Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 Departamento de Economia ECO 1800 - Técnicas de Pesquisa em Economia – 2009.2 Lista Teórica 1 – GABARITO 1. Em um modelo com efeito individual não observado (ai), itiitit uaxy +++= ba (1) redefina o erro como vit = ai + uit, onde: (i) ai é não-correlacionado com uit e tem variância constante e igual a sa 2 ; (ii) uit tem variância constante e igual a su 2; (iii) uit é não- correlacionado com x, além de serialmente não-correlacionado. a) Explique por que, sob as hipóteses acima, o estimador de MQO da equação (1) é consistente mas ineficiente. Defina, agora, a equação transformada: ( ) ( ) ( )iitiitiit vvxxyy llblal -+-+-=- )1( (2) onde l=1-[ su 2/( su 2 + T sa 2)]1/2. O estimador de efeitos aleatórios é obtido pela aplicação de MQO nessa equação transformada. b) Defina ( )iitit vve l-= . Mostre que, para t¹s, cov(eit,eis??)=0?. Você deve primeiro mostrar que E(eit) = 0; depois, que Var(eit) = su 2, t=1,....T; e, enfim, provar o resultado desejado. c) Qual a implicação do resultado do item anterior para as propriedades do estimador de MQO na equação transformada (2) - isto é, para as propriedades do estimador de efeitos aleatórios? d) Compare a equação (2) com a equação transformada associada ao estimador de efeitos fixos: ( ) ( ) ( )iitiitiit uuxxyy -+-=- b (3) Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 2 Sob que condições as duas equações (e, portanto, também os dois estimadores – efeitos fixos e aleatórios) são idênticas? Isso faz sentido? e) Agora compare a equação do estimador de efeitos aleatórios, (2), com a equação original (1). Sob que condições as duas equações (e, portanto, também os dois estimadores - efeitos aleatórios em (2) e MQO em (1)) são idênticas? Isso faz sentido? RESPOSTA Atenção: no enunciado da questão, o item (i) deveria ser: “ai é não-correlacionado com xit” (e não com u it). Sem essa hipótese, não poderíamos afirmar que MQO é consistente! (a) Ao estimarmos (1) por MQO “pooled” (isto é, “empilhando os dados”), estamos deixando ai no erro. Como estamos supondo que ambos u e a sejam não-correlacionados com x, deixar ai no erro não viesa nosso estimador, que permanece consistente. Entretanto, dado que ai é idêntico para todas as observações do indivíduo i, existe uma clara correlação entre os erros dessas observações, que não é levada em consideração pelo estimador de MQO. Logo, apesar do estimador ser consistente, ele não é eficiente. Um estimador mais eficiente será o estimador de MQG que incorpore explicitamente essa autocorrelação residual – que é o estimador de efeitos aleatórios. (b) O objetivo dessa questão é mostrar que, ao transformar a equação original de modo a obter a equação (2), chegamos a um modelo no qual os erros não são autocorrelacionados [cov(eit?eis??)=0]. Logo, nesse modelo MQO será eficiente, ao contrário do que ocorria na equação (1) – conforme discutido no item anterior. O resultado de que cov(eit?eis??)=0 é fácil de provar, ainda que um pouco trabalhoso. Mas não se preocupem com as contas em si; o mais importante é a implicação desse resultado. (c) Conforme já dito no item anterior, a ausência de autocorrelação nos erros implica que MQO aplicado à equação (2) – isto é, a estimação por efeitos aleatórios – será eficiente (desde que, evidentemente, as demais hipóteses sejam satisfeitas – em particular, a hipótese de não-correlação entre o efeito individual não observado (a) e o regressor x). (d) As equações (2) e (3) serão idênticas se l=1. Nesse caso, é evidente que MQO aplicado a (2) – ou seja, estimação por efeitos aleatórios – e MQO aplicado a (3) – isto é, estimação por efeitos fixos – deverão gerar o mesmo resultado. Isso faz sentido? Sim!! Afinal, l será aproximadamente igual a 1 se: 022 2 » + au u Tss s ou seja, se 2 aTs for grande relativamente a 2 