Cinthia - Resumo Gujarati

Cinthia de Souza Resumo dos captulos 9, 10 e 11 do Gujarati.
Captulo 9 Modelos de regresso com variveis binrias (dummies)

O tipo de variveis que temos trabalhado por enquanto era chamado variveis
proporcionais. Neste captulo envolvido no apenas as variveis proporcionais, mas tambm
variveis de escala nominal. Tais variveis so conhecidas ainda como variveis indicadoras, de
categoria, qualitativas ou binrias (dummies).

9.1 A natureza das variveis dummies

Em uma anlise de regresso a varivel dependente pode ser influenciada
freqentemente por variveis de natureza qualitativa, como o gnero, raa, cor, religio,
nacionalidade, etc. Tais variveis em geral indicam a presena ou ausncia de uma qualidade,
de forma que possvel quantific-la formulando valores de 1 e 0, em que 1 indica a presena
daquele atributo e 0 determina a ausncia do mesmo. Por exemplo, 1 indica que a pessoa
mulher; 0 indica que homem. Tais variveis so facilmente incorporadas aos modelos de
regresso por meio dos modelos de anlise de varincia (ANOVA).

Ex 9.1

Y = B1 + B2D2i + B3D3i + ui
Yi = salrio mdio do professor na rede pblica
D2i = 1 se o estado for do Nordeste ou Norte central; 0 se no for
D3i = se o estado pertencer a regio Sul; 0 se no pertencer.

Neste caso, o salrio mdio dos professores da regio nordeste e centro norte ser: D2i = 1;
D3i = 0:
E(Y) = B1 + B2

No sul:
E(Y) = B1 + B3

No oeste: E(Y) = B1

Rodando o modelo:

Y = 48014,615 +1524,099D2i 1721,027D3i

Estes resultados indicam que o salrio mdio no oeste de 48014,6015 reais, no nordeste
48014,615 + 1524,099 = 49539; e na regio sul 48014,615 1721,027 = 46294.

Tais nmeros parecem diferentes, mas so eles estatisticamente diferentes um dos outros?
Para saber, basta descobrir se cada um dos coeficientes angulares estatisticamente
significativo. Nesse caso os coeficientes no so significativos, visto que seus p valor so
maiores que 0,05. Logo, estatisticamente no h diferena de salrio de acordo com o estado.

Advertncia quanto ao uso das variveis dummies

1 Para distinguir as trs regies, usamos apenas duas variveis dummies. Isso ocorre pois se
usssemos as 3, haveria colinearidade perfeita. Ou seja, se uma varivel qualitativa tem m
categorias, introduza m-1 variveis binrias.

2 A categoria que no atribuda uma varivel binria conhecida como categoria de
referncia.

3 O valor de B1 representa o valor mdio da categoria de referncia.

4 Os coeficientes ligados as variveis binrias so conhecidos como coeficientes diferenciais
de intercepto, pois informam quanto a categoria que recebe o valor de 1 difere do valor mdio
da categoria de referncia.

5 A escolha da categoria de referncia fica a critrio do pesquisador.

9.3 Modelos ANOVA com duas variveis qualitativas

No modelo anterior havia uma varivel qualitativa com trs categorias; nesta seo
consideraremos outro modelo com duas variveis qualitativas.

Ex 9.2

Y = 8,81 +1,099D2i 1,672D3i
Y = salrio por hora
D2 = estado civil; 1 = casado, 0 = outros
D3 = regio de residncia; 1 = sul, 0 = outros

Nesse caso a categoria de referncia no casado e no residente na regio sul. O ganho
mdio dessa referncia de 8,81 reais por hora. Para os homens casados, esse valor de 9,91.
J aqueles que moram no sul de 7,14.

Os ganhos so estatisticamente significativos, pois todos interceptos diferenciais so
estatisticamente significativos.

9.4 Regresso com uma mistura de regressores quantitativos e qualitativos: modelos
ANCOVA

Os modelos de regresso que misturam a variveis quantitativas e qualitativas so chamados
de modelos de anlise de covarincia (ANCOVA).

Ex 9.3

Y = B1 + B2D2i + B3D3i + B4Xi + ui
Y = salrio mdio de professores
Xi = gastos com escola pblica por aluno
D2i = 1 se o Estado for do nordeste ou do centro-norte; 0 caso contrrio
D3i = 1 se for da regio sul; 0 caso contrrio.

Rodando o modelo:

Y = 28694,918 2954,127D2i 3112,194D3i + 2,3404Xi

Ou seja: Quando o gasto com escolas aumenta em um dlar, o salrio de um professor
aumenta cerca de 2,34 reais. Os resultados so diferentes do modelo anterior pois agora
acrescentamos os gastos. Nesse caso, o salrio mdio quando os gastos forem iguais a zero na
rgio oeste 28694,918; na regio nordeste 25741 e no sul 25583.

9.5 A varivel binria alternativa ao teste de Chow

O teste de Chow foi usado para ver se havia diferena na relao entre poupana e
renda nos EUA em dois perodos. O teste apenas informa se h diferena, todavia no indica
qual seria essa diferena, que pode ser: interceptos distintos, inclinaes distintas, ambos
distintos ou ambos iguais.
Para saber a origem deve-se fazer uma regresso mltipla como a seguinte:

Y = A1 + A2Dt + B1Xt + B2(Dt, Xt) + ut

Onde Y = poupana; X = renda; t = tempo;
D = 1 para observaes em 1982 1995; 0 caso contrrio (observaes em 1970 -1982)

Funo poupana para 70 95:

E ( Y| Dt=0, Xt ) = A1 + b1Xt

Para 82 95:

E ( Y | Dt = 1, Xt ) = (A1 + A2) + (B1 + B2) Xt

Na equao geral tem-se que A2 o intercepto diferencial, B2 o coeficiente angular
diferencial (tambm chamado de deslocador de coeficiente angular), indicando quanto o
coeficiente angular da funo poupana do segundo perodo difere daquele do primeiro
perodo. A introduo da varivel binria D na forma multiplicativa (d x X) permite diferenciar
entre os coeficientes angulares dos dois perodos, assim como a varivel binria da forma
aditiva permitiu distinguir entre os interceptos dos dois perodos.

