Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG LISTA 3 - ECONOMETRIA I 4F 1) Sabemos que para termos estimadores BLUE, o Modelo Clássico de Regressão Linear faz uso de algumas hipóteses. Quando todas elas são satisfeitas, nossos estimadores de MQO são, dentre outras características, estimadores Não-Viesados ou Não-Tendenciosos (e dado a normalidade, consistentes) dos verdadeiros valores populacionais. Explique e demonstre como a violação de cada uma das hipóteses a seguir pode (ou não) influenciar nas características de viés e/ou consistência dos estimadores de MQO. a) A variável independente X e a variável dependente Y apresentam o mesmo erro de medida: 𝑋∗ = 𝑋 + 𝑒1 onde 𝑋 ∗ = variável observada, 𝑋 = variável real; 𝑒1 = erro aleatório ~N(0, σ 2). 𝑌∗ = 𝑌 + 𝑒1 onde 𝑌 ∗ = variável observada, 𝑌 = variável real; 𝑒1 = erro aleatório ~N(0, σ 2). b) O modelo está incorretamente especificado: o modelo estimado foi 𝑌𝑖 = 𝛽1̂ + 𝛽2̂𝑋2𝑖 + 𝑢𝑖, quando o modelo verdadeiro é 𝑌𝑖 = 𝛽1̂ + 𝛽2̂𝑋2𝑖 + 𝛽3̂𝑋3𝑖 + 𝑢𝑖 c) Presença de correlação serial nos resíduos: quando o modelo é 𝑌𝑡 = 𝛽1̂ + 𝛽2̂𝑋𝑡 + 𝑢𝑡, sendo 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝑒𝑡, 𝑋 = variável independe ≠ Yt ∀ 𝑡; 𝑒𝑡 = erro aleatório ~N(0, σ 2). Apresente 𝑉𝑎𝑟(𝑢𝑡). 2) Do ponto de vista econométrico, explique porque podemos comparar a Multicolinearidade com o Colesterol. Depois, comente os efeitos de uma colinearidade muito alta, mas não exata, sobre os coeficientes de inclinação e suas variâncias. 3) Considere um modelo de regressão sem intercepto: 𝑌𝑖 = 𝛽2̂𝑋𝑖 + 𝑢𝑖. Lhe foi informado que 𝑽𝒂𝒓(𝒖𝒊) = 𝝈 𝟐𝑿𝒊 𝟐. Demonstre como você faria para corrigir o problema e como ficariam as equações “corrigidas” de �̂�2 e 𝑉𝑎𝑟(�̂�2). Depois calcule a estimativa eficiente de 𝛽2 e teste, ao nível de significância de 5%, a hipótese de que 𝛽2 = 0 para o seguinte conjunto de dados: OBS: por simplicidade, considere que o modelo sofre apenas com problema de Heteroscedasticidade. 4) Imagine que em um modelo de regressão linear simples (𝑌𝑖 =∝1̂+∝2̂ 𝑋𝑖 + 𝑢𝑖) a variável independente Xi apresenta um erro de medida 2 vezes maior do que o erro de medida variável dependente Yi tal que: 𝑋𝑖 ∗ = 𝑋𝑖 + 2𝑤𝑖 onde 𝑋𝑖 ∗ = variável observada, 𝑋𝑖 = variável real; 𝑤𝑖 = erro aleatório ~N(0, σ 2); 𝑌𝑖 ∗ = 𝑌𝑖 + 𝑤𝑖 onde 𝑌𝑖 ∗ = variável observada, 𝑌𝑖 = variável real; 𝑤𝑖 = erro aleatório ~N(0, σ 2). Considere que as demais hipóteses do modelo clássico se mantém. Observe que os erros de Yi e Xi são os mesmos, porém o do X são 2 vezes maior. Explique e demonstre como esses erros podem (ou não) afetar as características de consistência de ∝1̂ e ∝2̂ e explique também, se existir, quais as condições necessárias e/ou suficientes para que o viés desapareça, sabendo que os valores de 𝑤𝑖 não são todos constantes. 5) Um teste bastante utilizado para detectar autocorrelação de primeira ordem é o teste de Durbin-Watson que pode ser calculado genericamente como: 𝑑 = ∑(𝑢𝑡−𝑢𝑡−1) 2 ∑ 𝑢𝑡 2 . Explique e demonstre porque o valor da estatística d situa-se no intervalo 0 ≤ 𝑑 ≤ 4. 