Lista I - Econometria

Bibliotecas
library(dplyr)
library(stargazer)

Questão 1)Demanda por rosas. Admita os seguintes modelos:

Yi = α1 + α2 X2t + α3 X3t + α4 X4t + α5 X5t + ut (1)

ln Yt = β1 + β2 ln X2t + β3 ln X3t + β4 ln X4t + β5 X5t + ut (2)

# Matriz de dados

X <- matrix(data = cbind(c(1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1),

c(2.26,2.54,3.07,2.91,2.73,2.77,3.59,3.23,2.60,
2.89,3.77,3.64,2.82,2.96,4.24,3.69),
c(3.49,2.85,4.06,3.64,3.21,3.66,3.76,3.49,
3.13, 3.20, 3.65, 3.60, 2.94, 3.12, 3.58,
3.53),
c(158.11,173.36, 165.26, 172.92, 178.46,
198.62, 186.28, 188.98, 180.49, 183.33,
181.87, 185.00, 184.00, 188.20, 175.67,
188.00),
c(1, 2,3,4,5,6,7,8,9,10,11,12,13,14,15,16)), ncol = 5, nrow = 16)

colnames(X) <- c('intercept','pm_rosas', 'pm_cravos', 'rm_familiar', 'trend')

Y <- cbind(c(11.484, 9.348, 8.429, 10.079, 9.240, 8.862,

6.216, 8.253, 8.038, 7.476, 5.911, 7.950,
6.134, 5.868, 3.160, 5.872))*1000

colnames(Y) <- c('quant_rosas')

1. Estime os parâmetros do modelo linear e interprete os resultados.

Para estimar o βi , ∀i = 1, . . . , 5, devemos lembrar que estes podem ser calculados da seguinte forma:

β = (X ′ X)−1 X ′ y (3)

Em que β é uma matriz 5 × 1, X é uma matriz 16 × 5 e y é uma matriz 16 × 1.

# transpose matrix X
X_t <- t(X)

#compute beta
beta <- solve(X_t%*%X)%*%X_t%*%Y

1
beta

## quant_rosas
## intercept 10816.043255
## pm_rosas -2227.704360
## pm_cravos 1251.141202
## rm_familiar 6.282986
## trend -197.399940
Uma vez estimado o modelo, obtemos os coeficientes expressos acima. Introduzindo tais coeficientes na
expressão (1), obtemos:

Yi = 10816.04 − 2227.70X2t + 1251.14X3t + 6.28X4t − 197.40X5t + ut (4)

Interpretando os coeficientes: O intercepto corresponde a quantidade média de dúzias de rosas vendidas

durante o período observado, o que equivale à 10.816 dúzias de rosas. Como esperado, o aumento no preço
da dúzia de rosas esta correlacionado negativamente com a quantidade demandada de rosas, ou seja, a cada
aumento de 1 dólar no preço da dúzia de rosas, em média, a quantidade demandada de rosas reduz em
aproximadamente 2.227 dúzias de rosas. A forma de interpretação é semelhante para os demais coeficientes:
por exemplo, o aumento no preço do dúzia de cravos esta correlacionado positivamente com a quantidade
vendida de rosas, de modo que o aumento de 1 dólar no preço da dúzia de cravos eleva, em média, a demanda
por rosas em aproximadamente 1.251 dúzias de rosas. Note que esse resultado é interessante e, de acordo com
a teoria microeconômica, sugere que cravos e rosas são bens substitutos, tendo em vista que um aumento no
preço da dúzia de cravos aumenta a quantidade demandada da rosas. Em resumo, os coeficientes angulares
∂Y
da expressão (4) medem a taxa de variação de Y em relação as variáveis explicativas, .
∂Xi
Antes de prosseguir, podemos obter ainda a matriz de covariância, os resíduos e o coeficiente de determinação
do modelo.
# Estimate via OLS
data_lm <- data.frame(cbind(Y,X))
data_lm$intercept <- NULL
reg <- lm(quant_rosas ~ pm_rosas + pm_cravos + rm_familiar + trend, data = data_lm)
data_lm$residuals <- reg$residuals
data_lm$predict <- reg$fitted.values

summary(reg)

##
## Call:
## lm(formula = quant_rosas ~ pm_rosas + pm_cravos + rm_familiar +
## trend, data = data_lm)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1095.47 -670.22 -76.67 569.51 1945.14
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 10816.043 5988.348 1.806 0.0983 .
## pm_rosas -2227.704 920.466 -2.420 0.0340 *
## pm_cravos 1251.141 1157.021 1.081 0.3027
## rm_familiar 6.283 30.622 0.205 0.8412

2
## trend -197.400 101.561 -1.944 0.0780 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 969.9 on 11 degrees of freedom
## Multiple R-squared: 0.8347, Adjusted R-squared: 0.7746
## F-statistic: 13.89 on 4 and 11 DF, p-value: 0.0002805
2. Estime os parâmetros do modelo log-linear e interprete os resultados.
# Estimate via OLS
data_lm <- data_lm %>%
mutate(lnquant_rosas = log(quant_rosas),
lnpm_rosas = log(pm_rosas),
lnpm_cravos = log(pm_cravos),
lnrm_familiar = log(rm_familiar))

lnreg <- lm(lnquant_rosas ~ lnpm_rosas + lnpm_cravos + lnrm_familiar + trend, data = data_lm)

summary(lnreg)

