Baixe o app para aproveitar ainda mais
Prévia do material em texto
UNIVERSIDADE ESTADUAL DO OESTE DO PARANÁ - UNIOESTE Programa de Pós-graduação em Desenvolvimento Regional e Agronegócio – PGDRA - MESTRADO - Lista de exercício 2 Mestrando: Jonas da Silva Henrique Disciplina: Métodos Quantitativos I Professor: Piacenti Toledo-Paraná Junho de 2014 1. Determine se os modelos abaixo são intrinsecamente lineares ou intrinsecamente não lineares. Mostre a forma como podem ser estimados. a) R: Intrinsecamente linear, para isso, deve-se criar uma variável nova que será composta pelos valores da divisão de 1/Xi. Yi = β1 – β2X2i + µi Onde X2 é igual a 1/Xi b) R: Este Modelo é linear. c) R: O modelo não é linear nos parâmetros. d) R: O modelo pode tornar-se linear aplicando o log. LogYi = β1 + β2Xi + µi e) R: O modelo pode tornar-se linear aplicando o log. logYi = - β1 + β2Xi + ui 3. Resolva o exercício 7.23 de Gujarati (página 220). EQUAÇÃO 1: Dependent Variable: LOG(Y) Method: Least Squares Date: 16/05/14 Time: 22:27 Sample: 1960 1982 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C 2.032820 0.116183 17.49673 0.0000 LOG(X2) 0.451528 0.024695 18.28435 0.0000 LOG(X3) -0.372212 0.063466 -5.864740 0.0000 R-squared 0.980074 Mean dependent var 3.663887 Adjusted R-squared 0.978082 S.D. dependent var 0.187659 S.E. of regression 0.027783 Akaike info criterion -4.207711 Sum squared resid 0.015437 Schwarz criterion -4.059603 Log likelihood 51.38868 F-statistic 491.8681 Durbin-Watson stat 1.875601 Prob(F-statistic) 0.000000 EQUAÇÃO 2 Dependent Variable: LOG(Y) Method: Least Squares Date: 16/05/14 Time: 22:52 Sample: 1960 1982 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C 2.125498 0.137882 15.41533 0.0000 LOG(X2) 0.405924 0.044791 9.062535 0.0000 LOG(X3) -0.438825 0.083332 -5.265956 0.0000 LOG(X4) 0.106656 0.087838 1.214228 0.2395 R-squared 0.981509 Mean dependent var 3.663887 Adjusted R-squared 0.978590 S.D. dependent var 0.187659 S.E. of regression 0.027459 Akaike info criterion -4.195488 Sum squared resid 0.014326 Schwarz criterion -3.998011 Log likelihood 52.24812 F-statistic 336.1808 Durbin-Watson stat 1.778678 Prob(F-statistic) 0.000000 EQUAÇÃO 3 Dependent Variable: LOG(Y) Method: Least Squares Date: 16/05/14 Time: 23:33 Sample: 1960 1982 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C 2.039362 0.122320 16.67229 0.0000 LOG(X2) 0.440867 0.052418 8.410564 0.0000 LOG(X3) -0.381500 0.076339 -4.997420 0.0001 LOG(X5) 0.021366 0.092007 0.232221 0.8188 R-squared 0.980131 Mean dependent var 3.663887 Adjusted R-squared 0.976994 S.D. dependent var 0.187659 S.E. of regression 0.028464 Akaike info criterion -4.123589 Sum squared resid 0.015394 Schwarz criterion -3.926112 Log likelihood 51.42127 F-statistic 312.4186 Durbin-Watson stat 1.868772 Prob(F-statistic) 0.000000 EQUAÇÃO 4 Dependent Variable: LOG(Y) Method: Least Squares Date: 06/05/14 Time: 09:54 Sample: 1960 1982 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C 2.189792 0.155715 14.06283 0.0000 LOG(X2) 0.342555 0.083266 4.113970 0.0007 LOG(X3) -0.504592 0.110894 -4.550212 0.0002 LOG(X4) 0.148545 0.099673 1.490334 0.1535 LOG(X5) 0.091105 0.100716 0.904568 0.3776 R-squared 0.982313 Mean dependent var 3.663887 Adjusted R-squared 0.978383 S.D. dependent var 0.187659 S.E. of regression 0.027591 Akaike info criterion -4.152987 Sum squared resid 0.013703 Schwarz criterion -3.906140 Log likelihood 52.75935 F-statistic 249.9282 Durbin-Watson stat 1.826069 Prob(F-statistic) 0.000000 EQUAÇÃO 5 Dependent Variable: LOG(Y) Method: Least Squares Date: 06/05/14 Time: 14:07 Sample: 1960 1982 Included observations: 23 Variable Coefficient Std. Error t-Statistic Prob. C 2.029865 0.118682 17.10338 0.0000 LOG(X2) 0.481286 0.068188 7.058251 0.0000 LOG(X3) -0.350628 0.079394 -4.416310 0.0003 LOG(X6) -0.061035 0.129960 -0.469645 0.6440 R-squared 0.980303 Mean dependent var 3.663887 Adjusted R-squared 0.977193 