Baixe o app para aproveitar ainda mais
Prévia do material em texto
1. Assinale a definição correta de independência plena: Cov(Y,X)=0 Corr(Y,X)=0 E[E[Y|X]]=E[Y] E[Y|X]=E[Y] fX,Y(x,y)=fX(x)fY(y) Explicação: A resposta correta é: fX,Y(x,y)=fX(x)fY(y) REGRESSÃO MULTIVARIADA 2. Assinale a alternativa que corresponde à condição de primeira ordem para obter o estimador de mínimos quadrados ordinários: ∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato parâmetro populacional que minimiza SQRSQR. ∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR. ∂SQR(^β)∂b>0∂SQR(β^)∂b>0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR . ∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato qualquer a estimador que maximiza SQRSQR . ∂SQR(^β)∂b<0∂SQR(β^)∂b<0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR . Explicação: A resposta correta é: ∂SQR(^β)∂b=0∂SQR(β^)∂b=0, em que bb é um candidato qualquer a estimador que minimiza SQRSQR. 3. Quais hipóteses garantem que o estimador de MQO será não viesado? Ausência de homocedasticidade, distribuição normal do erro e autocorrelação dos resíduos. Colinearidade perfeita, independência da média condicional e homocedasticidade. Variância finita do erro e distribuição normal dos parâmetros estimados. Independência da média condicional, ausência de colinearidade perfeita e distribuição normal do erro. Linearidade nos parâmetros, ausência de colinearidade perfeita e independência na média condicional. Explicação: A resposta correta é: Linearidade nos parâmetros, ausência de colinearidade perfeita e independência na média condicional. HETEROCEDASTICIDADE E AUTOCORRELAÇÃO 4. Suponha que estamos com uma base de dados e queremos realizar uma análise. Suponha, também, que fomos premiados com o dom da adivinhação e temos certeza sobre a forma funcional da heterocedasticidade em nossos dados, que é dada por h(x)=16x41h(x)=16x14. Nossa regressão possui 2 variáveis explicativas x1x1 e x2x2. Qual será a especificação de mínimos quadrados generalizados (MQG) que devemos aplicar nesse caso? y∗(4x21)=β0∗(4x21)+β1∗(4x21)∗x1+β2∗(4x21)∗x2+u∗(4x21)y∗(4x12)=β0∗(4x12)+β1∗(4x12)∗x1+β2∗(4x12)∗x2+u∗(4x12) yx21=β0x21+β1x21+β0x21x2+ux21yx12=β0x12+β1x12+β0x12x2+ux12 yx41=β0x41+β1x41+β0x41x2+ux41yx14=β0x14+β1x14+β0x14x2+ux14 y4x21=β04x21+β14x1+β04x21x2+u4x21y4x12=β04x12+β14x1+β04x12x2+u4x12 y16x41=β016x41+β116x41+β016x41x2+u16x41y16x14=β016x14+β116x14+β016x14x2+u16x14 Explicação: A resposta correta é: y4x21=β04x21+β14x1+β04x21x2+u4x21y4x12=β04x12+β14x1+β04x12x2+u4x12 5. Quais hipóteses garantem que o estimador de MQO para séries temporais será não viesado? Homocedasticidade, ausência de colinearidade perfeita e independência da média condicional. Linearidade nos parâmetros, normalidade dos erros e independência da média condicional. Homocedasticidade, ausência de autocorrelação e independência da média condicional. Homocedasticidade, ausência de autocorrelação e normalidade dos erros. Linearidade nos parâmetros, ausência de colinearidade perfeita, e independência na média condicional. Explicação: A resposta correta é: Linearidade nos parâmetros, ausência de colinearidade perfeita, e independência na média condicional. VARIÁVEIS INSTRUMENTAIS 6. Seja XX uma matriz qualquer de dimensão N×(K+1)N×(K+1). Assuma que existe uma outra matriz ZZ com dimensão N×LN×L. Seja Pz=Z(ZZ)−1ZPz=Z(ZZ)−1Z uma matriz de projeção para ZZ . Assinale a alternativa que contém a dimensão de PzPz e a descrição do conteúdo da matriz ^X=PzXX^=PzX: A dimensão de PzPz é L×(K+1)L×(K+1) e ^XX^ contém os valores da matriz variância-covariância entre XX e ZZ. A dimensão de PzPz é N×NN×N e ^XX^ contém os valores da matriz variância-covariância entre XX e ZZ. A dimensão de PzPz é N×XN×X e ^XX^ contém os valores preditos de XX. A dimensão de PzPz é L×LL×L. A dimensão de PzPz é L×(K+1)L×(K+1) e ^XX^ contém os valores preditos de XX. Explicação: A resposta correta é: A dimensão de PzPz é N×XN×X e ^XX^ contém os valores preditos de XX. EQUAÇÕES SIMULTÂNEAS E EFEITOS FIXOS 7. Considere o modelo a seguir: yit=α+βxit+μi+vityit=α+βxit+μi+vit Qual classificação o representa melhor? Um modelo de corte transversal. Um modelo de efeitos fixos de grupo e tempo. Um modelo de séries de tempo. Um modelo de efeitos fixos de grupo. Um modelo de efeitos fixos de tempo. Explicação: A resposta correta é: Um modelo de efeitos fixos de grupo. 8. Considere o sistema de equações simultâneas a seguir, onde ocultamos os subscritos de tempo apenas para reduzir a notação. Y1=α0+α1Y2+α3Y3+α4X1+α5X2+u1Y1=α0+α1Y2+α3Y3+α4X1+α5X2+u1 Y2=β0+β1Y3+β2Y1+β3X2+u2Y2=β0+β1Y3+β2Y1+β3X2+u2 Y3=γ0+γ1Y1+γ2Y2+γ3X3+u3Y3=γ0+γ1Y1+γ2Y2+γ3X3+u3 De acordo com a condição de ordem, a primeira equação desse sistema é: Não é possível saber se a equação é identificada, pois ela não nos dá os modelos em forma reduzida. Subidentificada Justamente identificada. Não é possível saber se a equação é identificada, pois precisamos verificar a condição de posto antes. Sobre-identificada. Explicação: A resposta correta é: Subidentificada APLICAÇÕES DE R EM ECONOMETRIA 9. Sobre classes de objetos, considere as alternativas abaixo e assinale a incorreta. Matrizes são estruturas de dados similares a vetores, mas com duas dimensões. Data frames são um caso especial de lista, em que cada componente da lista tem o mesmo comprimento. Listas são estruturas de dados que comportam dados de somente de um tipo. Classe é um atributo dos objetos do R, que determina a forma de armazenamento dos dados do objeto. Vetores são estruturas de dados básicas no R, que contêm elementos do mesmo tipo. Explicação: A resposta correta é: Listas são estruturas de dados que comportam dados de somente de um tipo. 10. Assinale a alternativa que corresponde a uma regressão da variável dependente "taxa de agressões" (Assault) na variável independente "população urbana" (UrbanPop) da base dados, usada no módulo 4. lm(Assault ~ UrbanPop, data = dados) lm(y = Assault, x = UrbanPop, data = dados) regress(UrbanPop ~ Assault, data = dados) lm(UrbanPop ~ Assault, data = dados) lm(Assault ~ UrbanPop) Explicação: A resposta correta é: lm(Assault ~ UrbanPop, data = dados)
Compartilhar