ECONOMETRIA - QUESTIONÁRIO UNIDADE III

Prévia do material em texto

Revisar envio do teste: QUESTIONÁRIO UNIDADE III
ECONOMETRIA 6835-60_58702_R_E1_20241 CONTEÚDO
Usuário
Curso
Teste
Iniciado
Enviado
Status
Resultado da
tentativa
ECONOMETRIA
QUESTIONÁRIO UNIDADE III
Completada
4 em 4 pontos  
Tempo decorrido 1 minuto
Resultados exibidos Todas as respostas, Respostas enviadas, Respostas corretas, Comentários, Perguntas
respondidas incorretamente
Pergunta 1
Resposta
Selecionada:
d.
Algumas vezes trabalhamos com dados não ajustados, e é bom sabermos se existem
métodos simples para tratar a sazonalidade em modelos de regressão. Geralmente,
podemos incluir um conjunto de variáveis dummy sazonais para explicar a sazonalidade na
variável dependente, nas variáveis independentes, ou em ambas.
A abordagem é simples. Suponha que temos dados mensais e que entendemos padrões
sazonais dentro de um ano como razoavelmente constantes ao longo do tempo. Por
exemplo, já que o Natal ocorre sempre na mesma época do ano, podemos esperar que as
vendas do varejo sejam, em média, mais altas nos meses de �nal do ano do que de inicio
do ano. Ou, como os padrões climáticos são amplamente similares ao longo dos anos, o
inicio da construção de novas casas no centro-oeste norte-americano será maior, em
média, durante os meses de verão do que nos meses de inverno. Um modelo geral de
dados mensais que capta esse fenômeno é:
  yt= β0
+ δ1fevt + δ2mart  + δ2abrt + ... + + δ11dezt
+ β1xt1 + ... + βkxtk + ut;
em que fevt,...,dezt
são variáveis dummy indicando se o período de tempo t corresponde ao mês apropriado,
sendo janeiro o mês base.
Qual é o intercepto de março? As variáveis dummy sazonais satisfazem a hipótese de
exogeneidade estrita (Sim ou Não)? Explique por quê?
O intercepto de março é β0 + δ2; Sim; porque são variáveis
exógenas.
UNIP EAD BIBLIOTECAS MURAL DO ALUNO TUTORIAISCONTEÚDOS ACADÊMICOS
0,4 em 0,4 pontos
http://company.blackboard.com/
https://ava.ead.unip.br/webapps/blackboard/execute/courseMain?course_id=_325597_1
https://ava.ead.unip.br/webapps/blackboard/content/listContent.jsp?course_id=_325597_1&content_id=_3735017_1&mode=reset
https://ava.ead.unip.br/webapps/portal/execute/tabs/tabAction?tab_tab_group_id=_10_1
https://ava.ead.unip.br/webapps/portal/execute/tabs/tabAction?tab_tab_group_id=_27_1
https://ava.ead.unip.br/webapps/portal/execute/tabs/tabAction?tab_tab_group_id=_47_1
https://ava.ead.unip.br/webapps/portal/execute/tabs/tabAction?tab_tab_group_id=_29_1
https://ava.ead.unip.br/webapps/portal/execute/tabs/tabAction?tab_tab_group_id=_25_1
https://ava.ead.unip.br/webapps/login/?action=logout
Respostas: a.
b.
c.
d.
e.
Comentário da
resposta:
O intercepto de março é δ2; Sim; porque são variáveis exógenas.
O intercepto de março é δ2; Não; porque são variáveis endógenas.
O intercepto de março é δ2; Não; porque são variáveis exógenas.
O intercepto de março é β0 + δ2; Sim; porque são variáveis
exógenas.
O intercepto de março é β0 + δ2; Sim; porque são variáveis
endógenas.
Resposta: D
Comentário: O intercepto de março é (β0 + δ2) e satisfazem porque
são variáveis exógenas.
Pergunta 2
Resposta
Selecionada:
e.
Respostas: a.
b.
c.
d.
e.
Em uma equação de dados anuais, supondo que:
  
 
em que  é a taxa de juros e  é a taxa de in�ação, quais são as tendências de impacto
e de longo prazo?
A propensão de impacto é 0,48, enquanto a propensão de longo
prazo é 0,65.
A propensão de impacto é 0,48, enquanto a propensão de longo
prazo é 0,17.
A propensão de impacto é 0,48, enquanto a propensão de longo
prazo é 0,33.
A propensão de impacto é 1,60, enquanto a propensão de longo
prazo é 0,32.
A propensão de impacto é 0,48, enquanto a propensão de longo
prazo é 0,47.
A propensão de impacto é 0,48, enquanto a propensão de longo
prazo é 0,65.
0,4 em 0,4 pontos
Comentário da
resposta:
Resposta: E
Comentário: A propensão de impacto é 0,48, enquanto a propensão de
longo prazo é 0,48 - 0,15 + 0,32 = 0,65. “Introdução à Econometria”,
Jefrey M. Wooldridge.
Pergunta 3
Resposta Selecionada: d. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário da
resposta:
É correto a�rmar a respeito do modelo de regressão linear:
 