us - o que pode ocorrer se a variância do efeito não observado a for muito grande relativamente à variância de u, ou se a dimensão temporal da amostra tender a um valor muito elevado. Note que o estimador de efeitos fixos explora apenas a variação temporal das observações – ou seja, explica a variação temporal da variável dependente para cada unidade seccional em função da variação temporal das variáveis explicativas para essas unidades seccionais. Ao ignorar a informação relativa às diferenças entre cross-sections, o estimador revela-se ineficiente relativamente ao estimador de efeitos aleatórios. Entretanto, se a dimensão temporal é “infinitamente maior” do que a dimensão seccional (ou seja, T tende a infinito com N fixo), então a informação ignorada pelo estimador de efeitos fixos deixa de ser relevante, e os dois estimadores tornam-se idênticos. (e) As equações (1) e (2) serão idênticas se l=0. Nesse caso, é evidente que MQO aplicado a (2) – ou seja, estimação por efeitos aleatórios – e MQO aplicado a (1) – isto é, MQO com dados empilhados Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 3 (“pooled”) – deverão gerar o mesmo resultado. Isso faz sentido? Sim!! Afinal, l será aproximadamente igual a 0 se: 122 2 » + au u Tss s ou seja, se 2 aTs for muito pequeno relativamente a 2 us - o que deve ocorrer se a variância do efeito não observado a for muito pequena relativamente à variância de u (e a dimensão temporal da amostra for reduzida). Note que uma variância relativa de a próxima de 0 significa que o efeito não observado é pouco relevante para explicar a variável y; logo, ignorar a sua presença (como feito na estimação por MQO) não deve afetar de forma significativa os resultados. Assim, os dois estimadores tendem a ser parecidos. 2. Deseja-se estimar, para um painel com dois períodos e 500 indivíduos, a equação ln (Rendit) = b0 + dT2 + ai + b1 Informal it + uit Onde: T2 é uma dummy para o segundo período. Rend=rendimento Informal=dummy igual para trabalhadores informais e zero caso contrário ai é um efeito individual não observado uit é um erro não-correlacionado com as variáveis explicativas (i) Qual é o possível problema em estimar esse modelo por MQO (“pooled”)? (ii) Reescreva o modelo acima em primeira diferença e mostre como isso resolve o problema acima. (iii) Cite um outro método através do qual o problema citado poderia ser solucionado. (iv) Por que não podemos incluir uma variável dummy para gênero nas regressões dos itens (ii) e (iii)? RESPOSTA (i) A possível correlação entre o efeito não observado a e a dummy Informal tornaria o estimador de MQO viesado e inconsistente. Por exemplo, a região onde mora o indivíduo (que é um efeito não observado constante no tempo, mas que varia entre indivíduos – supondo, evidentemente, que nossa amostra contenha indivíduos de mais de uma localização) pode estar correlacionada com a probabilidade do indivíduo trabalhar no setor informal da economia. (ii) O modelo fica: Dln (Rendit) = d + b1 DInformal it + Duit Isso resolve o problema anterior, pois elimina o efeito não observado a da equação. (iii) O estimador de efeitos fixos, que elimina o efeito não observado a ao reescrever o modelo em termos de desvios da média de cada unidade seccional no tempo: Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 4 ( ) ( ) ( )iitiitiit uuxxTyy -+-+-=- bd )5.02( onde y=ln(Rend), x=Informal (iv) Dado que o gênero do indivíduo é constante no tempo (ignorando a possibilidade de operação para mudança de sexo...), essa variável seria eliminada da equação em primeira diferença ou da equação de efeitos fixos, da mesma forma que o efeito não observado a. Logo, esses métodos não permitem identificar o efeito de qualquer fator constante no tempo sobre a variável dependente. Mas, apesar de não ser possível estimar o efeito em si, é possívelestimar de que forma esse efeito varia no tempo, através de sua interação com uma dummy de tempo. Veja a discussão a esse respeito na seção 14.1 do Wooldridge. 