##
## Call:
## lm(formula = lnquant_rosas ~ lnpm_rosas + lnpm_cravos + lnrm_familiar +
## trend, data = data_lm)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.27262 -0.06195 0.00202 0.05777 0.31723
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.57216 4.69516 0.761 0.4628
## lnpm_rosas -1.17073 0.48832 -2.397 0.0354 *
## lnpm_cravos 0.73794 0.65286 1.130 0.2824
## lnrm_familiar 1.15321 0.90199 1.279 0.2274
## trend -0.03011 0.01642 -1.834 0.0938 .
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.1607 on 11 degrees of freedom
## Multiple R-squared: 0.7988, Adjusted R-squared: 0.7256
## F-statistic: 10.92 on 4 and 11 DF, p-value: 0.0007981
Portanto, estimados os coeficientes de interesse, a expressão (4) pode ser reescrita da seguinte forma:

ln Yt = 3.572 − 1.170 ln X2t + 0.737 ln X3t + 1.153 ln X4t − 0.030X5t + ut (5)

Observe que, neste modelo, todos os coeficientes angulares são elasticidades parciais e podem ser computadas
da seguinte forma:

∂Y X̄i
ε= (6)
∂Xi Ȳ
3. β2 , β3 e β4 dão, respectivamente, as elasticidades-preço própria, preço cruzada e renda da demanda.
Quais seus sinais a priori? Os resultados obtidos confirmam as expectativas a priori?

3
Espera-se que a elasticidade-preço própria seja negativa. Por outro lado, caso rosas e cravos sejam bens
substitutos, esperamos que a elasticidade-preço cruzada seja positiva (ou complementares, caso a elasticidade-
preço cruzada seja negativa). Caso o bem seja normal, espera-se que o sinal da elasticidade-renda seja positivo.
Analisando os resultados obtidos, observa-se que os sinais são coerentes com as expectativas a priori.
4. Como você calcularia as elasticidades-preço própria, preço cruzada e renda do modelo linear?

∂Y X̄i
ε= (7)
∂Xi Ȳ
5. Com base em sua análise, qual dos modelos escolheria e por quê?
Devido a facilidade na interpretação dos resultados, eu escolheria o modelo 2, pois as derivadas parciais são
as próprias elasticidades (constantes) parciais.
Questão 2) Em um estudo sobre a rotatividade no mercado de trabalho, James F. Ragan, Jr. obteve os
seguintes resultados para a economia norte-americana no período que vai do primeiro trimestre de 1950 ao
quarto trimestre de 1979. (Os dados entre parênteses são a estatística t estimada.)

ln¯Y t = 4, 47 − 0, 34 ln X2t + 1, 22 ln X3t + 1, 22 ln X4t + 0, 80 ln X5t − 0, 0055X6t (8)

Onde as estatísticas t para cada coeficiente são, respectivamente, [(4, 28); (−5, 31); (3, 64); (3, 10); (1, 10); (−3, 09)].
Além disso, Y corresponde a taxa de saída do setor de transformação, definida como o número de pessoas que
saem voluntariamente da empresa para cada 100 empregados; X2 é uma proxy para a taxa de desemprego
masculino; X3 denota o percentual de empregos como menos do que 25 anos; X4 é a razão do emprego no
período anterior (t-1) em relação ao trimestre (t-4); X5 corresponde ao percentual de mulheres empregadas e
X6 denota a tendência temporal.
1. Interprete os resultados anteriores.
• um aumento de 1% na taxa de desemprego leva a uma redução de 0,34% na taxa de desistência do
emprego;
• um aumento de 1% no percentual de empregados com menos de 25 anos leva a um aumento de 1,22%
na taxa de desistência do emprego;
• um aumento de 1% na razão de empregados na indústria no trimestre leva a um aumento de 1,22% na
taxa de desistência do emprego;
• um aumento de 1% no percentual de mulheres empregadas leva a um aumento de 0,80% na taxa de
desistência do emprego;
• ao longo do período estudado, a taxa de desistência do emprego baixou à razão de 0,54% ao ano.
2. A relação negativa observada entre os logaritmos de Y e de X2 é justificável a priori?
Sim, espera-se que essa relação seja negativa. A razão para isso é simples: o aumento na taxa de desemprego
pode sinalizar para o indivíduo que ele terá dificuldades para encontrar outro trabalho, caso abandone seu
emprego atual; ou ainda terá de esperar um tempo maior para conseguir um novo trabalho. Você pode
interpretar isso também via custo de oportunidade, isto é, o custo de oportunidade de sair do emprego
aumenta quando o desemprego aumenta.
3. Por que o coeficiente de ln X3 é positivo?
Porque é esperado que a taxa de rotatividade seja maior entre os trabalhadores jovens, de sorte que à medida
que aumenta a contratação de pessoas com menos de 25 anos a taxa de desistência também aumenta.
4. Como o coeficiente de tendência é negativo, há um declínio secular na taxa percentual de saída do
emprego e, em caso afirmativo, por que há esse declínio?

4
A taxa de queda é 0,55%. As razões principais podem ser as melhorias nas condições de trabalho. Por outro
lado, o mercado de trabalho mais competitivo pode ter mudado a percepção das pessoas em buscar um novo
trabalho.
5. O R̄2 é baixo “demais”?
Esse resultado é relativo. Além do coeficiente de determinação, outros aspectos econométricos devem ser
observados.
6. Você pode estimar os erros padrão dos coeficientes por meio dos dados disponíveis? Justifique sua
resposta.
Note que a questão forneceu as estatísticas t como também os coeficientes estimados. Com essas informações
podemos obter os erros padrão a partir da expressão abaixo:

β̂i
t= (9)
ep(β̂i )