I) No modelo de regressão linear clássico simples com n observações e k=1 variável
explicativa, pode-se a�rmar que se R2 (coe�ciente de determinação) for zero, então a
melhor previsão para um valor de y é sua média amostral.
II) No modelo de regressão linear clássico multivariado com n observações e k > 2 variáveis
explicativas, incluindo-se o intercepto, pode-se a�rmar que o R2 (coe�ciente de
determinação) será maior ou igual ao R2 (ajustado).
III) Se o p-valor de um teste é maior do que o nível de signi�cância adotado, rejeita-se a
hipótese nula.
IV) O nível de signi�cância de um teste é a probabilidade de rejeitar a hipótese nula quando
a hipótese alternativa é verdadeira.
V) Qualquer variável expressa em categorias pode ser transformada em uma variável
dummy.
V – V – F – F – V
V – V – F – F – F
V – V – F – V – V
V – V – V – F – V
V – V – F – F – V
V – V – F – V – F
Resposta: D
Comentário: Se o p-valor de um teste é maior do que o nível de
signi�cância adotado, aceita-se
a hipótese nula (V: aceita-se).
O nível de signi�cância de um teste é a probabilidade de aceitar a
hipótese nula quando a hipótese alternativa é verdadeira (V: aceitar).
Pergunta 4
Resposta Selecionada: b. 
Qualquer variável explicativa, num modelo de regressão linear múltipla do tipo  
  que for correlacionada com o termo de erro
estocástico é dita variável:
Explicativa endógena.
0,4 em 0,4 pontos
0,4 em 0,4 pontos
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário da
resposta:
Explicativa exógena.
Explicativa endógena.
Explicada exógena.
Explicada endógena.
Regressiva exógena.
Resposta: B
Comentário: Se uma das variáveis explicativas, um dos regressores, é
uma variável endógena, determinada pelo próprio modelo representado
aqui e, portanto, está correlacionada com os resíduos, levando a
estimadores viesados e inconsistentes.
Pergunta 5
Resposta
Selecionada:
b.
Respostas: a.
b.
c.
d.
e.
Comentário
da resposta:
A utilização das variáveis instrumentais nos auxiliará:
Na busca de estimadores consistentes quando tivermos regressores
endógenos presentes no modelo de regressão.
Na busca de estimadores consistentes quando tivermos regressores
exógenos presentes no modelo de regressão.
Na busca de estimadores consistentes quando tivermos regressores
endógenos presentes no modelo de regressão.
Na busca de estimadores consistentes quando tivermos variáveis
independentes X cujos valores são determinados fora do sistema.
Na busca de estimadores viesados quando tivermos regressores
endógenos presentes no modelo de regressão.
Na busca de estimadores consistentes quando a variável dependente
for exógena.
Resposta: B
Comentário: A utilização das variáveis instrumentais nos auxiliará na
busca de estimadores consistentes quando tivermos regressores
endógenos presentes no modelo de regressão (regressores endógenos
são variáveis independentes X cujos valores são determinados dentro do
sistema).
Pergunta 6
0,4 em 0,4 pontos
0,4 em 0,4 pontos
Resposta Selecionada: c. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário da
resposta:
Os testes de avaliação da multicolinearidade apresentam resultados diferentes conforme
são alterados o número de variáveis, tamanho de amostra e grau de correlação entre
variáveis. Das a�rmações a seguir:
I) É importante observar que a omissão de uma variável relevante transfere sua in�uência
sistemática para o erro, podendo acarretar a autocorrelação residual.
II) A forma mais empírica de identi�cação da multicolinearidade é através do coe�ciente de
correlação linear de Pearson entre variáveis explicativas.
III) A análise da multicolinearidade busca veri�car se existe dependência entre as variáveis
pois, caso exista, essa dependência provoca degenerações no modelo, limitando a
utilização.
IV) Tamanhos de amostra pequenos e número de variáveis pequeno aumentam a
ocorrência de multicolinearidade.
Estão corretas somenteas a�rmativas:
I, II e III
I e III
I, II e IV
I, II e III
I, III e IV
II e III
Resposta: C
Comentário: Tamanhos de amostra pequenos e número grande de
variáveis aumentam a ocorrência de multicolinearidade.
Pergunta 7
Resposta Selecionada: a. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
Entre os pressupostos básicos que precisam ser seguidos para garantir a qualidade do
resultado dos modelos de regressão linear, quais são os que pelo Método dos Mínimos
Quadrados Ordinários mantêm os estimadores não viesados?
Heterocedasticidade e autocorrelação.
Heterocedasticidade e autocorrelação.
Heterocedasticidade e simultaneidade.
Multicolinearidade e simultaneidade.
Autocorrelação e simultaneidade.
Homocedasticidade e simultaneidade.
Resposta: A
Comentário:
Heterocedasticidade → Consequências: podemos dizer que são as
mesmas que acontecem na autocorrelação, pois os estimadores de MQO
continuam não viesados, porém não são mais os de menor variância.
0,4 em 0,4 pontos
Simultaneidade → Consequências: a regressão por MQO dessas equações
anteriormente apresentadas nos levará a estimadores viesados e
inconsistentes, visto que uma das variáveis explicativas, um dos
regressores, é uma variável endógena, determinada pelo próprio modelo
representado aqui e, portanto, está correlacionada com os resíduos,
levando a estimadores viesados e inconsistentes.
Multicolinearidade → Consequências: a variância dos coe�cientes
estimados das variáveis explicativas aumenta (é muito grande) quando
ocorre multicolinearidade (os testes t apresentam baixa signi�cância, mas
isso não signi�ca que sejam inválidos), podendo nos levar, do ponto de
vista econômico, a conclusões erradas, visto que seus valores �cam muito
sensíveis quando se acrescenta ou se retira uma variável do modelo ou
quando há pequenas alterações no tamanho da amostra. Nesse contexto,
as propriedades dos estimadores não se alteram, continuam não viesados,
e�cientes e consistentes, bem como as previsões elaboradas.
 