S.D. dependent var 0.187659 S.E. of regression 0.028340 Akaike info criterion -4.132296 Sum squared resid 0.015260 Schwarz criterion -3.934819 Log likelihood 51.52141 F-statistic 315.2063 Durbin-Watson stat 1.910653 Prob(F-statistic) 0.000000 RESPOSTAS: a) O modelo (5) aparenta ser o melhor por abranger todas as variáveis economicamente relevantes, inclusive o preço real dos substitutos da carne de frango, o que provavelmente ajude a diminuir o problema de multicolinearidade entre o preço da carne bovina e o da carne de suína existente no modelo (4). O modelo (1) não tem informações sobre os substitutos, e elas são limitadas nos modelos (2) e (3). b) O coeficiente de lnX2 representa a elasticidade de renda, e o lnX3 representa a de preço próprio . c) O modelo (4) considera as carnes suína e bovina como bens substitutos, ao passo que o (2) considera apenas a suína. d) Pode haver um problema de multicolinearidade entre o preço da carne bovina e o da suína. e) Sim Isso deve amenizar o problema da multicolinearidade. f) Devem ser bens substitutos porque competem com a carne de frango como produto de consumo g) Equação 5: Intercepto: Significativo com 99% de probabilidade, seu valor foi de 2.029865, assim, teoricamente, a equação passa no eixo vertical (Y = consumo de carne de frango per capita) em 2,029865 libra-peso. Seu erro-padrão foi de 0.118682. Coeficiente de lnX2: : É estatisticamente significativo a 1%. Seu sinal foi condizente com a teoria, pois quando a renda aumenta o consumo de bens normais também aumenta. Assim, quando a renda real per capita disponível variar em 1% o consumo da carne de frango per capita irá variar em 0.481286%. Seu erro-padrão foi de 0.068188. Coeficiente de lnX3: Coeficiente significativo com 99% de probabilidade. Seu sinal foi condizente com o pensamento econômico, demonstrando a relação inversa entre preço e consumo. Quando o preço real do frango no varejo variar 1% o consumo de carne de frango per capita irá variar, no sentido contrário, em 0.350628%. Seu erro-padrão foi de 0.079394. Coeficiente lnX6: Não demonstrou-se significativo a um nível de 10%, seu sinal a priori também não foi condizente com o esperado, pois acredita-se em uma relação direta entre o preço dos bens substitutos e a demanda do bem analisado. Seu erro-padrão foi de 0.129960. O ajuste do modelo foi de 98,0303%, portanto, pouco mais de 98% das variações na variável dependente (consumo da carne de frango per capita) são explicadas pelas variações nas variáveis independentes (renda real per capita, preço real da carne de frango no varejo, e preço real composto dos substitutos do frango). O R² justado foi de 97,7193%. Utilizado para comparar dois termos R², pois leva em conta o número de variáveis X presentes no modelo. O R² modificado = (1 – k/n)R² R² modificado = (1 – 3/23)0,980303 R² modificado = 0,852437. h) O modelo 2 traz apenas como bem substituto o preço da carne de porco no varejo, enquanto o outro modelo traz uma variável com o preço real composto dos substitutos da carne de frango (carne de boi e porco), assim ele se tornamais completo que o modelo 2 (apesar de nos dois modelos a variável preço dos bens substitutos não ter sido significativo). 4. Considerando o modelo mostre como proceder os seguintes testes: a) = 0 Teste de hipótese: H0: = 0 H1: ≠ 0 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. b) = 5 Teste de hipótese: H0: = 5 H1: ≠ 5 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. c) Teste de hipótese: H0: = 3β4 H1: ≠ 3β4 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. d) Teste F H0: H1: ao menos um dos parâmetros é diferente de zero. Se F > Fα(k – 1, n – 1), rejeita-se H0; caso contrário, não rejeita-se, onde Fα(k – 1, n – 1) é o valor crítico de F no nível de significância; (k – 1), os graus de liberdade do numerador e (n – k), os graus de liberdade do denominador. e) Teste de hipótese: H0: β2 = 7 β3 – 5 H1: β2 ≠ 7 β3 – 5 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. Ou H0: β2 = 5eβ4 H1: β2 ≠ 5eβ4 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. Ou H0: β2 = 0 H1: β2 ≠ 0 ttab(gl;Pr) Se tcal<( -ttab) e tcal>ttab, rejeita-se H0. 