Ex 9.5

Resultados da regresso:

Y = 1,0161 + 152,47Dt + 0,0803Xt 0,0655(DtXt)

Modelo 3: MQO, usando as observaes 1970-1995 (T = 26)
Varivel dependente: SAVINGS

Coeficiente Erro Padro razo-t p-valor
const 1,01612 20,1648 0,0504 0,96027
INCOME 0,0803319 0,0144968 5,5413 0,00001 ***
xd -0,0654694 0,0159824 -4,0963 0,00048 ***
dummy 152,479 33,0824 4,6091 0,00014 ***

Mdia var. dependente 162,0885 D.P. var. dependente 63,20446
Soma resd. quadrados 11790,25 E.P. da regresso 23,14996
R-quadrado 0,881944 R-quadrado ajustado 0,865846
F(3, 22) 54,78413 P-valor(F) 2,27e-10
Log da verossimilhana -116,4125 Critrio de Akaike 240,8250
Critrio de Schwarz 245,8574 Critrio Hannan-Quinn 242,2742
r 0,167786 Durbin-Watson 1,648454

Para 70 81:

Y = 1,0161 + 0,0803Xt

Para 82 95:

Y = (1,0161 +152,47) + (0,0803 0,0655)Xt
Y = 153,49 + 0,0148Xt

Como tanto o intercepto diferencial como os coeficientes angulares so estatisticamente
significativos, tem-se que as regresses so distintas para os dois modelos. O intercepto e a
inclinao so ambos distintos.

9.6 Efeitos de interao usando variveis dummies

No caso Y = A1 + A2D2i + A3D3i + BXi + ui
Onde: Y = salrio por hora
X = escolaridade
D2 = 1 se mulher, 0 se homem
D3 = 1 se no branco e no espnico, 0 nos demais

Nesse caso est implcito que o efeito da varivel binria D2 constante nas categorias de raa
e que a binria D3 constante nos dois gneros. Todavia isso pode no ser verdade, pode
haver interao entre as variveis. O efeito das variveis pode no ser aditivo como naquela
equao, como tambm multiplicativo como na seguinte:

Y = A1 + A2D2i + A3D3i + A4(D2iD3i) + BXi + ui

Nesse caso A4 representa o efeito de ser mulher no branca e no hispnica.

Primeiro ser estimado o modelo com efeito aditivo:

Y = -0,2610 2,3606D2i 1,7327D3i +0,8028Xi
Ou seja, mantendo tudo o mais constante, os ganhos mdios das mulheres so menores em
2,36 reais e o ganho mdio de trabalhadores no brancos e no hispnicos so 1,73 reais mais
baixos.

Incluindo a varivel binria de interao:

Y = -0,2610 2,3606D2i 1,7327D3i + 2,1289D2iD3i + 0,8028Xi

Nesse caso a varivel interativa binria no deu estatisticamente significante. Porm se
considerarmos que o nvel de significncia 10% tem-se que: mantendo o nvel de
escolaridade constante, se acrescentarmos os trs coeficientes de varivel dummy teremos: -
1,96 = ( -2,36 1,73 + 2,12) o que significa que o salrio mdio por hora de mulheres no
brancas e no hispnicas inferior em cerca de 1,96 reais.

9.7 O uso de variveis dummies na anlise sazonal

Existem vrios mtodos para dessazonalizar uma srie temporal, mas consideraremos apenas
um deles: o mtodo de variveis binrias.

Para exemplificar o caso, apresentada uma tabela sobre a venda de quatro eletrodomsticos:
lavadores de pratos, trituradores de lixo, lavadoras de roupas e geladeiras.

Para exemplificar, pegaremos apenas o caso das geladeiras:

Y = A1D1t + A2D2t + A3D3t + A4D4t + ut

Em que Y = vendas de geladeiras e os D so variveis binrias, onde cada uma apresenta 1 em
um trimestre e zero nos demais. Nesse caso admitimos uma varivel pra cada semestre, mas
omitimos o intercepto.

Rodando o modelo:

Modelo 1: MQO, usando as observaes 1978:1-1985:4 (T = 32)
Varivel dependente: FRIG

dq1 1222,12 59,9904 20,3720 <0,00001 ***
dq2 1467,5 59,9904 24,4622 <0,00001 ***
dq3 1569,75 59,9904 26,1667 <0,00001 ***
dq4 1160 59,9904 19,3364 <0,00001 ***

F(3, 28) 10,60102 P-valor(F) 0,000079
r 0,808979 Durbin-Watson 0,392512

Y = i222,125D1t + 1467,500D2t + 1569,750D3t + 1160,000D4t
Cada coeficiente representa a venda mdia de geladeiras em cada trimestre.

No caso de no suprimirmos a regresso e considerar o primeiro trimestre como referncia,
temos:


const 1222,12 59,9904 20,3720 <0,00001 ***
dq2 245,375 84,8393 2,8922 0,00732 ***
dq3 347,625 84,8393 4,0975 0,00032 ***
dq4 -62,125 84,8393 -0,7323 0,47009

F(3, 28) 10,60102 P-valor(F) 0,000079
r 0,808979 Durbin-Watson 0,392512

Y = 1222,1250 + 245,37D2t + 347,62D3t 62,12D4t

Nesse caso, 1222,1250 o valor mdio de vendas pro primeiro trimestre, e os demais
coeficientes nos do a variao de vendas com relao a esse valor para cada trimestre.

Para dessazonalizar a srie, estimamos com base no modelo acima os valores de Y para cada
observao e subtramos dos mesmos os valores efetivos de Y, ou seja, diminumos dele o
valor dos reduos da regresso.

Se adicionarmos a varivel quantitativa gastos com bens durveis temos:


const 456,244 178,265 2,5594 0,01640 **
dq2 242,498 65,6259 3,6952 0,00099 ***
dq3 325,264 65,8148 4,9421 0,00004 ***
dq4 -86,0804 65,8432 -1,3074 0,20212
DUR 2,77342 0,623285 4,4497 0,00013 ***

F(4, 27) 18,23901 P-valor(F) 2,30e-07
r 0,689788 Durbin-Watson 0,566015

9.8 Regresso linear segmentada

Tendo os dados sobre comisso, vendar e o valor do limiar X*(onde ocorre a mudana), a
tcnica das variveis binrias pode ser usada para estimar os coeficientes angulares dos dois
segmentos da regresso linear. Pode-se proceder da seguinte forma:

Y = A1 + B1Xi +B2(Xi X*)Di + ui

Supondo o caso de comisso de vendas:
Yi = comisso de vendas
Xi = volume de vendas geradas pelo vendedor
X* = limiar de vendas
D = 1 de Xi>X*; 0 se Xi<X*

Temos:
E( Yi| Di = 0, Xi, X* ) = A1 + B1Xi e
E ( Yi | Di = 1, Xi, X* ) = A1 B2X* + (B1 + B2)Xi

Ex 9.7

Relao entre custo total e produo

Modelo 7: MQO, usando as observaes 1-10
Varivel dependente: cost

const -145,717 176,734 -0,8245 0,43685
output 0,279126 0,0460081 6,0669 0,00051 ***
xd 0,0945 0,0825524 1,1447 0,28995

F(2, 7) 129,6078 P-valor(F) 2,95e-06

De acordo com o modelo, o custo marginal da produo de aproximadamente 28 centavos
por unidade. Quando a produo ultrapassa X*, o custo marginal de 28+9 = 37. Todavia, a
varivel binria no significativa, o que significa que podemos excluir a varivel binria.