6) Julgue as alternativas como Verdadeiro (V) ou Falso(F). Mantendo as demais hipóteses do Modelo Clássico, a respeito do modelo de regressão múltipla: iiii eXXY +++= 22110 em que ie tem média zero e variância 2 , são corretas as afirmativas: X Y 1 4 3 12 5 16 6 18 7 49 UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG (V) No caso de uma forte colinearidade entre iX1 e iX 2 , tende-se a aceitar a hipótese nula de que 02 = , pois a estatística t é subestimada. (F) Se os erros são heterocedásticos, ainda assim os testes usuais t e F podem, sem prejuízo algum, ser empregados para se testar a significância dos parâmetros do modelo, caso estes sejam estimados por Mínimos Quadrados Ordinários. (V) Se os erros são autocorrelacionados, ainda assim os estimadores de Mínimos Quadrados Ordinários de 1 e 2 são lineares e não tendenciosos. (V) A omissão da variável explicativa relevante, X2, para explicar a variável dependente, Yi, torna a estimativa dos coeficientes 0 e 1 tendenciosa e inconsistente, se somente se, a variável omitida X2, for correlacionada com a variável incluída, X1. (F) Erros de medida da variável dependente reduzem as variâncias dos estimadores de Mínimos Quadrados Ordinários de 1̂ e 2̂ . 7) Imagine que uma cooperativa de produtores de celulose contrate um Economista para realizar um estudo sobre o Custo Total Médio (CTM) em relação à Quantidade produzida (Q) de celulose para as empresas associadas. Depois de verificar alguns dados (e lembrando da teoria Micro), o Economista elaborou (corretamente) o seguinte modelo para analisar a relação entre o CTM e Q: 𝑌𝑖 = 𝛽1 + 𝛽2 1 𝑋𝑖 + 𝑢𝑖 (2.1) Entretanto, esse mesmo economista observou que empresas maiores faziam melhores controles de seus custos e forneciam estimativas de custo médio mais precisas, com menos erro e consequentemente, a variância de ui era inversamente proporcional a Xi ou seja: 𝑉𝑎𝑟(𝑢�̂�) = 𝜎 2 1 𝑋𝑖 (2.2) As demais hipóteses do modelo clássico de regressão linear foram atendidas. O pesquisador pensou em utilizar 3 formas diferentes para estimar os coeficientes de inclinação (todas as variáveis estão em nível): 𝛽2 ∗ = 𝑛 ∑ 𝑋𝑖𝑌𝑖−∑ 𝑋𝑖 ∑ 𝑌𝑖 𝑛 ∑ 𝑋𝑖 2−(∑ 𝑋𝑖)2 , 𝛽2 # = ∑ 𝑋𝑖 ∑ 𝑌𝑖−𝑛 ∑ 𝑋𝑖𝑌𝑖 ∑ 𝑋𝑖 ∑ 1 𝑋𝑖 −𝑛2 e 𝛽2 $ = 𝑛 ∑ 𝑌𝑖 𝑋𝑖 −∑ 1 𝑋𝑖 ∑ 𝑌𝑖 𝑛 ∑( 1 𝑋𝑖 )2−(∑ 1 𝑋𝑖 ) 2 a) Com base nas equações 2.1 e 2.2, esboce um gráfico característico da relação entre CTM e Q para a cooperativa de celulose. b) Demonstre/explique se as estimativas de �̂�2 ∗, �̂�2 # 𝑒 �̂�2 $ são não-viesadas (ou consistentes) e eficientes. 8) Considere as seguintes informações: 𝑌𝑡 = 𝛽1 + 𝛽2𝑋𝑡 + 𝑢𝑡 onde 𝑢𝑡 = 0.75𝑢𝑡−1 + 𝑒𝑡 sendo que 𝑒𝑡~𝑁(0,1). Sabe-se que Xt e ut não são correlacionados e que ∑ (𝑢𝑡 − 𝑢𝑡−1) 230 𝑡=2 = 32. Teste ao nível de significância de 5% a hipótese de ausência de autocorrelação entre os resíduos e calcule a variância de ut. 9) Considere os seguintes modelos: (𝑎) 𝑌𝑖 = 𝜃1 + 𝜃2𝑋2𝑖 + �̂�𝑖 (𝑏)𝑌𝑖 = �̂�1 + �̂�2𝑋2𝑖 + �̂�3𝑋3𝑖 + �̂�𝑖 Sabe-se que o modelo (b) de regressão múltipla é o correto. Foram feitas as seguintes estimativas: Modelo 1: MQO, usando as observações 1-6 Modelo 2: MQO, usando as observações 1-6 Variável dependente: Y Variável dependente: Y Coeficiente Erro Padrão Coeficiente Erro Padrão UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG const 7.3 1.38641 Const 6.17797 1.10494 X2 −0.585714 0.355998 X3 −0.0611846 0.0567443 Média var. dependente 5.25 Média var. dependente 5.25 Soma resíd. quadrados 8.871429 Soma resíd. quadrados 11.52514 R-quadrado 0.403601 R-quadrado 0.2252 Modelo 3: MQO, usando as observações 1-6 Modelo 4: MQO, usando as observações 1-6 Variável dependente: X2 Variável dependente: X3 Coeficiente Erro Padrão Coeficiente Erro Padrão const 1.42373 0.278106 Const −9.33333 2.8441 X3 0.136897 0.0142822 X2 7 0.730297 Média var. dependente 3.5 Média var. dependente 15.16667 Soma resíd. quadrados 0.730117 Soma resíd. quadrados 37.33333 R-quadrado 0.958279 R-quadrado 0.958279 Explique, demonstre e calcule as implicações de estimar erroneamente o coeficiente de inclinação da regressão linear simples (𝜃2) no lugar de estimar o coeficiente correto de regressão múltipla �̂�2. Ou seja, explique, demonstre e calcule as implicações de cometer o erro de omissão de variável relevante para esse conjunto de informações. 10) A tabela abaixo apresenta 6 valores consecutivosde Xt e Yt observados ao longo de 6 anos. Admite-se que essas variáveis estão relacionadas de acordo com o modelo: 𝑌𝑡 =∝ +𝛽𝑋𝑡 + 𝑢𝑡 , Ao estimar os dados por MQO, obteve-se os valores apresentados no Quadro 1 a seguir: Modelo 1: MQO, usando as observações 1950-1955 (T = 6) Variável dependente: Y Coeficiente Erro Padrão razão-t p-valor Const -1.24731 2.19439 -0.5684 0.60015 X 2.12903 0.459229 4.6361 0.00976 *** Média var. dependente 8.333333 D.P. var. dependente 4.082483 Soma resíd. quadrados 13.07527 E.P. da regressão 1.807987 R-quadrado 0.843097 R-quadrado ajustado 0.803871 a) Faça e interprete o teste de Durbin Watson para detectar autocorrelação. (tome como verdadeiro os valores críticos dl=0.6 e du=1.6). b) Considere agora que a forma da autocorrelação seja conhecida: 𝒖𝒕 = 𝒖𝒕−𝟏 + 𝜺𝒕, onde 𝜀𝑡~𝑁(0, 𝜎𝜀 2), 𝐸(𝜀𝑡𝜀𝑡−𝑠) = 0 para 𝑠 ≠ 0. Obtenha as estimativas eficientes e/ou consistentes de ∝ e 𝛽 (dica: não precisa recuperar a primeira informação de X e Y). Calcule o erro padrão e faça o teste t usando um nível de significância de 5% e compare com os resultados das estimativas de MQO. 11. Considere o seguinte conjunto de informações coletados ao longo de uma década: Dado o modelo de regressão linear simples: 𝑌 = 𝛽1 + 𝛽2𝑋 + 𝑢 a) Teste, ao nível de significância de 5%, a hipótese de autocorrelação de primeira ordem nos resíduos (construa os intervalos). Calcule e interprete o coeficiente de autocorrelação dos resíduos (arredonde sua resposta para 1 casa decimal). b) Faça o teste de heterocedasticidade de Breush-Pagam ao nível de significância de 5%. Assuma por hipótese que, nesse caso, se a heterocedasticidade existir ela é conhecida e será na forma: �̂�𝑖 2 = 𝛼1 + 𝛼2𝑋𝑖. Interprete os resultados. c) Agora que você já testou autocorrelação dos resíduos e também a heterocedasticidade, obtenha as estimativas eficiente dos coeficientes 𝜷𝟏 𝐞 𝜷𝟐 e faça o teste t dos coeficientes ao nível de significância de 5%. Para simplificar sua vida, caso o modelo sofra de autocorrelação use o rô estimado na letra (a) – com uma casa decimal - para corrigir o problema e/ou caso o modelo sofra de heterocedasticidade use a equação da letra (b) sem o intercepto para corrigir o problema. Xt Yt 4 6 2 2 7 14 4 10 4 8 6 10 Ano X Y 2004 2 5 2005 4 8 2006 6 10 2007 10 12 2008 16 19 2009 22 34 2010 26 18 2011 30 32 2012 38 26 2013 46 66 UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG 12. Do ponto de vista econométrico, explique porque podemos comparar a Multicolinearidade com o Colesterol. Descreva os sintomas, os testes e diagnósticos e os tratamentos para uma multicolinearidade alta, mas não exata. Demonstre também o que acontece com as estimativas de MQO na presença de uma multicolinearidade exata entre duas variáveis Xs do modelo. 13. Imagine que em um modelo de regressão linear simples (𝑌𝑖 =∝1̂+∝2̂ 𝑋𝑖 + 𝑢𝑖) a variável independente Yi apresenta um erro de medida 3 vezes maior do que o erro de medida variável dependente Xi tal que: 𝑋𝑖 ∗ = 𝑋𝑖 + 𝑤𝑖 onde 𝑋𝑖 ∗ = variável observada, 𝑋𝑖 = variável real; 𝑤𝑖 = erro aleatório ~N(0, σ 2); 𝑌𝑖 ∗ = 𝑌𝑖 + 3𝑤𝑖 onde 𝑌𝑖 ∗ = variável observada, 𝑌𝑖 = variável real; 𝑤𝑖 = erro aleatório ~N(0, σ 2). Considere que as demais hipóteses do modelo clássico se mantém. Observe que os erros de Yi e Xi são os mesmos, porém o do Y são 3 vezes maior. Explique e demonstre como esses erros podem (ou não) afetar as características de consistência de ∝1̂ e ∝2̂ e explique também, se existir, quais as condições necessárias e/ou suficientes para que o viés desapareça, sabendo que os valores de 𝑤𝑖 não são todos constantes. 14. Julgue como V ou F as seguintes afirmações: “Mantendo as demais hipóteses do Modelo Clássico... i) na presença de heteroscedasticidade, os estimadores de MQO podem ser consistentes, mas não eficientes. ii) na presença de autocorrelação dos resíduos, os estimadores de MQO serão viesados e ineficientes. iii) quando os valores dos testes de significância individuais são muito baixos, mas o valor do teste de significância conjunta são elevados, tem-se um sintoma clássico de multicolinearidade alta. iv) quando o valor da estatística d de Durbin-Watson é igual a zero, significa que aceitamos a hipótese nula de que a autocorrelação serial é igual a zero. Logo, os erros não são correlacionados. 15. Considere o seguinte conjunto de informações coletados ao longo de uma década. Dado o modelo de regressão linear simples: 𝑌 = 𝛽1 + 𝛽2𝑋 + 𝑢 d) Teste, ao nível de significância de 5%, a hipótese de autocorrelação de primeira ordem nos resíduos (construa os intervalos). Calcule e interprete o coeficiente de autocorrelação dos resíduos (arredonde sua resposta para 1 casa decimal). e) Faça o teste de heterocedasticidade de Breush-Pagam ao nível de significância de 5%. Assuma por hipótese que, nesse caso, se a heterocedasticidade existir ela é conhecida e será na forma: �̂�𝑖 2 = 𝛼1 + 𝛼2𝑋𝑖. Interprete os resultados. f) Agora que você já testou autocorrelação dos resíduos e também a heterocedasticidade, obtenha as estimativas eficiente dos coeficientes 𝜷𝟏 𝐞 𝜷𝟐 e faça o teste t dos coeficientes ao nível de significância de 5%. Para simplificar sua vida, caso o modelo sofra de autocorrelação use o rô estimado na letra (a) – com uma casa decimal - para corrigir o problema ou caso o modelo sofra de heterocedasticidade use a equação da letra (b) sem o intercepto para corrigir o problema (ou seja, se a heterocedasticidade existir, assuma, por simplicidade que ela tem a forma �̂�𝑖 2 = 𝛼2𝑋𝑖 para corrigir o problema). 