5) Os dados da tabela abaixo representam o valor do investimento real (bilhões de dólares), PIB real (bilhões de dólares), taxa de juros (%), taxa de inflação (%) e tendência para a economia Americana. Considere o problema de estimar a Função de investimento para a economia americana . Interprete a estimativa de , que é o efeito marginal do PIB () sobre a quantidade demandada. Investimento real (I) Tendência (T) PIB real (P) Taxa de juros (J) Taxa de inflação (I) 0,161 1 1,058 5,16 4,40 0,172 2 1,088 5,87 5,15 0,158 3 1,086 5,95 5,37 0,173 4 1,122 4,88 4,99 0,195 5 1,186 4,50 4,16 0,217 6 1,254 6,44 5,75 0,199 7 1,246 7,83 8,82 0,163 8 1,232 6,25 9,31 0,195 9 1,298 5,50 5,21 0,231 10 1,370 5,46 5,83 0,257 11 1,439 7,46 7,40 0,259 12 1,479 10,28 8,64 0,225 13 1,474 11,77 9,31 0,241 14 1,503 13,42 9,44 0,204 15 1,475 11,02 5,99 R: Dependent Variable: I Method: Least Squares Date: 07/05/14 Time: 02:51 Sample: 1 15 Included observations: 15 Variable Coefficient Std. Error t-Statistic Prob. C -0.524303 0.055996 -9.363189 0.0000 T -0.017009 0.001992 -8.540291 0.0000 P 0.682209 0.055597 12.27054 0.0000 J -0.002389 0.001212 -1.971558 0.0769 IN 0.000426 0.001338 0.318237 0.7569 R-squared 0.972774 Mean dependent var 0.203333 Adjusted R-squared 0.961883 S.D. dependent var 0.034177 S.E. of regression 0.006673 Akaike info criterion -6.920404 Sum squared resid 0.000445 Schwarz criterion -6.684387 Log likelihood 56.90303 F-statistic 89.32316 Durbin-Watson stat 1.823325 Prob(F-statistic) 0.000000 O estimado foi significativo a 1% de significância e seu sinal foi condizente com o pensamento a priori, pois quanto maior o PIB maior o investimento, assim, quando o PIB variar em 1 bilhão de dólares o investimento real irá variar em 0.682209 bilhões de dólares. 6 – Os dados da tabela abaixo representam o consumo per capta de leite (Y), em copos por dia, e o preço no varejo, em R$/litro (X), no período de 11 anos. Considere o problema de estimar a função Demanda de Leite representada pelas seguintes funções: Ano Yt Xt 1 1.3 0.62 2 1.2 0.78 3 1.4 0.58 4 1.4 0.57 5 1.5 0.50 6 1.9 0.40 7 2.6 0.32 8 2.3 0.36 9 2.5 0.33 10 2.7 0.33 11 2.1 0.56 a) . b) c) d) e) a) Interprete a estimativa de , que é o efeito marginal do preço sobre a quantidade demandada, para cada uma das funções estimadas acima; R: equação a: Dependent Variable: Y Method: Least Squares Date: 07/05/14 Time: 03:58 Sample: 2001 2011 Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C 3.520101 0.297441 11.83462 0.0000 X -3.331048 0.586673 -5.677864 0.0003 R-squared 0.781755 Mean dependent var 1.900000 Adjusted R-squared 0.757506 S.D. dependent var 0.565685 S.E. of regression 0.278564 Akaike info criterion 0.444630 Sum squared resid 0.698383 Schwarz criterion 0.516975 Log likelihood -0.445465 F-statistic 32.23814 Durbin-Watson stat 1.033092 Prob(F-statistic) 0.000303 O foi significativo a 99% de probabilidade e seu sinal foi condizente com o esperado pois foi negativo, e quantidade demandada e preço, em bens normais, tem relação inversa, ou seja, quanto maior o preço menor a demanda e vice-versa. Assim, quando o preço variar em 1 R$/litro o preço irá variar, no sentido contrario, em 3.331048. Equação b: Dependent Variable: LOG(Y) Method: Least Squares Date: 07/05/14 Time: 04:32 Sample: 2001 2011 Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C -0.091622 0.107885 -0.849253 0.4178 LOG(X) -0.906163 0.131896 -6.870287 0.0001 R-squared 0.839860 Mean dependent var 0.600441 Adjusted R-squared 0.822067 S.D. dependent var 0.303712 S.E. of regression 0.128112 Akaike info criterion -1.108856 Sum squared resid 0.147714 Schwarz criterion -1.036512 Log likelihood 8.098709 F-statistic 