9.10 Alguns aspectos tcnicos

A interpretao de variveis dummies em regresses semilogartmicas

Ln Yi = B1 + B2Di + ui
Onde Y = salrio-hora e D = 1 para mulheres e 0 para homens.

Funo salrio para homens:

E( ln Yi | Di = 0 ) = B1
E ( ln Yi | Di = 1 ) = B1 + B2

O intercepto B1 d o logaritmo mdio do salrio-hora e o coeficiente angular d a diferena
no logaritmo mdio dos ganhos por hora de homens e mulheres.

Ex 9.8

Ln Yi = 2,17 0,24Di

Ou seja: tomando o antilogartimo de 2,17, encontramos 8,81, que corresponde ao salrio
mediano por hora dos homens. Ao retirarmos o antilogartimo de 2,17 0,24 = 1,92, obtemos
6,87, que so os ganhos medianos por hora recebidos pelas mulheres.

Variveis dummies e heterocedasticidade

No exemplo poupana-renda nos EUA para ou perodos de 70-81 e 82-95 foi testada a
estabilidade estrutural supondo que a var(u1i) = var (u2i) = , ou seja, que a varincia nos dois
perodos era igual. Para no tirarmos concluses precipitadas, deve-se checar se as varincias
so de fato iguais. Se elas no forem, os mtodos aqui expostos podem no ser aplicveis.

Captulo 10 Muticolinearidade: O que acontece se os regressores
estiverem correlacionados?

10.1 A natureza da multicolinearidade

Originalmente, o termo multicolinearidade significava a existncia de uma relao linear
perfeita, ou seja:

A1B1 + A2X2 + .... + AkXk = 0

Hoje o termo usado em sentido mais amplo, incluindo tambm variveis que esto
intercorrelacionadas, mas no perfeitamente:

A1X1 +A2X2 + ... + AkXk + vi = 0

A multicolinearidade conforme assim definida diz respeito apenas a relaes lineares. Se o X
estivesse elevado ao quadrado, no haveria multicolinearidade, entretanto nessas equaes
h dificuldade para estimar os parmetros.

No se pode ter multicolinearidade perfeita pois se houvesse os coeficientes das variveis X
seriam indeterminados e seus erros padro infinitos. Quando a linearidade for menos que
perfeita, os coeficientes sero determinados, mas tero um erro padro alto.

Exemplo de fontes de colinearidade:

1 O mtodo de coleta de dados empregado.
2 Restries ao modelo ou populao que est sendo amostrada
3 Especificao do modelo
4 Um modelo sobredeterminado
5 Existncia de tendncia comum

10.2 Estimao na presena de multicolinearidade perfeita

Demonstrao matemtica de que quando h multicolinearidade perfeita os coeficientes no
podem ser determinados e os erros padro so infinitos, apenas a relao linear entre os
coeficientes pode ser determinada.

10.3 Estimao na presena de multicolinearidade alta, mas imperfeita

X3i = bx2i + vi

Onde vi um termo de erro estocstico tal que x2ivi = 0. Nesse caso, a estimao dos
coeficientes possvel. Todavia as varincias sero altas e os erros padro tambm. Se vi for
muito pequeno, a equao indicar linearidade quase perfeita.

10.4 Multicolinearidade: muito barulho por nada?
Mesmo se a multicolinearidade for muito alta, os estimadores MQO conservaro a
propriedade de melhores estimadores lineares no viesados.

Segundo Achen, a multicolinearidade apenas dificulta a obteno de estimativa dos
coeficientes, da mesma forma que um baixo nmero de observaes tambm o faz.

verdade que os estimados de MQO sero inviesados se forem perfeitamente colineares. Mas
tal fato no diz nada a cerca das propriedades dos estimadores. Em segundo lugar, verdade
tambm que a varincia tambm ser mnima. Contudo isso no significa que a varincia ser
pequena o suficiente. Terceiro, a multicolinearidade essencialmente um fenmeno amostral,
no sentido de que mesmo se ela no existir, a amostra elas podem estar perfeita e
linearmente relacionadas.

Por exemplo, no caso consumo, renda e riqueza na qual os economistas apontam a
necessidade de utilizar as trs variveis:

Consumo = B1 + B2Renda + B3Riqueza + ui

Nesse caso pode haver uma alta colinearidade entre renda e riqueza. Embora teoricamente
renda e riqueza sejam candidatos lgicos para explicar o comportamento do consumo, na
prtica pode ser difcil separa as influncias de cada varivel. Para avaliarmos os efeitos
individuais da riqueza e da renda sobre o consumo, precisamos de um nmero suficiente de
observaes de amostra dos indivduos ricos com baixa renda e com anta renda e baixa
riqueza. Logo, o fato dos estimadores serem MELNT significa pouco.

10.5 Conseqncias prticas da multicolinearidade

Em caso de alta colinearidade provvel que nos deparemos com as seguintes conseqncias:

1 embora sejam os melhores estimadores lineares no viesados, os estimadores de MQO
tm grandes varincias e covarincias, tornando difcil uma estimao precisa.
2 Devido a conseqncia 1,os intervalos de confiana tendem a ser muito mais amplos,
levando aceitao imediata da hiptese nula igual a zero
3 A razo t dos coeficientes tende a ser estatisticamente insignificante.
4 Embora a razo t de um ou mais coeficientes seja estatisticamente insignificante, R, a
medida geral da qualidade do ajustamento, pode ser muito alto.
5 Os estimadores de MQO e seus erros padro podem ser sensveis a pequenas alteraes
nos dados.

