Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de Sa˜o Paulo - Departamento de Economia EAE 0324 - Econometria I Prof. Dr. Ricardo Avelino 1o Semestre de 2008 Lista de Exerc´ıcios 5 - Soluc¸a˜o Questa˜o 1 O caso ba´sico e´ regredir y0is contra o intercepto e x 0 is. Neste caso o estimador da inclinac¸a˜o de M.Q.O. deve ser: βˆ = P (xi − x¯) (yi − y¯)P (xi − x¯)2 a) Suponha que somente transformamos x0is, o que significa que ao inve´s de regredir y0is no intercepto e x 0 is, regredimos y 0 is em x ∗ i = xi − x¯ sem intercepto. Enta˜o a inclinac¸a˜o deve ser: βˆ ∗ = P x∗i yiP (x∗i ) 2 Note que: X (xi − x¯) (yi − y¯) = X (xi − x¯) yi Consequentemente, βˆ ∗ = P x∗i yiP (x∗i ) 2 = P (xi − x¯) yiP (xi − x¯)2 = P (xi − x¯) (yi − y¯)P (xi − x¯)2 = βˆ b) Suponha que transformamos yi em y∗i = yi − y¯, e regredimos y∗i em x0is sem intercepto. Enta˜o temos o seguinte coeficiente de inclinac¸a˜o: βˆ ∗ = P xiy∗iP x2i = P xi (yi − y¯)P x2i = P (xi − x¯) (yi − y¯)P x2i Enta˜o na˜o temos certeza que ele e´ igual a βˆ como no´s temos P xi (yi − y¯) =P (xi − x¯) (yi − y¯) mas geralmente P x2i 6= P (xi − x¯)2. Para igualdade temos x¯ = 0. Questa˜o 2 bn,s = (X 0X)−1X 0y ⇒ (X 0X)bn,s = X 0y ⇒ (X 0nXn + xsx0s)bn,s = (X 0nyn + xsys) 1 Multiplicando ambos os lados por (X 0nXn)−1, segue-se que bn,s + (X 0 nXn) −1(xsx 0 s)bn,s = (X 0 nXn) −1(X 0nyn) + (X 0 nXn) −1(xsys) que implica que bn,s + (X 0nXn) −1(xsx0s)bn,s = bn + (X 0 nXn) −1(xsys)⇒ x0sbn,s + x 0 s(X 0 nXn) −1(xsx0s)bn,s = x 0 sbn + x 0 s(X 0 nXn) −1(xsys)⇒ x0sbn,s = x0sbn 1 + x0s(X 0nXn)−1xs + x0s(X 0nXn)−1(xsys) 1 + x0s(X 0nXn)−1xs Agora note que 1 1 + x0s(X 0nXn)−1xs x0sbn = x 0 sbn − 1 1 + x0s(X 0nXn)−1xs x0s(X 0 nXn) −1xsx0sbn Enta˜o, x0sbn,s = x 0 sbn − x0s(X 0 nXn) −1xsx0sbn 1 + x0s(X 0nXn)−1xs + x0s(X 0 nXn) −1(xsys) 1 + x0s(X 0nXn)−1xs ⇒ x0sbn,s = x0sbn + 1 1 + x0s(X 0nXn)−1xs x0s(X 0 nXn) −1xs(ys − x0sbn) Multiplicando ambos os lados por (xsx0s) −1 xs, temos que: (xsx 0 s) −1 xsx 0 sbn,s = (xsx 0 s) −1 xsx 0 sbn + (xsx0s) −1 xsx0s(X 0 nXn) −1xs(ys − x0sbn) 1 + x0s(X 0nXn)−1xs ⇒ bn,s = bn + 1 1 + x0s(X 0nXn)−1xs (X 0nXn) −1xs(ys − x0sbn) Questa˜o 3 a) β∗ = y¯ x¯ = P ytP xt = X wtyt onde wt = 1P xt Assim, β∗ e´ linear em y. Desde que E (εt|x) = 0, E (β∗|x) = E µP ytP xt |x ¶ = E µP (xtβ + εt)P xt |x ¶ = β + P E (εt|x)P xt = β Enta˜o β∗ e´ na˜o viciado. V (β∗|x) = V µP ytP xt |x ¶ = V µP (xtβ + εt)P xt |x ¶ = P V (εt|x) ( P xt) 2 = Tσ2 ( P xt) 2 = σ2 T x¯2 2 onde x¯ = PT t=1 xt/T. A variaˆncia do estimador de M.Q.O. e´ igual a V h βˆ OLS |x i = σ2 (x0x)−1 = σ2P x2t Mas X (xt − x¯)2 = X¡ x2t − 2x¯xt + x¯2 ¢ = X x2t − 2T x¯2 + T x¯2 = X x2t − T x¯2 ≥ 0 como o quadrado de um nu´mero real na˜o pode ser negativo, enta˜o, P x2t ≥ T x¯2, que implica que σ2P x2t ≤ σ 2 T x¯2 Consequentemente, V [β∗|x] ≥ V h βˆ OLS |x i . b) β∗∗ resolve min β∗∗ τX t=1 (yt − β∗∗xt)2 Diferenciando em relac¸a˜o a β∗∗ e igualando o resultado a zero, temos: −2 τX t=1 (yt − β∗∗xt)xt = 0⇒ β∗∗ = Pτ t=1 xtytPτ t=1 x 2 t ⇒ β∗∗ = τX t=1 wtyt onde wt = xtSτ t=1 x 2 t . Assim, β∗∗ e´ linear em y. Calculando a esperanc¸a de β∗∗ : E (β∗∗|x) = E µPτ t=1 xtytPτ t=1 x 2 t |x ¶ = Pτ t=1 xtE (yt|x)Pτ t=1 x 2 t = Pτ t=1 xtE (βxt + εt|x)Pτ t=1 x 2 t = β + Pτ t=1 xtE (εt|x)Pτ t=1 x 2 t = β Assim podemos calcular a variaˆncia, usando o fato de que β∗∗ = β+ Sτ t=1 xtεtSτ t=1 x 2 t , de V (β∗∗) = E (β∗∗ −E (β∗∗))2 = E µ β + Pτ t=1 xtεtPτ t=1 x 2 t − β ¶2 = E µPτ t=1 xtεtPτ t=1 x 2 t ¶2 = 1 ( Pτ t=1 x 2 t ) 2 τX t=1 x2tE (εt) 2 = σ2Pτ t=1 x 2 t onde na quarta igualdade usamos o fato de que E (εiεj) = 0 ∀i 6= j. 3 Por u´ltimo, note que TX t=1 x2t = τX t=1 x2t + TX t=τ+1 x2t ≥ τX t=1 x2t que implica que σ2PT t=1 x 2 t ≤ σ 2Pτ t=1 x 2 t Assim, β∗∗ e´ tambe´m na˜o viciado e tem variaˆncia maior ou igual a V h βˆ OLS |x i . c) Seja β∗∗∗ = k, onde k e´ uma constante. Enta˜o β∗∗∗ e´ linear e tem variaˆncia zero. Mas se k 6= β, enta˜o, ele e´ viesado. 4
Compartilhar