Autocorrelação → Consequências: o estimador de mínimos quadrados
ordinários (MQO) deixa de apresentar a menor variância possível entre
todos os estimadores (não é o mais preciso). Com esse problema, os
estimadores ainda sustentam a hipótese de que são não viesados e
consistentes – que é a de que os regressores (os X) não sejam
correlacionados com o erro –; portanto, a hipótese não é violada mesmo
na presença de autocorrelação.
As exceções advêm dos modelos que incluem, entre as variáveis
explicativas, defasagens da variável dependente, em modelos do tipo:
 
Pergunta 8
Dos grá�cos e fórmulas que estão enumerados a seguir, quais possuem as informações V
(verdadeiras) ou F (falsas), respectivamente?
0,4 em 0,4 pontos
Resposta Selecionada: c. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário da
resposta:
F – V – V – F – V
F – F – V – F – V
F – V – V – V – V
F – V – V – F – V
V – V – V – F – V
V – V – V – V – V
Resposta: C
Comentário:
O coe�ciente de determinação (r2) não assume valores (-) negativos.
Assume valores entre ( 0 ≤ r2 ≤ 1).
 
Um conjunto de pontos dá evidência de linearidade apenas para os
valores de X cobertos pelo conjunto de dados. Para valores de X que
saem fora dos que foram cobertos não há qualquer evidência de
linearidade.
 
Pergunta 9
Resposta Selecionada: c. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
Para estimarmos os parâmetros desconhecidos em um modelo de regressão linear
múltiplo, precisamos incluir mais uma hipótese a ser testada se comparada com um
modelo de regressão linear simples. Qual é esta hipótese?
Multicolinearidade.
Exogeneidade.
Homocedasticidade.
Multicolinearidade.
Não autocorrelação residual.
Não autocorrelação dos erros.
Resposta: C
Comentário: Na regressão múltipla, devemos atentar para que as variáveis
independentes não sejam correlacionadas entre si (a utilização de variáveis
que explicam a mesma coisa, o que prejudica a performance do modelo).
Isso implica a ocorrência de multicolinearidade, algo indesejável na
construção de um modelo econométrico. O problema é que os valores dos
βs associados às variáveis independentes podem estar viesados; assim,
comprometem as projeções do modelo e as conclusões e até mesmo não
permitem realizar os testes de regressão.
Pergunta 10
Os resultados obtidos numa regressão com 15 observações foram:
 
                (6,854)           (0,976)                 (0,040)                   erro padrão
 
 
Qual o valor calculado do F (Fisher)?
0,4 em 0,4 pontos
0,4 em 0,4 pontos
Resposta Selecionada: b. 
Respostas: a. 
b. 
c. 
d. 
e. 
Comentário
da resposta:
31,90
18,23
31,90
68,54
91,77
97,60
ANOVA 
 gl SQ MQ F
Regressão k (2) 0,8421 0,4211 31,90
Resíduo n-k-1 (12) 0,1579 0,0132 
Total n-1 (14) 1 
Resposta: B
Comentário: Sabemos que o R 2
é a divisão entre Soma do Quadrado (SQ regr) da Regressão dividido pela
Soma do Quadrado Total (SQ tot).
 
 
Temos o valor de n = 15 (número de observações) e k = 2 (número de
variáveis independentes no modelo).
 
Mesmo não tendo os valores absolutos das Somas dos Quadrados
apresentados na tabela acima, podemos, com base no valor do R 2, tê-los
como referencial de cálculo para obter o valor de F (Fisher) conforme
indicado na terceira coluna da tabela abaixo. Portanto, substituindo as
demais informações apresentadas no enunciado da questão, temos, a
seguir, na tabela:
 
 
 
 
Onde,
 
 O Quadrado Médio da Regressão (MQ regr) é a divisão do SQ regr / k =
0,8421 / 2 = 0,4211
 
 O Quadrado Médio do Resíduo (MQ resid) é a divisão do SQ resid / (n-k-1)
= 0,1579 / 12 = 0,0132.
 
Portanto, F = MQ regr dividido pelo MQ resid = 0,4211 / 0,0132 = 31,90
Quarta-feira, 27 de Março de 2024 16h45min20s GMT-03:00 ← OK