ações e preços ao consumidor