3. A tabela abaixo apresenta os resultados de regressões que usam dados de 27 Unidades da Federação (UFs) brasileiras em diferentes períodos, que vão de 1992 a 2002. Nessas regressões, a variável dependente é a porcentagem de domicílios, em cada UF, cuja renda per capita está abaixo da “linha de pobreza extrema”. Na primeira coluna é estimada uma regressão por Mínimos Quadrados Ordinários com os dados “empilhados” (“pooled”). A segunda coluna apresenta o resultado da regressão com efeitos fixos e na terceira coluna são mostrados os resultados com efeitos aleatórios. As variáveis explicativas que aparecem nas regressões são as seguintes: · Desig = Desigualdade de renda em cada UF medida pelo índice de Gini. · Educ = média dos anos de educação em cada UF · “Dummies” de tempo, representadas por: D1992, D1993,.....D2001. Variável dependente: Proporção de domicílios na pobreza extrema Coeficiente Estatística-t Coeficiente Estatística-t Coeficiente Estatística-t desig 0.668 5.79 0.315 3.51 0.368 4.06 educ -0.060 -15.74 -0.016 -2.01 -0.039 -6.15 D1992 - - - - - - D1993 -0.005 -0.33 -0.005 -0.71 -0.005 -0.68 D1995 -0.051 -3.36 -0.056 -7.73 -0.052 -6.94 D1996 -0.040 -2.61 -0.050 -6.44 -0.043 -5.44 D1997 -0.029 -1.87 -0.043 -5.25 -0.033 -4.10 D1998 -0.032 -2.08 -0.052 -6.01 -0.040 -4.71 D1999 -0.014 -0.90 -0.043 -4.60 -0.027 -3.02 D2001 -0.010 -0.61 -0.044 -4.39 -0.025 -2.70 Constante 0.107 1.42 0.099 1.50 0.175 2.75 Obs. Teste de Hausman c2(9) (1) (2) (3) MQO Efeitos fixos Efeitos aleatórios 19.41 216 216 216 a) Sob que condições cada um dos estimadores acima é consistente? b) Comparando os coeficientes estimados para as variáveis desig e educ nas colunas (1) e (2) da tabela acima, notamos que os coeficientes estimados por MQO são maiores em módulo do que os estimados usando efeitos fixos. O que pode explicar essas diferenças entre os coeficientes nas duas regressões? Exemplifique sua argumentação adequadamente. Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 5 c) Na regressão com efeitos fixos: (i) Podemos incluir uma “dummy” para a região geográfica (Norte, Nordeste etc.) da UF? Em caso negativo, por que não? Em caso positivo, como isso seria feito?. (ii) Podemos reespecificar o modelo de modo a estimar de que forma o efeito da educação varia entre regiões geográficas? Em caso negativo, por que não? Em caso positivo, como isso seria feito? d) O valor-p do teste de Hausman apresentado na tabela acima é menor que 0,025. Qual a conclusão que podemos tirar desse teste? Explique. e) Em geral, sob que condições o estimador de efeitos aleatórios seria superior ao estimador de efeitos fixos? f) Qual é a interpretação dos coeficientes associados às “dummies” de tempo? Como a inclusão dessas “dummies” na regressão se diferencia da inclusão de uma tendência temporal linear? RESPOSTA (a) MQO e Efeitos Aleatórios serão consistentes se os regressores incluídos na regressão (desig, educ) não forem correlacionados com as variáveis omitidas da regressão – aí incluídas variáveis constantes no tempo, como, por exemplo, características geográficas como a região da UF. Para que o estimador de efeitos fixos seja consistente, é suficiente que as variáveis omitidas que variam no tempo não sejam correlacionadas com os regressores. (b) Possivelmente, há correlação entre os fatores fixos não observados e os regressores, de modo que a estimação por MQO deve estar viesada e “exagera” o efeito dos regressores . Por exemplo, os níveis de educação devem estar correlacionados com a região geográfica (no Nordeste, por exemplo, os níveis médios de educação são menores), e esta deve ter um efeito independente sobre os índices de pobreza (pois