Ex 10.1

Suponha a relao entre consumo, renda e riqueza

Varivel dependente: Y

const 24,7747 6,7525 3,6690 0,00798 ***
X2 0,941537 0,822898 1,1442 0,29016
X3 -0,0424345 0,0806645 -0,5261 0,61509

F(2, 7) 92,40196 P-valor(F) 9,29e-06

Y = 24,77 + 0,94X2 0,042X3

Ou seja, a renda e a riqueza juntas explicam cerca de 96% da variao do consumo, mas
nenhum dos coeficientes significativo. Alm disso, a varivel riqueza tem o sinal errado.
Apesar disso, o modelo globalmente significante. Como j ressaltado, quando a colinearidade
alta, os testes dos regressores individuais no so confiveis; em tais casos o teste F geral
que indicar se Y est relacionado aos vrios regressores. O fato do teste F ser significativo
mas individualmente as variveis serem insignificantes, significa que as duas variveis esto
to correlacionadas que impossvel identificar o impacto isolado de cada uma.

Se fizermos a regresso de X3 contra X2:

Varivel dependente: X3

const 7,54545 29,4758 0,2560 0,80442
X2 10,1909 0,164262 62,0405 <0,00001 ***

F(1, 8) 3849,020 P-valor(F) 5,06e-12

O que mostra que h uma colinearidade quase perfeita entre X3 e X2.

Regresso de Y contra X2:


const 24,4545 6,41382 3,8128 0,00514 ***
X2 0,509091 0,0357428 14,2432 <0,00001 ***

F(1, 8) 202,8679 P-valor(F) 5,75e-07

Anteriormente a varivel renda era estatisticamente insignificante, agora ela altamente
significante. Agora, a regresso de Y contra X3:


const 24,411 6,8741 3,5512 0,00750 ***
X3 0,0497638 0,00374399 13,2917 <0,00001 ***

F(1, 8) 176,6681 P-valor(F) 9,80e-07

Vemos que a riqueza agora est com o sinal correto e altamente significativa. esse resultado
mostra que uma forma de escapar da extrema colinearidade excluir a varivel colinear.

Ex 10.2

Dados sobre consumo (C), renda pessoal real disponvel (Yd), riqueza real (W), taxa de juros
real (I) para os EUA de 1947-2000.

Ln C = B1 +B2ln(Yd) + B3lnW + B4I + ut
Nesse caso os coeficientes deram significativos o R deu alto, e os sinais esto certos, no
havendo motivos de se preocupar muito com a multicolinearidade.

10.7 - Deteco da multicolinearidade

1 A multicolinearidade questo de grau, no de tipo
2 uma caracterstica da amostra, no da populao

Sinais de colinearidade alta:

1 R alto mas poucas variveis significativas;
2 Alta correlao entre pares de regressores;
3 Exame de correlaes parciais
4 Regresses auxiliares
5 Autovalores e ndice condicional
6 Tolerncia e fator de inflao da varincia quando R 1, o FIV tende ao infinito
7 Diagrama de disperso

10.8 Medidas corretivas

O que fazer se a multicolinearidade for alta?

No fazer nada: Blanchard diz que a multicolinearidade foge de nosso controle e um
problema de deficincia de dados (micronumerosidade)

Procedimentos:

1 Uma informao a priori: Suponha que o modelo

Y = B1 + B2X2i + B3X3i + ui

Onde y = consumo, X2 = renda e X3 = riqueza. Suponha que a relao linear entre renda e
riqueza seja: B3 = 0,1B2. Pode-se efetuar a seguinte regresso:

Y = B1 + B2X2 + 0,1B2X3i + ui = B1 + B2Xi + ui, em que Xi = X2i +0,1X3i.

2 Combinando dados de corte transversal e de sries temporais

Suponhamos que desejemos estudar a demanda por automveis nos EUA e pressupomos que
tenhamos dados de uma srie temporal do nmero de carros vendidos, do preo mdio do
carro e da renda do consumidor. Suponha que:

Ln Y = B1 + B2ln P + B3ln R + u

Em que Y = numero de carros vendidos, P = preo mdio, R = renda e t = tempo. Nosso
objetivo estimar as elasticidades preo e renda. Em sries temporais as variveis preo e
renda em geral tendem a ser altamente colineares. Se temos dados de corte transversal,
podemos chegar a uma estimativa confivel da elasticidade renda B3, pois nesses dados os
preos no variam muito. Seja B3 a elasticidade renda estimada por corte transversal. Usando
a estimativa, pode-se escrever a regresso da srie temporal como:

Y* = B1 + B2ln P + u

em que Y*= lnY - B3ln R, ou seja, Y* representa o valor de Y depois de removermos o efeito
renda. Agora podemos estimar a elasticidade preo B2 por meio da regresso anterior.

3 Excluses de variveis e vis de especificao Excluir varivel que apresenta
multicolinearidade, todavia pode levar a erros de especificao e a resultados viesados.

4 Transformaes de variveis

Y = B1 + B2X2i + B3X3i + ui

Y(t-1) = B1 + B2X2i(t-1) + B3X3i(t-1) + ui

Subtraindo uma equao da outra:

Y Y (t 1) = B2 (X2 X2(t-1)) + B3( X3 X3 (t -1)) + Vt

Tal equao conhecida como forma de primeira diferena. Ela frequentemente reduz a
gravidade da multicolinearidade. Outra forma fazer um transformao proporcional,
dividindo a equao por uma das variveis altamente correlacionadas.

5 Dados adicionais ou novos

Mudar a amostra ou ampli-la, visto que a multicolinearidade um aspecto da amostra. Em
outra amostra envolvendo as mesmas variveis a multicolinearidade pode ser menor.

6 Reduzindo a colinearidade em regresses polinomiais

A colinearidade costuma se reduzir bastante quando as variveis explanatrias so expresso
na forma de desvios da mdia.

10.9 A multicolinearidade um mal necessrio?

Se a anlise de regresso tiver como objetivo a previso ou prognstico, a multicolinearidade
no um problema to grave, pois quanto mais alto R melhor a previso. Todavia as
amostras futuras devem seguir a mesma relao linear das antigas, o que difcil de ocorrer.

10.10 Um exemplo ampliado: os dados de Longley

Srie temporal para os anos de 1947 1962 e referem-se a Y = numero de pessoas
empregadas; X1 = deflator implcito dos preos no PNB; X2 = PNB; X3 = nmero de pessoas
desempregadas; X4 = nmero de pessoas nas foras armadas; X5 = populao no
institucionalizada com mais de 14 anos; X6 = ndex.

Nesse caso o R d alto e poucas variveis do significantes, o que pode sugerir que temos
problema de multicolinearidade. Ao analisar a tabela de correlao, vimos que muitas delas
so altas. Para haver certeza da multicolinearidade, testa-se regresses auxiliares, de cada
varivel X contra as variveis X remanescentes. Os R so muito altos, o que sugere um grande
problema de colinearidade. Aplicando o teste F na regresso, percebe-se que as variveis so
globalmente significantes.

