Escolar Documentos
Profissional Documentos
Cultura Documentos
Abril/2023
1 Preliminares
Função de produção, Q = f (trabalho, capital, combustivel), da forma Cobb-Douglas:
α1 α2 α3
Qi = Ai zi1 zi2 zi3 (rma i = 1, . . . , n)
Ai captura efeitos não observáveis de eciência e ambientais entre rmas.
Homogeneidade implícita:
α1 + α2 + α3 = r (grau constante de retornos de escala)
⇒ Q(cz1 , cz2 , cz3 ) = cr Q(z1 , z2 , z3 ) (r = 1 ⇒ retorno de escala constante)
Função de custo total (minimização de custos1 , hipóteses sobre o setor de energia elétrica):
1/r α /r α /r α /r
Ci = a(Ai , α1 , α2 , α3 ) Qi pi11 pi22 pi33
| {z }
ai
Função de regressão:
yi = β0 + β1 xi1 + β2 xi2 + β3 xi3 + β4 xi4 + εi
sendo:
yi = log(Ci ), xi1 = log(Qi ),
xi2 = log(pi1 ), xi3 = log(pi2 ), xi4 = log(pi3 )
e
δi = log(ai ), β0 = δ̄, εi = δi − δ̄,
1 α1 α2 α3
β1 = , β2 = , β3 = , β4 =
r r r r
1
require(AER)
data("Electricity1970")
dim(Electricity1970)
## [1] 158 8
Histogram of log(cost)
20
15
Frequency
10
5
0
1 2 3 4 5 6
log(cost)
Grácos de Dispersão
pairs(elec70, panel = panel.smooth, pch = ".",
log = "xy", cex=3, lower.panel=NULL,
main = "Escala log-log" )
Escala log−log
2 5 20 100 200 2000 20000 6000 8000 1100040 50 70 90 10 20 30 50
100
100
cost
20
20
2 5
50000 2 5
output
2000200
11000
8000
labor
6000
90
70
capital
50
40
50
20 30
fuel
10
10 20 30 50
2
3 Modelo Completo (Irrestrito)
(Problema de identicação: 5 coecientes de regressão, 4 parâmetros tecnológicos.)
m1 <- lm(log(cost) ~ log(output) + log(labor) + log(capital) + log(fuel),
data = elec70)
summary(m1)
##
## Call:
## lm(formula = log(cost) ~ log(output) + log(labor) + log(capital) +
## log(fuel), data = elec70)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.3427 -0.0863 -0.0158 0.0790 0.4640
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.29152 0.91252 -10.18 <2e-16
## log(output) 0.91296 0.01063 85.87 <2e-16
## log(labor) 0.25548 0.09473 2.70 0.0081
## log(capital) -0.00148 0.09912 -0.01 0.9881
## log(fuel) 0.73521 0.05083 14.46 <2e-16
##
## Residual standard error: 0.14 on 108 degrees of freedom
## Multiple R-squared: 0.987,Adjusted R-squared: 0.986
## F-statistic: 2.01e+03 on 4 and 108 DF, p-value: <2e-16
Sinal de β̂3 inesperado. De fato, efeito não signicativo do ponto de vista estatístico.
vif(m1)
Hipóteses relevantes
signicância dos termos, H0 : βj = 0 (esperam-se efeitos positivos signicantes);
3
m1.aux <- update(m1, log(cost/output) ~ .)
summary(m1.aux)
##
## Call:
## lm(formula = log(cost/output) ~ log(output) + log(labor) + log(capital) +
## log(fuel), data = elec70)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.3427 -0.0863 -0.0158 0.0790 0.4640
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.29152 0.91252 -10.18 < 2e-16
## log(output) -0.08704 0.01063 -8.19 5.8e-13
## log(labor) 0.25548 0.09473 2.70 0.0081
## log(capital) -0.00148 0.09912 -0.01 0.9881
## log(fuel) 0.73521 0.05083 14.46 < 2e-16
##
## Residual standard error: 0.14 on 108 degrees of freedom
## Multiple R-squared: 0.748,Adjusted R-squared: 0.739
## F-statistic: 80.3 on 4 and 108 DF, p-value: <2e-16
## [1] 0.69
##
## Call:
## lm(formula = log(cost/fuel) ~ log(output) + log(capital/fuel) +
## log(labor/fuel), data = elec70)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.3444 -0.0870 -0.0159 0.0790 0.4631
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -9.35797 0.38790 -24.12 < 2e-16
## log(output) 0.91282 0.01044 87.42 < 2e-16
## log(capital/fuel) 0.00431 0.06791 0.06 0.94956
## log(labor/fuel) 0.26010 0.07498 3.47 0.00075
##
## Residual standard error: 0.14 on 109 degrees of freedom
## Multiple R-squared: 0.986,Adjusted R-squared: 0.986
## F-statistic: 2.56e+03 on 3 and 109 DF, p-value: <2e-16
4
Teste de Homogeneidade da Função Custo
O teste F necessário para avaliar a signicância estatística da hipótese de homogeneidade
H0 : β2 + β3 + β4 = 1. Em notação de matricial (Souza, pg.73) (K = a′ , M = 0) estamos
testando a′ β = 0:
β0
β1
H0 : 0 0 1 1 1
β2 = 1
β3
β4
pode ser levado a cabo comparando-se a soma de quadrados dos resíduos (SQR) de cada
modelo:
SQRreduzido − SQRcompleto
F = 2
∼ F (g, n − p)
gσ̂completo
sendo g o número de restrições lineares, no caso g = 1.