outros indicadores sócio-econômicos que variam entre regiões afetam a pobreza). Na estimação por efeitos fixos, essa possível fonte de viés foi eliminada. (c) (i) Não, pois qualquer variável constante no tempo é eliminada da regressão pela transformação de efeitos fixos. (ii) Sim, incluindo uma variável de interação entre educ e as dummies de região. (d) A hipótese nula do teste é que o estimador de efeitos aleatórios é consistente. Logo, podemos dizer que, ao nível de significância de 5%, rejeita-se a consistência do estimador de ef.aleatórios – e, portanto, que o correto é usar efeitos fixos. (e) Quando não há correlação entre o efeito não-observado fixo no tempo e os regressores – pois, nesse caso, não se perde nenhuma informação desnecessariamente através da transformação de efeitos fixos, que perde N graus de liberdade e explora apenas a variação temporal dos dados dentro de cada unidade (isto é, não capta o efeito de níveis médios dos regressores diferentes entre unidades sobre a variável dependente – pois esses níveis médios são eliminados pela transformação). (f) Trata-se das diferenças nos níveis médios de pobreza observados em cada ano, relativamente a 1992 (cuja dummy não foi incluída), explicados por fatores comuns a todos os Estados – por exemplo, eventos macroeconômicos em nível nacional. Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 6 4. Suponha que você esteja interessado em saber qual é o efeito do preço da gasolina sobre a demanda por esse produto. Você tem à sua disposição os resultados estimados para 18 países com dados anuais de 1960 a 1978 da seguinte equação: Ln (gasolina/carros)it = a + b1 (Y/N) it + b 2 (PG) it + b 3 (carros/N) it + u it Onde: (gasolina/carros)it = consumo de gasolina por automóvel no país i no ano t. (Y/N) it = renda real per capita no país i no ano t. (PG) it = preço real da gasolina no país i no ano t. (carros/N) it = número de carros per capita no país i no ano t. A tabela abaixo apresenta os resultados estimados usando Mínimos Quadrados Ordinários (MQO) e Efeitos Fixos. Coeficientes estimados MQO Efeitos Fixos 1bˆ 0,89 (0,04) 0,66 (0,07) 2bˆ -0,89 (0,03) -0,32 (0,04) 3bˆ -0,76 (0,02) -0,64 (0,03) a) Após observar esses resultados, uma economista afirma: “O efeito do preço da gasolina sobre o consumo está estimado de forma viesada ao usarmos MQO, mas não ao usarmos o estimador de efeitos fixos. Logo, a estimação por efeitos fixos é mais confiável”. Explique (sucintamente) cada passo da argumentação da economista, exemplificando adequadamente. b) Um segundo economista sugere estimar a equação de demanda por gasolina usando efeitos aleatórios. Quais as condições para que isso seja apropriado? Você concorda com a sugestão desse economista? Explique. c) Um terceiro economista sugere estimar a equação de demanda por gasolina reespecificando o modelo em primeiras diferenças. Sob que condições (se houver) esse procedimento é preferível à estimação por MQO? Sob que condições (se houver) esse procedimento não é preferível à estimação por MQO? RESPOSTA (a) Primeiro, é razoável esperar que nas regressões entre países os efeitos fixos não-observados sejam correlacionados com os regressores, pois diversas características de cada país devem estar correlacionadas com as variáveis incluídas na regressão – por exemplo, sistemas de regulação, legislação, características culturais, educação etc. Segundo, os coeficientes BETA2 estimados por MQO e Efeitos Fixos são bastante diferentes; como a diferença entre os dois métodos é o fato de que o segundo controla para os fatores fixos de cada país, é razoável supor que tais fatores sejam correlacionados com os regressores – caso contrário, ao controlar para tais fatores, os resultados não deveriam mudar muito. Logo, o estimador de MQO deve ser viesado, pois ignora a presença de tais fatores fixos no erro, ao passo que o estimador de efeitos fixos, que elimina esses fatoresda regressão, tem maior chance de ser não-viesado. (Note, porém, que nada garante que esse estimador seja realmente não-viesado, pois pode haver correlação entre os regressores e a parte do erro que varia no tempo!) Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 7 (b) Isso somente seria apropriado se os efeitos fixos não-observados não fossem correlacionados com os regressores; já vimos, porém, que essa hipótese é provavelmente violada, de modo que não deveríamos usar esse estimador. (c) A estimação por primeira diferença, assim como a estimação por efeitos fixos, elimina o efeito não- observado constante no tempo; logo, esse método será preferível a MQO sempre houver correlação entre os efeitos fixos não-observados e os regressores. Se, porém, os efeitos fixos não-observados não forem correlacionados com os regressores, o estimador de MQO deve ser preferível, pois não perde nenhuma informação desnecessariamente, como ocorre com as transformações de 1ª.diferença e efeitos fixos. 5. Você trabalha no Ministério da Justiça do Brasil, onde há grande preocupação com os elevados índices de criminalidade nos municípios brasileiros. O Ministro da Justiça lhe solicita a realização de um estudo econométrico para comprovar a hipótese de que um aumento do número de policiais per capita do município poderia reduzir os índices de criminalidade. Para uma amostra aleatória dos municípios da Federação, você dispõe de dados anuais entre 2000 e 2004, inclusive: Crime: Número de crimes (em unidades) PIB: PIB (em R$ milhões) Pop: População (em 1.000 habitantes) SalPol: Salário médio dos policiais do município (em R$) Esc: Escolaridade média da população (em anos) EduPol: Educação média dos policiais do município (em anos) Rural: Variável binária (dummy) indicando se o município é rural ExpPol: Experiência média dos policiais do município (em anos de serviço) Ind: Variável binária (dummy ) indicando se o município é industrial IdPol: Idade média da população (em anos) Des: Índice de desigualdade social NumPol: Número de policiais per capita do município U: Taxa de desemprego (em %) Cond: Percentual dos crimes que foram resolvidos e o(s) criminosos foram efetivamente condenados Apo: Número de aposentados do município NumEsc: Número de escolas per capita do município Além disso, você dispõe dos seguintes dados para o Brasil como um todo: PIBBrasil: PIB do Brasil (em R$ bilhões) TxJuros: Taxa de juros (em %) UBrasil: Taxa de desemprego (em %) IdPopBrasil: Idade média da população (em anos) Salmin: Salário mínimo Inf: Taxa de inflação (a) Proponha um modelo econométrico a ser estimado usando parte, ou a totalidade, das variáveis acima que permita testar a hipótese de interesse e ao mesmo tempo possa explicar as principais causas dos elevados índices de criminalidade. Caso a hipótese não seja rejeitada, determine o aumento percentual do número de policiais per capita requerido para reduzir os índices de criminalidade em 15%. Seja preciso no que se refere aos seguintes pontos, justificando-os adequadamente: - Defina claramente a forma funcional da equação a ser estimada; - Defina claramente a variável dependente da equação. - Defina claramente as variáveis explicativas incluídas na equação. - Defina claramente possíveis variáveis que não estão listadas acima e que deveriam ser incluídas no modelo. Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 8 - Defina claramente os índices de cada variável, ou seja, indique precisamente quais variáveis variam somente ao longo do tempo, quais variam unicamente entre municípios e quais variam em ambas as dimensões; - Defina claramente, em termos dos parâmetros do seu modelo, a hipótese a ser testada. - Defina os possíveis fatores não observados, fixos ao longo do tempo, que poderiam afetar os índices de criminalidade. Como você incluiria esses fatores no seu modelo? (b) Como você estimaria o modelo definido no item anterior? Justifique cuidadosamente. (c) Suponha que os níveis de escolaridade de todos os municípios da amostra tenham se mantido constantes ao longo do tempo. O método de estimação proposto por você permite estimar a elasticidade entre escolaridade e índices de criminalidade? (d) Explique como você testaria a hipótese de interesse. Seja preciso no que se refere ao nível de significância, valor crítico e regra de rejeição do teste. RESPOSTA Não há apenas uma resposta correta, mas... (a) Uma possível especificação da equação a ser estimada é: ititttt itittitititit itititititit uaDDDD UDesRuralCapitalEscCondIdPop EduPolSalPolExpPolNumPolPopCrime ++++++ +++++++ ++++= 2004200320022001 / 15141312 111098765 43210 bbbb bbbbbbb bbbbb A hipótese básica de interesse diz respeito ao coeficiente associado à variável NumPol. Poderíamos definir o seguinte teste de hipótese: 0:1 0:0 1 1 < ³ b b H H ou seja, a hipótese nula seria que o número de policiais não tem efeito negativo sobre a criminalidade (podendo ter efeito positivo), e a hipótese alternativa seria que o efeito é negativo. As variáveis explicativas incluídas acima devem ser relevantes para explicar o índice de criminalidade, e devem estar correlacionadas com a variável de interesse, NumPol. Logo, a omissão de tais variáveis viesaria a estimação do coeficiente de interesse, prejudicando o resultado do teste. As variáveis D2001, D2002 etc. são variáveis dummy correspondentes aos anos de 2001, 2002 etc., destinadas a captar a variação na criminalidade média no país como um todo em cada ano. A inclusão dessa variável torna redundante a inclusão de qualquer outra variável macroeconômica (que varie entre períodos mas seja igual para todos os municípios). Vale notar que uma especificação mais completa poderia incluir várias interações entre as variáveis explicativas acima. Além disso, seria interessante incluir outras variáveis, como dummies para a UF e/ou para a Região Geográfica do município. Por outro lado, é provável que haja fatores determinantes da criminalidade que não são observados, e que inevitavelmente serão omitidos da regressão – sendo relegados ao erro da mesma. Dentre tais fatores não observados, podemos distinguir entre fatores que variam Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 9 entre municípios mas são fixos no período sob análise, tais como fatores sócio-culturais que afetam a tolerância de cada município à criminalidade – identificados pelo termo ai na equação acima –, e fatores que variam entre municípios e no tempo - identificados, na equação acima, pelo termo uit. (b) A fim de eliminar da equação o efeito não-observado constante no tempo, a, e portanto eliminar uma possível fonte de viés para nossa estimação, poderíamos estimar o modelo por efeitos fixos ou primeira diferença. Mas esse não é o único problema dessa estimação. De fato, é possível que a equação sofra de viés de simultaneidade, pois é provável que municípios onde a criminalidade é maior tenham mais policiais (justamente para tentar coibir a criminalidade). A fim de estimar o modelo levando essa questão em consideração, poderíamos estimar o modelo em primeira diferença, ou transformado segundo a transformação de efeitos fixos, por variáveis instrumentais (se dispuséssemos de instrumentos adequados). (c) Não, pois os métodos de efeito fixos ou primeira diferenças eliminam da equação todas as variáveis explicativas constantes no tempo. (d) Dividindo o coeficiente estimado de NumPol por seu erro-padrão, obteríamos a estatística-t a ser comparada ao valor crítico apropriado. Ao nível de significância de 5%, o valor crítico para um teste unicaudal seria aproximadamente 1,65. Se a estatística-t fosse maior do que esse valor, rejeitaríamos a hipótese nula e concluiríamos que há evidências favoráveis à hipótesede que o número de policiais tem efeito negativo sobre a criminalidade. 