Para tentar corrigir o problema: Passe o PNB nominal para o real; a populao esta
diretamente correlacionada com o tempo, ento retira-se o tempo; e no h razo para incluir
X3. Efetuando-se essas alteraes, os coeficientes estimados so significativos e os sinais
fazem sentido.

Captulo 11 Heterocedasticidade: O que acontece se a varincia do erro no constante?

11.1 A natureza da heterocedasticidade

Uma das hipteses importantes do modelo clssico de regresso linear que a varincia de
cada termo de erro ui um nmero constante e igual a . Tal hiptese chamada de
homocedasticidade, o seja, igual espalhamento (igual varincia).

Todavia, h vrios fatores que contribuem para que as varincias no sejam constantes, como
os seguintes:

1 De acordo com os modelos de erro aprendizagem, comportamentos incorretos das
pessoas tendem a diminuir com o tempo, esperando-se que diminua.

2 Conforme a renda aumenta, as pessoas tem mais renda discricionria, e portanto mais
opes para escolher onde alocar sua renda. Por isso, provvel que aumente com o
tempo.

3 A medida que as tcnicas de coleta de dados se aprimoram, provvel que diminua.

4 - A heterocedasticidade pode ocorrer como resultado de dados discrepantes.

5 Se o modelo de regresso nao for especificado corretamente, tambm pode haver
heterocedasticidade.

6 Outra fonte da heterocedasticidade a assimetria na distribuio de um ou mais
regressores. Por exemplo, variveis econmicas como renda, riqueza e educao, pois a
distribuio de renda e riqueza costuma ser desigual.

7 A heterocedasticidade tambm pode surgir da transformao incorreta de dados e da
forma funcional incorreta.

O problema da heterocedasticidade provavelmente mais comum em dados de corte
transversal do que nas sries temporais, visto que o primeiro lida com amostras que podem
diferenciar geograficamente, economicamente, etc. e o segundo apenas lida com a diferena
temporal.

11.2 Estimativa dos MQO na presena da heterocedasticidade

O que ocorre com os MQO e suas varincias se introduzirmos a heterocedasticidade?

Considerando o modelo:
Y = B1 + B2Xi +ui

A varincia dada por:

Var B2 = xi /(xi)

Que diferente da frmula usual varB2= /x1

Ainda haver MELNT quando houver heterocedasticidade? O coeficiente B2 continuar sem
ser tendencioso, pois para isso no necessrio que os termos de erro sejam homocedsticos.
Porm, B2 deixa de ser o melhor estimador e a varincia mnima no dada por sua equao.

11.3 O mtodo dos mnimos quadrados generalizados (MQG)

Queremos montar um modelo em que as observaes vindas de populaes com maior
variabilidade recebam menos peso do que as que possuem menor variabilidade. possvel
fazelo pelo mtodo MQG.

Y = B1X1 +B2X2 + ui

Dividindo ambos lados por :

Y/ = B1X1/ +B2X2/ + ui/

Aplicando a frmula da varincia, percebe-se que ela ser 1. Logo, uma forma de resolver o
problema da heterocedasticidade transformar a equao e depois aplicar o MQO.

Diferena entre os MQO e os MQG

Como ui = wi(Yi B1Xi B2Xi)

wiui = wi(Yi* B1*Xi B2*Xi)

Em que wi = 1/
Dessa forma, quando a varincia aumenta, o peso ser menor. J no MQO, os pesos sero os
mesmos quando a SQR for minimizada. A equao chamada mnimos quadrados
ponderados.

11.4 Consequncias de usar MQO na presena de heterocedasticidade

Os estimadores B2 e B2* ambos no so tendenciosos, todavia B2* eficiente, ou seja, tem
menor varincia. Como ficar nossas testes no caso de considerar B2*? Se persistimos no uso
dos procedimentos comuns de teste apesar da heterocedasticidade, quaisquer que sejam as
concluses a que chegarmos podem estar equivocadas.

11.5 - Deteco da heterocedasticidade

Na maior parte dos casos que envolvem investigaes economtricas, a heterocedasticidade
pode ser uma questo de intuio, visto que apenas podemos de fato saber se ela existe se
tivermos conhecimento da populao inteira, o que muito difcil ocorrer na rea econmica.

Mtodos informais:

Natureza do problema Por exemplo, ao estudar o comportamento da renda sobre o
consumo, espera-se varincias desiguais entre os termos de erro.

Mtodo grfico Pode-se estimar a regresso como se no houvesse hetorocedasticidade e
ento fazer um grfico dos resduos elevados ao quadrado para ver se os mesmos possuem um
padro sistemtico. Se possurem, h heterocedasticidade.

Mtodos formais:

Teste de Park Park formaliza o mtodo grfico sugerindo que seja uma funo da varivel
explanatria Xi. A forma funcional por ele sugerida :

i = Xi^B*e^vi

ou

ln i = ln + B ln Xi + vi

Como i em geral no conhecido, deve-se usar ui como Proxy e calcular a regresso:

Ln ui = ln + B ln Xi + v

Se B for estatisticamente significativo, tem-se que a heterocedasticidade est presente.Esse
teste feito em dois passos: Primeiro fazemos a regresso de MQO desconsiderando a
heterocedasticidade e depois se obtem o ui dessa regresso, e faz-se a regresso acima
exposta. Todavia, vi pode tambm ser heterocedastico, e camos no mesmo problema.

Ex 11.1

Y = B1 + B2Xi + ui
Onde Y = remunerao e X = produtividade.

Varivel dependente: r

const 1992,06 936,612 2,1269 0,07100 *
p 0,232999 0,0998528 2,3334 0,05235 *

F(1, 7) 5,444885 P-valor(F) 0,052349

Salvando o erro e rodando com relao a X:

Varivel dependente: l_usq1

const 35,8268 38,3227 0,9349 0,38097
l_p -2,80202 4,19613 -0,6678 0,52568

R-quadrado 0,059886 R-quadrado ajustado -0,074416
F(1, 7) 0,445907 P-valor(F) 0,525681

Como no h significncia no parmetro, no h heterocedasticidade.

Teste de Glejser Depois de obter os resduos da regresso MQO, Glejser sugere a regresso
dos valores de ui absolutos contra a varivel X.

|ui| = B1 + B2Xi + vi

Ex 11.2

Varivel dependente: uhat1

const 407,476 633,189 0,6435 0,54038
p -0,0203497 0,0675047 -0,3015 0,77183

F(1, 7) 0,090875 P-valor(F) 0,771825

Novamente no h significncia, portanto no h heterocedasticidade.

