Baixe o app para aproveitar ainda mais
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
Compartilhar