6. A fim de analisar a relação entre comparecimento às aulas e desempenho escolar, um economista australiano observou os alunos do Curso de Estatística da Universidade de Wollongong durante um semestre (J.R.Rodgers, “A Panel-Data Study of the Effect of Student Attendance on University Performance, Australian Journal of Education, 45(3), 2001”). O semestre era dividido em 4 períodos, e ao final de cada período o aprendizado da matéria era avaliado a partir da realização de uma prova. Com base nas informações sobre a freqüência dos alunos às aulas e seu desempenho nas provas de cada período do semestre, o economista inicialmente estimou a seguinte equação por MQO (usando apenas as observações referentes aos 167 alunos que fizeram todas as provas): Onde: (NOTA)it = nota do aluno i na prova do período t. (FREQUENCIA) it = freqüência de comparecimento do aluno i às aulas do período t. (DUM1)t = variável dummy para o período 1. (DUM2)t = variável dummy para o período 2. (DUM3)t = variável dummy para o período 3. Uit = termo de erro. A estimativa obtida para o parâmetro foi 1bˆ de 0,20, com erro-padrão 0,01. a) Qual é a implicação desse resultado para a relação esperada entre comparecimento às aulas e desempenho escolar? Por que é provável que essa estimativa esteja viesada? b) Qual é a relevância de se incluir na regressão as dummies DUM1, DUM2 e DUM3? Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio 10 Em seguida, o economista reestimou a equação acima através de dois métodos distintos, obtendo os seguintes resultados: - Efeitos fixos: 1bˆ = 0,05, erro-padrão = 0,024 - Efeitos aleatórios: 1bˆ = 0,10, erro-padrão = 0,01 c) Esses resultados fazem sentido, à luz de sua resposta ao item (a)? d) A estatística do teste de Hausman para testar efeitos fixos contra efeitos aleatórios foi 17,73 (p- valor 0,0014). O que isso significa? Por fim, o economista estimou novamente a equação acima, adicionando, porém, outras variáveis explicativas, dentre as quais: (i) nota média do aluno i nas outras matérias cursadas no semestre sob investigação; (ii) dummy de sexo; (iii) dummy para aluno em tempo integral. A nova estimativa para 1bˆ foi de 0,06, com erro-padrão 0,02. e) Compare essa nova estimativa com as obtidas anteriormente, discutindo as razões para eventuais semelhanças ou diferenças. RESPOSTA a) A implicação é de que a freqüência afeta positivamente as notas. A estimativa deve ser viesada pois a freqüência deve estar correlacionada com habilidade e motivação, de modo que o coeficiente esta captando parte do efeito da motivação e da habilidade sobre o desempenho. Isto é, se: Temos que 0)|( ¹itit frequenciauE . b) Podemos imaginar que o esforço do aluno varie de período para período dependendo das notas obtidas (p. ex., ir mal no começo eleva o esforço no final; ou uma parte da matéria que seja particularmente difícil pode afetar negativamente a frequência e a nota). Queremos que o impacto da freqüência seja livre das diferenças de esforços/dificuldade da matéria entre os períodos. c) Sim. Se fizermos itiit vau += , e tivermos que ia seja correlacionado com itX (freqüência), o estimador de efeito aleatório será ainda viesado, apenas o efeito fixo será não viesado. d) Como na questão 3d. e) A nota média e a dummy de tempo integral podem servir de proxies para a habilidade cognitiva e a motivação do aluno de modo diminuir a correlação entre fatores não observados ( itu ) e a frequência, o que faz com que a estimativa seja menos viesada e se aproxime do estimador de efeitos fixos. Disponibilizado por Otávio Merçon e todos os colaboradores do Blog Economia a PUC-Rio
Compartilhar