Teste de correlao por ordem Spearman o coeficiente de correlao de ordem precedente
pode ser usado para detectar a heterocedasticidade como se segue, supondo Y = B0 + B1Xi + ui

Etapa 1 Ajuste a regresso aos dados em Y e X e obtenha os resduos ui
Etapa 2 Usando o valor absoluto de u, ordene tanto ui quando X de acordo com uma ordem
ascendente ou descentende e calcule o coeficiente de correlao
Etapa 3 Supondo que o coeficiente de correlao por ordem da populao seja zero e n >8, a
significncia de Rs na amostra pode ser verificada pelo teste t a seguir:

T = Rs (n-1)^1/2/(1 r)^1/2

Se o valor t exceder o valor t crtico, aceita-se a hiptese da heterocedasticidade, caso
contrrio rejeita-se.

Ex 11.3

Varivel dependente: E

Const 9,178 0,39338 23,3311 <0,00001 ***
Oi 0,689455 0,063399 10,8748 <0,00001 ***

F(1, 8) 118,2624 P-valor(F) 4,52e-06

RS = 1 6 (110/(10*(100-1)) = 0.3333
Como t crtico = 0,99

Como t menor que t crtico, no h heterocedasticidade.

Teste de Goldfeld-Quandt aplicvel quando se supe que a varincia heterocedastica
relaciona-se positivamente com uma das variveis explanatrias.

Etapa 1 Ordene as observaes de acordo com os valores de X, a comear pelo valor mais
baixo
Etapa 2 - Omita c observaes centrais e divida as remanescentes em dois grupos com
observaes (n-c)/2 em cada um.
Etapa 3 Ajuste as regresses separadamente, para as primeiras obsevaes (n-c)/2 e para as
ltimas obtenha as somas dos quadrados dos resduos.
Etapa 4 Calcula a razo SQR2/gl/SGR1/gl

Se o valor calculado for maior que o crtico, rejeita-se a hiptese de homocedasticidade e
aceita-se a heterocedasticidade.

Teste de White Y = b1 +b2x2 + b3x3 +ui
Etapa 1 Calcula-se o u da equao acima
Etapa 2 Faz- se a seguinte regresso

U = A1 + A2X2 + A3 X3 + A4X2 + A5X3 + A6X2X3 =v

Etapa 3 n*R . se esse valor der maior que o qui quadrado crtico, h heterocedasticidade.

Ex 11.4

Y = 3,4 + 0,69X para as 13 primeiras observaes SQR = 377,17
Y = -28,02 + 0,79Xi para as 13 ltimas SQR = 1536,8

= 1536,8/377,17 =4,07

F crtico = 2,82. Logo, rejeita-se a hiptese de homecedasticidade.

11.6 - Medidas corretivas

Quando conhecido: mtodo dos mnimos quadrados ponderados

Ex 11.7

Y/ = B1 (1/ ) + B2( Xi/ i) + ui/ i

Varivel dependente: YSIGMA

XSIGMA 153,865 16,6661 9,2322 0,00004 ***
s 3410,16 79,4293 42,9333 <0,00001 ***

F(2, 7) 4947,196 P-valor(F) 9,40e-12
Log da verossimilhana 6,501524 Critrio de Akaike -9,003048
Critrio de Schwarz -8,608598 Critrio Hannan-Quinn -9,854268

Y/ = 3406,63 (1/) = 154,15 (X/)

Quando desconhecido:

White mostrou que esta estimativa pode ser realizada de modo que inferncias estatsticas
vlidas assintoticamente possam ser feitas sobre os verdadeiros valores dos parmetros. Os
erros padro corrigidos para a heterocedasticidade de White tambm so conhecidos como
erros padro robustos.

Ex 11.8

Y = 832,91 1834,2 (Renda) + 1587,04 (Renda)
Ep MQO =(327,3); (829) e (519,1)

Ep White: 460,9; 1243,0; 830.

Hipteses plausveis sobre o padro de heterocedasticidade

H1- A varincia do erro proporcional a Xi
H2 A varincia do erro proporcional a Xi.
H3 A varincia do erro proporcional ao quadrado do valor mdio de Y
H4 uma transformao logartmica reduz a heterocedasticidade quando comparada com a
regresso sem log.

11.7 Exemplos finais

11.9

Teste de Parker

Varivel dependente: usq5

const 706,571 611,148 1,1561 0,25206
CM 6,74637 3,81189 1,7698 0,08167 *

Soma resd. quadrados 3,28e+08 E.P. da regresso 2298,787
F(1, 62) 3,132272 P-valor(F) 0,081674

Como a varivel no significante ao nvel de 5%, pode-se dizer que a homecedasticidade
vlida.

Teste de Glejser


const 22,4779 6,8776 3,2683 0,00177 ***
CM 0,0635019 0,0428974 1,4803 0,14385

F(1, 62) 2,191349 P-valor(F) 0,143852

Novamente, no h significncia.

Teste de White


const 1409,14 1345,64 1,0472 0,29935
FLR 32,9127 66,0349 0,4984 0,62008
PGNP 0,0837315 0,963725 0,0869 0,93106
sq_FLR -0,442598 0,68304 -0,6480 0,51955
sq_PGNP -6,97963e-06 1,93904e-05 -0,3600 0,72019
fp -0,000341379 0,0141182 -0,0242 0,98079

F(5, 58) 0,443486 P-valor(F) 0,816252

R*n = 64* 0,036 =2,3
Qui quadrado crtico = 7,37
Logo, no h heterocedasticidade.

Ex 11.10

Varivel dependente: pd

const 1337,87 5015,14 0,2668 0,79418
v 0,0437234 0,0277404 1,5762 0,14097

F(1, 12) 2,484284 P-valor(F) 0,140972

Teste de Park


const -
7,24937e+07
5,49402e+07 -1,3195 0,21162
v 916,077 303,893 3,0145 0,01077 **

Mdia var. dependente 72018486 D.P. var. dependente 1,28e+08
Soma resd. quadrados 1,21e+17 E.P. da regresso 1,00e+08
F(1, 12) 9,087057 P-valor(F) 0,010773

Como o coeficiente de v significante, h heterocedasticidade.

Teste de Glejser


const -1002,6 2316,15 -0,4329 0,67278
v 0,0463859 0,0128114 3,6207 0,00351 ***

F(1, 12) 13,10927 P-valor(F) 0,003510

Como o parmetro significante, h heterocedasticidade.