sq1 = sum(resid(m1)^2)
sq2 = sum(resid(m2)^2)
Fobs = (sq2 - sq1)/(sq1/108)
Fobs
## [1] 0.0065
## [1] 0.94
## [1] 0.99
## [1] 0.13
## [1] 0.0065
5
library(car)
linearHypothesis(m1, "log(labor) + log(capital) + log(fuel) = 1", test = "F")
# 2*pt(-sqrt(69.7), df = 108)
6
Residuals vs Fitted Normal Q−Q
4
35 35
0.4
3
Standardized residuals
150 150
2
0.2
Residuals
1
0.0
0
−0.4 −0.2
−2 −1
151
151
−3 −2 −1 0 1 2 −2 −1 0 1 2
35
150
150
151
Standardized residuals
151
1.5
149
0.15
Cook's distance
1.0
0.10
0.05
0.5
0.00
0.0
−3 −2 −1 0 1 2 0 20 40 60 80 100
##
## studentized Breusch-Pagan test
##
## data: m2
## BP = 16, df = 3, p-value = 0.001
round(vcov(m2), 3)
round(sandwich(m2), 3)
7
u2 <- resid(m2)^2
logu2 <- log(u2)
g <- fitted(update(m2, logu2 ~ .))
h <- exp(g)
m2MQP <- update(m2, weights = 1/h)
cbind(coef(summary(m2))[, 1:2], coef(summary(m2MQP))[, 1:2])
35 144
3
150 132
Standardized residuals
0.4
149
2
Residuals
0.2
1
0
0.0
−3 −2 −1
−0.4
176
−3 −2 −1 0 1 2 −2 −1 0 1 2
0.08
150
Cook's distance
141
1.0
0.04
0.5
0.00
0.0
−3 −2 −1 0 1 2 0 20 40 60 80 100
# 2*pt(-sqrt(142), df = 141)
8
6 Modelo com Termo Quadrático e Homogeneidade
(Utilizando todas as 123 observações. Elec70 ao invés de elec70.)
m3 <- lm(log(cost/fuel) ~ log(output) + I(log(output)^2) +
log(capital/fuel) + log(labor/fuel), data = Elec70)
summary(m3)
##
## Call:
## lm(formula = log(cost/fuel) ~ log(output) + I(log(output)^2) +
## log(capital/fuel) + log(labor/fuel), data = Elec70)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.4523 -0.0961 0.0012 0.0797 0.4068
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -7.29402 0.34428 -21.19 < 2e-16
## log(output) 0.39091 0.03699 10.57 < 2e-16
## I(log(output)^2) 0.03121 0.00258 12.11 < 2e-16
## log(capital/fuel) 0.07479 0.06165 1.21 0.22748
## log(labor/fuel) 0.26078 0.06811 3.83 0.00021
##
## Residual standard error: 0.14 on 118 degrees of freedom
## Multiple R-squared: 0.992,Adjusted R-squared: 0.991
## F-statistic: 3.46e+03 on 4 and 118 DF, p-value: <2e-16
bptest(m3)
##
## studentized Breusch-Pagan test
##
## data: m3
## BP = 35, df = 4, p-value = 5e-07
par(mfrow=c(2,2))
plot(m3, which=1:4)
20 20
3
Standardized residuals
2
0.2
Residuals
1
0.0
0
−1
−0.4
4
4
−3
151
151
−4 −2 0 2 −2 −1 0 1 2
1.5
0.6
Cook's distance
20
1.0
0.4
1
0.5
0.2
0.0
0.0
−4 −2 0 2 0 20 40 60 80 100 120
u2 <- resid(m3)^2
logu2 <- log(u2)
g <- fitted(update(m3, logu2 ~ .))
h <- exp(g)
9
m3MQP <- update(m3, weights = 1/h)
cbind(coef(summary(m3))[, 1:2], coef(summary(m3MQP))[, 1:2])
par(mfrow=c(2,2))
plot(m3MQP, which=1:4)
20 144
132
Standardized residuals
1
2
22
0.4
Residuals
1
0
0.0
−3 −2 −1
−0.4
176
−4 −2 0 2 −2 −1 0 1 2
1.5
0.15
Cook's distance
1.0
0.10
144
176
0.05
0.5
0.00
0.0
−4 −2 0 2 0 20 40 60 80 100 120
7 Conclusões
Evidência em favor de homogeneidade de ordem menor do que 1 da função de pro-
dução (retornos não constantes de escala).
Preços dos fatores explicam cerca de 70% da variabilidade nos custos.
10