Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de Brasília Departamento de Economia Introdução à Econometria (ECO 132497, Turmas A e B) Prof. Moisés A. Resende Filho Lista de Exercícios 01, primeiro semestre de 2018 Questão 1. Considere as variáveis aleatória X e X3, para as quais E[X] = E[X3] = 0. Sabe-se que a variável aletória Y é causada por X, pois na população Y = X2. Com base nisto pede-se: (a) Obtenha a covariância populacional entre Y e X. Lembre-se de que Cov(Y,X) ≡ E [(Y − E(Y )) (X − E(X))] = E(Y X)− E(Y )E(X) (b) Com base no resultado no item (a), pode-se afirmar que E[Y |X] = 0, ou seja, que a média de Y é independente de X, ou seja, Y é média independete de X? Justifique. Questão 2. Considere o somatório ∑n i=1 (xi − x)(yi − y), em que x ≡ n−1 ∑n i=1 xi e y ≡ n−1 ∑n i=1 yi, e mostre que é igual a: (a) ∑n i=1 yi(xi − x). (b) ∑n i=1 xi(yi − y). (c) ∑n i=1 xiyi − n −1 ∑n i=1 xi ∑n i=1 yi. (d) ∑n i=1 xiyi − nxy. Questão 3. (Wooldridge, exercício 2.9.) Na função de consumo linear, em sua especifi- cação "modelo amostra de regressão linear simples" ou, simplesmente, modelo de regressão estimado ĉons = β̂0 + β̂1renda a estimativa da propensão marginal a consumir, P̂MgC, é a própria estimativa do co- eficiente de inclinação, β̂1. Já a propensão média a consumir é definida como P̂meC ≡ ĉons renda = β̂0 renda + β̂1. Usando as observações de renda e consumo anual (cons), medidos em dólares americanos, para uma amostra aleatória de 100 famílias, obteve-se por MQO a seguinte equação estimada: ĉons = −124, 84 + 0, 853renda n = 100, R2 = 0, 692 Com base nisso pede-se: (a) Interprete a estimativa do intecepto do modelo e comente sobre o seu sinal e magnitude. (b) Qual o consumo previsto ou estimado quando a renda familiar é US$ 30000? (c) Considerando que o intervalo dos dados da amostra é renda ∈ [2000, 32000] e tomando a variável renda no eixo das abscissas, faça um gráfico da P̂MgC e da propensão média a consumir ( P̂meC). 1 (d) É plausível admitir que E(u|renda) = 0 no modelo? Justifique sua resposta. Dica: pense em fatores que afetam o consumo e que foram relegados ao erro do modelo, u. Em seguida, pense se algum desses fatores são relacionados à renda. Questão 4. (Wooldridge, exercício 2.2.) A tabela abaixo apresenta as variáveis GPA (IRA no curso superior nos EUA) e ACT (nota do teste de avaliação de conhecimentos para ingresso em curso superior nos Estados Unidos ≈ nota do vestibular) com notas hipotéticas para oito estudantes de curso superior dos EUA. O GPA segue uma escala de zero (pior desempenho) a quatro pontos (mais alto desempenho) e foi arredondado para uma casa decimal. A nota ACT baseia-se em uma escala de zero a 36 pontos e foi arredondada para um número inteiro. Com base nisso pede-se: Estudante GPA ACT 1 2, 8 21 2 3, 4 24 3 3, 0 26 4 3, 5 27 5 3, 6 29 6 3, 0 25 7 2, 7 25 8 3, 7 30 (a) Estime a relação entre GPA e ACT usando o método de Mínimos Quadrado Ordinários. Isto é, obtenha as estimativas do intercepto e inclinação do modelo econométrico GPA = β0 + β1ACT + u, em que u é o termo de erro estocástico ou aleatório. Comente sobre o sinal esperado de β1. O intercepto tem alguma interpretação útil? Explique. Qual deveria ser o valor esperado do GPA se a nota ACT aumentasse em cinco pontos? (b) Calcule o valor estimado e o resíduo para cada observação da amostra e verifique se a soma dos resíduos é aproximadamente zero (devido aos erros de aproximação nos cálculos). (c) Qual o valor previsto/estimado do GPA quando ACT = 20? (d) Quanto da variação do GPA dos oito estudantes da amostra é explicada pela variável ACT? Explique. (e) Estime a variância do modelo de regressão (σ̂2) e as variâncias de β̂0 e β̂1. (f) Suponha que no lugar do GPA utilizássemos a variável GPAH ≡ 2GPA. Na regressão ĜPAH = β˜0 + β˜1ACT , quais seriam as estimativas de β˜0 e β˜1? (g) Suponha que no lugar do ACT utilizássemos a variável ACTH ≡ 0, 1ACT . Na regressão ĜPA = β˜0 + β˜1ACTH, quais seriam as estimativas de β˜0 e β˜1? Questão 5. (Wooldridge, exercício 2.1.) No modelo de regressão linear simples y = β0 + β1x + u suponha que E(u|x) 6= 0. Admitindo que E(u|x) = α0, sendo α0 uma constante, mostre que o modelo original pode ser reescrito com a mesma inclinação, mas com um novo intercepto e um novo erro, tal que o novo erro apresenta valor esperado condicional em x igual a zero. 2 Questão 6. (Wooldridge, exercício 2.3.) A variável filhos denota o número de filhos de uma mulher e a variável educ denota os anos de escolaridade dessa mulher. Um modelo simples que relaciona a fertilidade a anos de escolaridade é filhos = β0 + β1educ+ u em que u é o termo de erro aleatório. Com base nisto pede-se: (a) Enumere algumas outras variáveis que afetariam a fertilidade de uma mulher, mas que não estão incluídas no modelo. Estas variáveis omitidas do modelo seriam correlacionadas com a variável educ (nível de escolaridade de uma mulher)? (b) Com base em sua resposta para o item (a), uma regressão simples como no modelo filhos = β0+β1educ+u será capaz de captar o efeito ceteris paribus da variável escolaridade (edu) sobre a fertilidade de uma mulher? Explique. Questão 7. (Wooldridge, exercício 2.7.) Usando dados do preço de venda no ano 1988 de casas situadas em Andover, Massachesetts, Kiel e McClain (1995) estimaram o seguinte modelo de regressão linear simples ̂log(preco) = 9, 40 + 0, 312 log(dist) n = 135, R2 = 0, 162 em que log(.) é o operador logaritmo natural, preco é o preço de venda de uma casa e dist é a distância de uma casa até um incinerador de lixo recentemente construído. Com base nisso, pede-se: (a) Interprete a estimativa do coeficiente de log(dist). O sinal dessa estimativa está dentro do esperado? Explique. (b) Suponha que a prefeitura da cidade resolva instalar o incinerador em uma área justamente mais afastada de zonas residenciais de melhor qualidade (áreas nobres). Como a variável qualidade é omitida do modelo e, portanto, é relegada ao erro u, discuta se podemos considerar a estimativa 0, 312 como uma boa estimativa do efeito ceteris paribus do log da distância sobre o log do preço das casas. (c) Quais outras variáveis relacionadas às casas que poderiam afetar os preços delas e não es- tão incluídas no modelo? Como estas variáveis omitidas estariam correlacionadas com a variável distância do incinerador? Questão 8. (Wooldridge, exercício 2.11.) Usando dados de nascimentos nos EUA estimou- se o seguinte modelo de regressão linear simples ̂pesonas = 119, 77− 0, 514cigs com n = 1388 em que pesonas é o peso ao nascer do recém-nascido (mensurado em onças); e cigs é o número de cigarros que a mãe fumou em média por dia durante o período de gravidez. Com base nisso, pede-se: (a) Qual o peso previsto para o recém-nascido quando cigs = 0? E para quando cigs = 20 = um maço de cigarrros por dia? Calcule o percentual de queda estimado do peso por conta de um aumento no consumo de cigarros pela mãe de zero para um maço por dia. Obs.: 1 onça = 0, 0283495 kg. 3 (b) Para um peso previsto ao nascer de 110 onças, ou seja, 110∗0, 0283495 = 3, 1184 kg, quantos cigarros uma mulher deve fumar? Questão 9. Considere a função f(β˜0, β˜1) = ∑n i=1 (yi − β˜0 − β˜1xi) 2. Com base nisso pede-se: (a) Apresente as condições de primeira ordem do problema min β˜0,β˜1 ∑n i=1 (yi − β˜0 − β˜1xi) 2. (b) Manipule as duas condições de primeira ordem do problema de modo a encontrar o estimador de MQO para β˜0 e β˜1. (c) Obtenha a matriz Hessiana desse problema H = ∂2f(β˜0,β˜1) ∂β˜ 2 0 ∂2f(β˜0,β˜1) ∂β˜0∂β˜1 ∂2f(β˜0,β˜1) ∂β˜1∂β˜0 ∂2f(β˜0,β˜1) ∂β˜ 2 1 e demonstre que é positiva definida, ou seja, que ∂ 2f(β˜0,β˜1) ∂β˜0∂β˜0 > 0, ∂ 2f(β˜0,β˜1) ∂β˜1∂β˜1 > 0 e que o determinante de H, |H|é estritamente positivo. Em outras palavras, demonstre que os menores principais líderes de H são positivos. Questão 10. Considere o modelo de regressão simples y = β0+β1x+u. Deseja-se estimar esse modelo para um amostra de tamanho n = 51, em que a média amostral de y é y = 100, a variância amostral de y é v̂ar(y) = 400, a média de x é x = 0, a variância amostral de x é v̂ar(x) = 100 e a covariância amostral entre y e x é ĉov(x, y) = 80. Com base nisto, obtenha a estimativa MQO dos parâmetros do modelo de regressão. Questão 11. Considere o modelo de regressão linear simples yi = β0 + ui (modelo ingênuo ou "naive model"). Note que esse modelo possui apenas intercepto e nenhuma variável explicativa. Mostre que o R2 desse modelo estimado por MQO será, necessariamente, zero. Questão 12. Considere o modelo de regressão simples y = β0 + β1x+ u e os dados da tabela a seguir para responder as questões abaixo. Observação x y 1 1 3 2 2 5 3 3 6 (a) Calcule o R2 ≡ SQE SQT ≡ ∑ i (ŷi−y) 2∑ i (yi−y)2 da regressão. Interprete o resultado obtido. (b) Quanto maior a correlação entre os valores previstos e observados de y, maior será o R2. Cal- cule oR2 da regressão, agora utilizando a fórmulaR2 = ĉov(y,ŷ) 2 v̂ar(y)v̂ar(ŷ) = (∑n i=1 (yi−y)(ŷi−ŷ) ) 2 ∑n i=1 (yi−y)2 ∑n i=1 (ŷi−ŷ)2 . Note que por esta fórmula o R2 é calculado como o quadrado do coeficiente de correlação entre as variáveis y e ŷ, ou seja: R2 = ρ2y,ŷ . Mostre que o valor calculado para o R 2 segundo essa fórmula é igual àquele calculado no item (a). 4
Compartilhar