Baixe o app para aproveitar ainda mais
Prévia do material em texto
MPFEE 2007 Prof. Eduardo P. Ribeiro Prova II 1) Considerando o modelo lnWi = β 0 + β 1 Si + β 3 Ti + β4 Ei + ui , onde: W = taxa de salário do indivíduo i; S = anos de estudo; T = tempo no emprego atual, medida em meses; E = experiência de trabalho (idade – idade que começou a trabalhar), medida em anos. Explique o que ocorrerá na estimação por MQ neste modelo se a amostra for composta apenas por indivíduos no primeiro emprego? [1,0] 2) Demonstre que em um modelo estimado por MQO, com erros autocorrelacionados, a matriz de variância-covariância dos coeficientes V( β̂ )≠σ2(X´X)-1 [1,0] 3) Se em um modelo de regressão o erro segue um processo de média móvel de 1 a ordem εt=θ ut-1 + ut, onde ut~iidN(0,σ2), calcule (i) V(εt); (ii) Cov(εt ,εt-2) [1,0] 4) Considere o modelo abaixo estimado pelo Método Logit, em que a variável dependente é uma variável binária para “está trabalhando”. Sabendo que o f(z)=0,25 para z previsto usando NWIFEINC=$200, EDUC=4 anos e EXP= 35 (EXP2=1225), calcule o efeito marginal para um aumento de um ano de experiência (EXP) na probabilidade de trabalhar [1,0] 5) Responda se verdadeiro ou falso, justificando [2,0] a) Se a correlação entre duas variáveis explicativas for alta, teremos o problema de não rejeitar um teste de significância de cada coeficiente angular. b) A heterocedasticidade gera estimativas inconsistentes, pois a variância do erro depende das explicativas do modelo. c) Em um modelo linear de probabilidade os erros da regressão são heterocedásticos. d) Se não rejeitamos a hipótese de fatores comuns (COMFAC) em um modelo dinâmico, a dependência temporal de 1a ordem pode ser modelada usando yt=α+βxt+εt, com εt=ρ εt-1 + ut, 6) No modelo de regressão abaixo, a) Explique o que está sendo testado (hipótese nula e alternativa e forma de cálculo do teste) na parte (B) (“White Heteroskedasticity Test:”) e qual a conclusão do teste.[1,5] b) Explique o que está sendo testado (hipótese nula e alternativa e forma de cálculo do teste) na parte (C) (“Breusch-Godfrey Serial Correlation LM Test AR(2):”) e qual a conclusão do teste. [1,5] c) Desconsiderando a significância dos coeficientes, apresente os efeitos de curto e longo prazos de um aumento de 3p.p. do Ibovespa (medido em log-diferença) sobre a log- diferença da PETR4 [1,0] (A) Dependent Variable: D_LN_PETR4 Included observations: 131 after adjusting endpoints Variable Coefficient Std. Error t-Statistic C 0.006920 0.006721 1.029470 D_LN_PETR4(-1) -0.103496 0.089331 -1.158566 D_LN_IBOV 1.093696 0.064825 16.87163 D_LN_IBOV(-1) 0.145530 0.115089 1.264499 R-squared 0.698819 Mean dependent var 0.024827 (B) White Heteroskedasticity Test: F-statistic 14.44266 Probability 0.000002 (C) Breusch-Godfrey Serial Correlation LM Test AR(2): F-statistic 1.469375 Probability 0.227677 FÓRMULAS PARA PROVA yi = α + β xi + εi i=1,..., n ou Y= Xββββ +εεεε Sxx=∑ = n i ix 1 2~ =∑ = n i 1 (xi – x ) 2 Syy=∑ = n i iy 1 2~ Sxy=∑ = n i ii yx 1 ~~ =∑ = n i 1 (xi – x )(yi – y ) β̂ =Sxy / Sxx iii xye βα ˆˆ −−= SQR=∑ = n i ie 1 2 SQT=∑ = n i 1 (yi – y ) 2 SQE =∑ = − n i i yy 1 2)ˆˆ( R 2 =SQE/SQT s 2 = SQR / (n –k –1) 2ˆ MVσ = SQR / n β̂ =(X´X)-1(X´Y) Modelo Clássico:: V( β̂ )=σ2(X´X)-1 V( β̂ k)=σ2 /(Skk (1–Rk2)) F= (SQRr – SQRI)/p ~ Fp, n-k-1 r – modelo restrito SQRI /(n-k-1) I – modelo irrestrito F1, n-k-1=(tn-k-1) 2 FIV(bk)=1/ (1–Rk 2 ) DW = ( ) ( )r e eeT t T t t tt − − ∑ ∑= = − 12~ 2 1 2 2 1 onde r = ΣTt=2(et - et-1)2/(ΣΤt=2et-12) Se εt = ρ εt-1 + ut, onde ut ~ iid (0, σu2) Ω = E [εε´] = E 2 1 2 212 121 2 1 .. .. .. nn n εεε εεε εεεεε = σ2u/(1- ρ2) −− − − 1 .. .. 1 ..1 21 2 1 ρρρ ρ ρρ ρρ TT T T . Se zi~Logística, F(zi)= e zi / (1+ e zi ) e f(zi)=F(zi)(1 –F(zi))
Compartilhar