Teste de White


Const -
4,67463e+07
1,12224e+08 -0,4165 0,68502
V 577,657 1307,93 0,4417 0,66729
sq_v 0,000845629 0,00317114 0,2667 0,79466

Mdia var. dependente 72018486 D.P. var. dependente 1,28e+08
Soma resd. quadrados 1,20e+17 E.P. da regresso 1,05e+08
F(2, 11) 4,227380 P-valor(F) 0,043453

R = 0,4345 e n = 14
N*R =6,09

O p-valor do qui-quadrado com valor 6,09 com 2gl (j que h dois regressores na equao)
de 0,047

Qui-quadrado(2): rea direita de 6,09 = 0,0475963
( esquerda: 0,952404)

Logo, como o p valor muito pequeno, h heterocedasticidade.

EXERCCIOS

CAPTULO 9

9.21

a) Como a varivel binria est em formato logartmico, e o logaritmo de zero no existe, redefinido-a
como 1 e 10 ser possvel obter logaritmos.

b)

Modelo 4: MQO, usando as observaes 1970-1995 (T = 26)
Varivel dependente: l_SAVINGS

const -0,158881 0,765707 -0,2075 0,83745
l_INCOME 0,669504 0,107357 6,2362 <0,00001 ***
l_DUM -0,000293724 0,0580883 -0,0051 0,99601

F(2, 23) 82,79456 P-valor(F) 3,10e-11
Log da verossimilhana 11,60324 Critrio de Akaike -17,20648
Critrio de Schwarz -13,43219 Critrio Hannan-Quinn -16,11962
r 0,521252 Durbin-Watson 0,925613

De acordo com o modelo, os dois termos de intercepto so iguais, pois o coeficiente da varivel binria
no estatisticamente significativo. O valor do coeficiente de intercepto 0,1589 no perodo de 70
81 e de -0,15-0,00029 no segundo perodo, pode-se dizer que ele representa o valor do logaritmo da
poupana quando todos os regressores tomam o valor zero. Todavia, esse termo possui um significado
mais mecnico do que econmico. A propenso marginal a poupar pode ser considerada igual nos dois
perodos, valendo 0,66.

c) para 1970 1981, o intercepto -0,15. J para 1982 1995, o intercepto -0,15 0,00029.

9.22

Varivel dependente: DISH

const 748,25 54,1253 13,8244 <0,00001 ***
dq2 8,25 76,5448 0,1078 0,91494
dq3 42,875 76,5448 0,5601 0,57985
dq4 49,875 76,5448 0,6516 0,51999

F(3, 28) 0,209770 P-valor(F) 0,888775
r 0,913978 Durbin-Watson 0,174444


const 1222,12 59,9904 20,3720 <0,00001 ***
dq2 245,375 84,8393 2,8922 0,00732 ***
dq3 347,625 84,8393 4,0975 0,00032 ***
dq4 -62,125 84,8393 -0,7323 0,47009

F(3, 28) 10,60102 P-valor(F) 0,000079
r 0,808979 Durbin-Watson 0,392512

Varivel dependente: WASH

const 1225,62 36,892 33,2219 <0,00001 ***
dq2 -45,25 52,1732 -0,8673 0,39315
dq3 1 52,1732 0,0192 0,98484
dq4 -106,875 52,1732 -2,0485 0,04999 **

F(3, 28) 1,900810 P-valor(F) 0,152397
r 0,739608 Durbin-Watson 0,551916

a) Os coeficientes angulares so, chamados de interceptos diferenciais, sendo o primeiro trimestre o de
referncia. Somente a varivel binria do quarto trimestre para mquinas de lavar roupas
significativamente diferente da do primeiro em termos estatsticos, indicando que s para esse perodo
h uma sazonalidade. J no caso das vendas de geladeiras, h uma sazonalidade no terceiro e no
segundo semestres,mas no quarto no.

d) Diminuindo o resultado dos resduos da regresso do valor das vendas, teremos os valores
dessazonalizados.

9.12

(a) Poderia-se escolher o formato logartimo por querer descobrir a semielasticidade, j que o
coeficiente da varivel renda em formato logartmico uma semielasticidade, representando a variao
absoluta da expectativa de vida para uma variao percentual na renda.

(b) Esse coeficiente mostra que se a renda per capita aumentar 1%, a expectativa mdia de vida
aumenta em mdia 0,0939 anos.

(c) Esse regressor foi includo para contornar o efeito sobre a expectativa de vida dos aumentos
crescentes da renda per capita acima do valor limite de US$1097. O regressor tambm informa o
nmero de anos adicionais que se pode esperar viver quando a renda passa de US$1097. O valor do
coeficiente estimado no , entretanto, estatisticamente significativo, pois seu valor p de 0,1618.

(d) A equao da regresso para os pases cuja renda per capita est abaixo do nvel de 1097 dlares
americanos 2,40 + 9,39 lnXi , e para os pases cuja renda est acima desse nvel 2,40 + (9,393,36)
lnXi + (3,36)(7) = 21,12 + 6,03 lnXi.

Embora numericamente as duas regresses paream diferentes, no o so estatisticamente, pois o
coeficiente do ltimo termo da equao zero em termos estatsticos. Se considerarmos pases mais
ricos aqueles com renda per capita maior que US$1097, parece no haver entre estes e os outros mais
pobres nenhuma diferena estatstica perceptvel na expectativa de vida.

CAP 11

11.11

Varivel dependente: R

const 1992,06 936,612 2,1269 0,07100 *
P 0,232999 0,0998528 2,3334 0,05235 *

F(1, 7) 5,444885 P-valor(F) 0,052349

a) uhat1

1 -775,7709
2 -205,1284
3 165,7972
4 183,8684
5 199,3065
6 54,5502
7 113,7094
8 150,4718
9 113,1957

b)
Varivel dependente: l_usq1

const 35,8268 38,3227 0,9349 0,38097
l_P -2,80202 4,19613 -0,6678 0,52568

F(1, 7) 0,445907 P-valor(F) 0,525681

Como no h significncia, no h heterocedasticidade.

c)

const 407,476 633,189 0,6435 0,54038
P -0,0203497 0,0675047 -0,3015 0,77183

F(1, 7) 0,090875 P-valor(F) 0,771825



const 575,443 1284,25 0,4481 0,66764
praiz -3,71085 13,3084 -0,2788 0,78843

F(1, 7) 0,077749 P-valor(F) 0,788429


d) Se classificarmos os valores absolutos dos resduos e os nmeros da produtividade mdia
em ordem ascendente e calcularmos o coeficiente de correlao por ordem de Spearman
conforme (11.5.5), observaremos que vale -0,5167. Aplicando a frmula t dada em (11.5.6),
obtemos t = -0,8562, que no estatisticamente significativo, pois seu valor crtico absoluto no
nvel de 5% com 7 gl 2,447. Portanto, com base no teste de correlao por ordem, no h
motivos para esperarmos heterocedasticidade.