47.20084 Durbin-Watson stat 0.703370 Prob(F-statistic) 0.000073 O foi significativo com 0,01 de nível de significância e seu sinal também foi condizente com a teoria econômica, que revela a relação inversa entre preço e demanda, assim, como o modelo é logaritmo o é a elasticidade da demanda do leite em relação ao preço, portanto, quando o preço do leite variar em 1% a demanda irá variar, no sentido inverso, em 0.906163%. Equação c: Dependent Variable: LOG(Y) Method: Least Squares Date: 07/05/14 Time: 04:55 Sample: 2001 2011 Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C 1.484528 0.149935 9.901166 0.0000 X -1.817750 0.295731 -6.146628 0.0002 R-squared 0.807614 Mean dependent var 0.600441 Adjusted R-squared 0.786238 S.D. dependent var 0.303712 S.E. of regression 0.140419 Akaike info criterion -0.925402 Sum squared resid 0.177458 Schwarz criterion -0.853058 Log likelihood 7.089714 F-statistic 37.78104 Durbin-Watson stat 0.903592 Prob(F-statistic) 0.000169 O foi significativo com 99% de probabilidade e seu sinal também foi condizente com a teoria econômica, que revela a relação inversa entre preço e demanda. Como se trata de um modelo log-lin é necessário multiplicar o valor do por 100, assim, dada a variação de 1 R$/litro no preço a demanda irá variar, em sentido contrário, em 181,775%. Equação d: Dependent Variable: Y Method: Least Squares Date: 07/05/14 Time: 05:13 Sample: 2001 2011 Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C 0.618605 0.207063 2.987519 0.0153 LOG(X) -1.677816 0.253148 -6.627819 0.0001 R-squared 0.829958 Mean dependent var 1.900000 Adjusted R-squared 0.811064 S.D. dependent var 0.565685 S.E. of regression 0.245885 Akaike info criterion 0.195061 Sum squared resid 0.544136 Schwarz criterion 0.267406 Log likelihood 0.927162 F-statistic 43.92798 Durbin-Watson stat 0.785497 Prob(F-statistic) 0.000096 O foi significativo com 99% de probabilidadee seu sinal também foi condizente com a teoria econômica, que revela a relação inversa entre preço e demanda. Como se trata de um modelo lin-log é necessário dividir o valor do por 100, assim, dada a variação de 1% no preço a quantidade demandada irá variar, em sentido contrário, em 0,01677816 unidades. Equação e: 1º cria-se uma nova variável (X2) onde X2=1/Xi Dependent Variable: Y Method: Least Squares Date: 07/05/14 Time: 05:25 Sample: 2001 2011 Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C 0.148888 0.250824 0.593598 0.5674 X2 0.782299 0.107773 7.258786 0.0000 R-squared 0.854109 Mean dependent var 1.900000 Adjusted R-squared 0.837899 S.D. dependent var 0.565685 S.E. of regression 0.227755 Akaike info criterion 0.041872 Sum squared resid 0.466851 Schwarz criterion 0.114217 Log likelihood 1.769704 F-statistic 52.68998 Durbin-Watson stat 0.601029 Prob(F-statistic) 0.000048 O foi significativo com 99% de probabilidade, como X2 é o inverso da variável preço seu sinal ficou positivo, porém o modelo não se torna útil para a análise da demanda do leite. i) Calcule e interprete a elasticidade-preço da demanda de leite, no ponto médio da amostra, para cada uma das funções estimadas acima. Equação a: Y médio = 1.9; X médio = 0.486364; = -3.331048 Quando o preço do leite variar 1% a sua demanda irá variar, em sentido oposto, em 0,8527%. Equação b: Ep = = -0.906163 Quando preço aumentar em 1% a demanda do leite irá diminuir em 0,9% e vice-versa. Equação c: X médio = 0.486364; = -1.817750 Quando o preço do leite aumentar 1% sua demanda irá cair em 0,884% e vice-versa. Equação d: Y médio = 1.9; = -1.677816 Quando o preço do leite variar em 1% sua demanda irá variar, em sentido contrário, em 0,883%. Equação e: Y médio = 1.9; X2 = 2.238416; = 0.782299 Quando X2 variar em 1% a demanda do leite irá variar em 0,9216% no mesmo sentido. Essa elasticidade não apresenta aplicação econômica, pois a variável X2 é composta por 1/X, sendo que X é o preço do leite em R$/litro.
Compartilhar