16. O modelo da Escolha Racional de Becker (1968) analisa os fatores que influenciam na decisão de um indivíduo de cometer um crime, de acordo com os custos e benefícios que decorrem desse crime. Esse modelo tem natureza microeconômica, com foco nas escolhas individuais que influenciam no custo de oportunidade para pratica criminosa. Becker propõe que o crime seja visto como uma atividade econômica, e toda sua teoria baseia-se na racionalidade do agente. Becker relacionada o número de ofensas cometidas por um indivíduo (Y) com a perspectiva (probabilidade e tempo) de punição esperada (X). Espera-se que maiores punições desencorajem o crime. Nesse contexto, é possível pensar em um modelo linear do tipo: 𝑌𝑖 = �̂�1 + �̂�2𝑋𝑖 + �̂�𝑖. X Y 2006 1 5 2007 4 8 2008 9 12 2009 9 15 2010 16 20 2011 25 35 2012 25 20 2013 36 30 2014 36 24 2015 49 63 UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG Porém, assume-se que a variável de punição (X) pode conter erro de medida, de tal modo que 𝑋∗ = 𝑋 + 𝑒1 onde 𝑋∗ = variável observada, 𝑋 = variável real; 𝑒1 = erro aleatório ~N(0, σ 2). Ao estimar o modelo por MQO, usando Y=f(X*) os resultados foram: 𝑌�̂� = 10 − 1,818181𝑋𝑖. Sabe-se que a variância do erro de medida é igual a 0,8 e que a variância de X* é 8,8. Com base nessas informações: a) Demonstre, conceitualmente, como o erro de medida pode afetar o viés (consistência) dos estimadores (intercepto e inclinação). b) Calcule o valor consistente do coeficiente de inclinação. 17. Considere o seguinte modelo de regressão 𝑌𝑖 = 𝛽 + 𝑢𝑖 , onde i = 1,...,n no qual 𝐸(𝑢𝑖) = 0; 𝑉𝑎𝑟(𝑢𝑖) = 𝜎 2𝑋𝑖 e 𝐸(𝑢𝑖𝑢𝑗) = 0 ∀ 𝑖 = 𝑗 . Suponha também que os Xi são não estocásticos para todo i = 1,...,n . Chamaremos de 𝛽∗ o estimador de mínimos quadrados generalizados (ou ponderados) que corrige o problema e produz estimativas eficientes. Sabe-se que: σ2 = 1 e ∑ 1 Xi = 5 .Explique como corrigir o problema e calcule a estimativa eficiente da Variância do β∗. 18. Depois de estimar um modelo do tipo 𝑌𝑖 = 𝛽1̂+ 𝛽2̂𝑋𝑖 + �̂�𝑖 um economista realizou alguns testes e identificou que 𝜎𝑖 2 = 4𝑋𝑖 . Além disso, ∑ 𝑥𝑖 2 = 35 e ∑ 𝑥𝑖 2𝑋𝑖 = 45 . Calcule de maneira eficiente a 𝑉𝑎𝑟(𝛽2̂). 19. Considere as seguintes informações: 𝑌𝑡 = 𝛽1 + 𝛽2𝑋𝑡 + 𝑢𝑡 onde 𝑢𝑡 = 0.5𝑢𝑡−1 + 𝑒𝑡 sendo que 𝑒𝑡~𝑁(0,1). Sabe-se que Xt e ut não são correlacionados e que ∑ (𝑢𝑡 − 𝑢𝑡−1) 229 𝑡=2 = 80. Supondo que o n é suficientemente grande, teste ao nível de significância de 5% a hipótese de ausência de autocorrelação entre os resíduos e calcule a variância de ut. 20. Considere que exista uma relação linear entre os verdadeiros valores das variáveis Y e X (𝑌𝑖 =∝1+ ∝2 𝑋𝑖 + 𝑢𝑖). Porém, a variável X contém erro de medida, de tal modo que 𝑋 ∗ = 𝑋 + 𝑒1 onde 𝑋 ∗ = variável observada, 𝑋 = variável real; 𝑒1 = erro aleatório ~N(0, σ 2). Considere o conjunto de informações a seguir: X* Y 22 25 30 33 38 37 22 21 28 24 a) Calcule o valor da estimativa consistente de ∝1 e ∝2 sabendo que a variância do erro de medida em X* é igual a 3,2. b) Nesse caso, o estimador de MQO tende a superestimar ou subestimar o valor dos verdadeiros coeficientes? Calcule o valor das inconsistências e explique também as propriedades do estimador de MQO para esses casos. 