11.1

a) Falsa. Os estimadores no so tendenciosos, mas ineficientes.

b) Verdadeira, conforme explicitado na seo 11.4.

c) Falsa. provvel mas no obrigatrio que a a varincia ser superestimada.

d) Falsa. Alm da heterocedasticidade, tal padro pode ser resultado de autocorrelao, erros
de especificao de modelo etc.

e) Verdadeira. Como os verdadeiros no so diretamente observados, algum pressuposto a
respeito da natureza da heterocedasticidade inevitvel.

f) Verdadeira.

g) Falsa. Heterocedasticidade tem a ver com a varincia do termo de erro ui, no com a
varincia do regressor. Todavia erros de especificao podem resultar na heterocedasticidade.

11.15

a)

Varivel dependente: MPG

const 189,96 22,5288 8,4319 <0,00001 ***
HP 0,390433 0,0762458 5,1207 <0,00001 ***
SP -1,2717 0,233117 -5,4552 <0,00001 ***
WT -1,90327 0,185516 -10,2594 <0,00001 ***

F(3, 77) 193,4526 P-valor(F) 9,28e-36

Conforme as expectativas, MPG positivamente relacionada a HP e negativamente a VM e PV.

b) A priori, de se esperar heterocedasticidade porque so dados em corte transversal abrangendo
veculos diversos.

c)


const 2531,25 3776,91 0,6702 0,50491
HP 2,66529 18,7519 0,1421 0,88738
VOL -12,0179 10,5 -1,1446 0,25623
SP -33,8977 80,3971 -0,4216 0,67457
sq_HP 0,00501676 0,0243224 0,2063 0,83718
sq_VOL 0,0137662 0,012219 1,1266 0,26370
sq_SP 0,108413 0,431857 0,2510 0,80251
cruz1 -0,0126738 0,0269613 -0,4701 0,63974
cruz2 -0,0229497 0,202137 -0,1135 0,90993
cruz3 0,0927597 0,106913 0,8676 0,38853

F(9, 71) 3,535003 P-valor(F) 0,001143

Regressando os quadrados dos resduos do modelo em (a) contra os trs regressores, seus quadrados e
seus produtos cruzados, obtemos um R de 0,3094, que multiplicado pelo nmero de observaes (81),
dar 25,0646, valor com distribuio qui-quadrado com 9 gl (3 regressores, 3 quadrados de regressores
e 3 produtos cruzados) sob a hiptese nula de que no h heterocedasticidade. O valor p de se obter um
valor qui-quadrado de 25,0646 ou maior , sob essa hiptese, 0,0029, que muito pequeno. Temos,
portanto, de rejeitar a hiptese nula, ou seja, h heterocedasticidade.

d) Comparando esses resultados com os obtidos com MQO, descobriremos que os valores dos
coeficientes estimados so iguais, mas suas varincias e erros-padro so diferentes. Estes so mais
altos nos procedimentos de White porque os |t| so menores, indicando que os erros-padro esto
subestimados nos resultados obtidos com MQO.

e) No existe uma frmula simples para determinar a natureza exata da heterocedasticidade neste caso.
Podemos, talvez, partir de alguns pressupostos simples e tentar diferentes transformaes. Se, por
exemplo, acharmos que a varivel culpada HP e que a varincia do erro proporcional a HP,
podemos dividir a equao por HP. Naturalmente, qualquer outro regressor um candidato to bom
quanto esse para a transformao.

CAPTULO 10

10.5

A - Sim. Dados de sries temporais econmicas tendem a evoluir na mesma direo, como acontece
com as variveis defasadas de renda neste caso.

B - A transformao de primeira diferena uma forma de diminuir o problema.

10.9

A - O coeficiente de correlao entre trabalho e capital relativamente alto e aproximadamente igual a
0,698.

B - No. Apesar da correlao entre as duas variveis, os coeficientes da regresso so estatisticamente
significativos no nvel de 5%. Excluir uma varivel nessas condies acarretaria vis de especificao.

C - Se for excluda a varivel trabalho, o coeficiente do capital ser tendencioso.

10.24

A - Dados o relativamente alto R de 0,97, o valor F significativo e o coeficiente insignificante e
impropriamente sinalizado coeficiente de log K, pode ser que haja colinearidade no modelo.

B - A priori, espera-se que o impacto do capital sobre a produo seja positivo, o que no ocorre nesse
caso devido provavelmente colinearidade nos regressores.

C - uma funo de produo tipo Cobb-Douglas, pois podemos escrever o modelo dado como Y = B1
8K*B2*L^B3*e^B4.

D - Em mdia, ao longo do perodo estudado, um incremento de 1% no ndice de uso real de mo-de-
obra leva a um aumento de 0,11% do ndice de produto real. No modelo, a varivel t representa o
tempo, que com freqncia tomado como varivel instrumental para mudana tecnolgica. O
coeficiente de 0,006 indica que ao longo do perodo estudado, a taxa de crescimento do produto real
(como medida pelo ndice de produto) foi de 0,6%, em mdia.

E - Implicitamente, a equao assume que h retornos de escala constantes, ou seja, B3 + B2 = 1 Uma
eventual vantagem da transformao pode ser a reduo do problema da colinearidade.

F - Dado que o coeficiente da relao capital/mo-de-obra estatisticamente insignificante, o problema
da colinearidade, ao que tudo indica, no foi resolvido.

G - Como mencionado em anteriormente, o autor est tentando saber se h retornos de escala
constantes. O teste F visto no Captulo 8 poderia ser utilizado para descobrirmos se a restrio vlida.
Mas como as variveis dependentes so diferentes nos dois
modelos, precisamos das somas dos quadrados dos resduos restritas e irrestritas para usar a verso R
desse teste.

(h) De acordo com (g), os valores de R no so comparveis. Para torn-los comparveis, poderamos
adotar os procedimentos vistos no Captulo 7.

Cinthia - Resumo Gujarati

Hochgeladen von

Dokumentinformationen

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cinthia - Resumo Gujarati

Hochgeladen von

Copyright:

Verfügbare Formate

Cinthia de Souza Resumo dos captulos 9, 10 e 11 do Gujarati.

Captulo 9 Modelos de regresso com variveis binrias (dummies)

Das könnte Ihnen auch gefallen