21. Explique e demonstre as principais implicações de se cometer os erros de sobre-especificação e sub- especificação nas estimativas de MQO. 22. Usando MQO e mantendo as demais hipóteses do modelo clássico, enumere a segunda coluna de acordo com a primeira sabendo que a numeração errada anula a afirmativa: (1) Multicolinearidade (2) Heterocedasticidade (3) Autocorrelação nos resíduos (Caso 1) (4) Erro de medida (5) Erro de sub-specificação (6) Erro de sobre- especificação ( ) não causa viés nem ineficiência; ( ) não causa viés mas causa ineficiência; ( ) causa viés e ineficiência; ( ) para corrigir o problema cortamos o mal pela raiz; ( ) do ponto de vista econométrico pode ser comparado com o colesterol; ( )pode ser testado com o Durbin-Watson; ( ) o FIV pode ser usado como teste; ( ) testa-se comparando o 𝑛𝑅²~𝜒²(𝑝−1)𝑔𝑙 ; UNIVERSIDADE DO ESTADO DE SANTA CATARINA CENTRO DE CIÊNCIAS DA ADMINISTRAÇÃO E SÓCIO-ECONÔMICAS – ESAG ( ) o procedimento de Cochrane-Orccut pode corrigir o problema; ( ) o problema acontece pois temos n+k parâmetros a ser estimados com base em apenas n observações; 23. Um modelo de regressão linear múltipla do tipo 𝑌𝑡 = �̂�1 + �̂�2𝑋2𝑡 + �̂�3𝑋3𝑡 + �̂�𝑡 foi utilizado para analisar a relação entre os Poluição por CO2 (Y) em função do Número de Veículos (X2) e Produção industrial (X3) ao longo de 10 meses. Um pesquisador conseguiu obter os seguintes resultados: ∑ 𝑌 = 750; ∑ 𝑋2 = 122; ∑ 𝑋3 = 90; ∑ 𝑦 2 = 5016; ∑ 𝑥2 2 = 323.6; ∑ 𝑥3 2 = 250; ∑ 𝑦𝑥2 = 1225; ∑ 𝑦𝑥3 = 1100; ∑ 𝑥2 𝑥3 = 258; ∑ û𝑡 2 = 35.374302; ∑(û𝑡 − û𝑡−1)² = 71.50285 ∑ 𝑥2 û𝑡 2 = 88.08388; ∑ 𝑥3 û𝑡 2 = 27.04898; ∑(û𝑡 2)² = 313.3967; a) Calcule, interprete e explique o FIV. b) Faça o teste de autocorrelação resíduos, recupere rô e interprete os resultados. 24. Considere os três casos apresentados a seguir: i) 𝑌𝑡 = 𝛽1̂ + 𝛽2̂𝑋𝑡 + 𝑢𝑡,sendo 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝑒𝑡, (X independente e erro autocorrelacionado) ii) 𝑌𝑡 = 𝛽1̂ + 𝛽2̂𝑌𝑡−1 + 𝑢𝑡,sendo 𝑢𝑡 = 𝑒𝑡, (Y defasado como X, mas erro não autocorrelacionado) iii) 𝑌𝑡 = 𝛽1̂ + 𝛽2̂𝑌𝑡−1 + 𝑢𝑡,sendo 𝑢𝑡 = 𝜌𝑢𝑡−1 + 𝑒𝑡, (Y defasado como X, e erro autocorrelacionado) Usando as estimativas de MQO, considerando os conceitos de viés, consistência e eficiência, assinale um X apenas na(s) alternativa(s) correta(s): ( ) Os três casos são ineficientes; ( ) Os três casos são viesados; ( ) Os casos 1 e 2 são não viesados; ( ) Os casos 2 e 3 são consistentes; ( ) Apenas o caso 1 é consistente; ( ) Apenas o caso 3 é viesado; ( ) O caso 2 é não viesado, mas ineficiente; ( ) O caso 3 é inconsistente e ineficiente; ( ) Os casos 1 e 2 são consistentes mas ineficientes; ( ) Os casos 1 e 2 são consistes; 25.
Compartilhar