Baixe o app para aproveitar ainda mais
Prévia do material em texto
Lista de Exercícios 5 - Solução Econometria I - EAE 5811 Questão 7 Ache o sinal da derivada de V ar (ZjZ > C) com relação à C para os seguintes modelos: (a) Z � N (0; 1) (b) Z � K1Z��; K1 > 0; Z > K2 > 0; � > 2 (c) Z � �e�Z�; � > 0; Z � 0 (d) Z � U (0; 1) Solução: a) Z � N(0; 1) f(z jz > c) = (2�) �1=2 exp(� 12z2) 1R c (2�)�1=2 exp(� 12u2)du Então, a Função Geradora de Momentos é dada por MGF (�) = 1R c e�z(2�)�1=2 exp(� 12z2)dz 1R c (2�)�1=2 exp(� 12u2)du Mas 1R c e�z(2�)�1=2 exp(�1 2 z2)dz = 1R c (2�)�1=2 exp � �1 2 � z2 � 2�z�� dz = 1R c e �2 2 (2�)�1=2 � �1 2 � z2 � 2�z + �2�� dz = e �2 2 1R c (2�)�1=2 � �1 2 (z � �)2 � dz = e �2 2 1R c�� (2�)�1=2 � �u 2 2 � du de nindo u = z � �, notando que du = dz e ajustando os limites de integração. Portanto, MGF (�) = e �2 2 1R c�� (2�)�1=2 exp n �u22 o du 1R c (2�)�1=2 exp(� 12u2)du 1 A primeira e a segunda derivadas com respeito a � são, respectivamente, �e �2 2 1R c�� (2�)�1=2 exp n �u22 o du+ e �2 2 (2�)�1=2 exp n � (c��)22 o 1R c (2�)�1=2 exp(� 12u2)du e (�e �2 2 + e �2 2 ) 1R c�� (2�)�1=2 exp n �u22 o du+ �e �2 2 (2�)�1=2 exp n � (c��)22 o 1R c (2�)�1=2 exp(� 12u2)du + �e �2 2 (2�)�1=2 exp n � (c��)22 o + (c� �) e � 2 2 (2�)�1=2 exp n � (c��)22 o 1R c (2�)�1=2 exp(� 12u2)du Portanto, @MGF @� ���� �=0 = (2�)�1=2 exp n � c22 o 1R c (2�)�1=2 exp(� 12u2)du e @2MGF @�2 ���� �=0 = 1R c (2�)�1=2 exp(� 12u2)du+ c(2�)�1=2 exp n � c22 o 1R c (2�)�1=2 exp(� 12u2)du Seja �(c) = E[z jz > c] = @MGF @� ���� �=0 Então V ar[zjz > c] = @ 2MGF @�2 ���� �=0 � " @MGF @� ���� �=0 #2 = 1 + �(c)c� �2(c) e, conseqüentemente, @V ar[zjz > c] @c = �0(c)c+ �(c)� 2�(c)�0(c) < 0 onde a última desigualdade segue de �(c) = E[zjz > c] = max fc; 0g 2 b) A densidade da variável aleatória truncada é dada por f(zjz > C) = f(z) P (z > c) = K1z �� 1R c K1z��dz = K1z �� � K1z�(��1)��1 ���1 c = K1z �� K1c�(��1) ��1 = (�� 1)c��1z�� Então, os dois primeiros momentos da variável aleatória truncada são , re- spectivamente, E[zjz > c] = 1R c (�� 1)c��1z�(��1)dz = (�� 1)c ��1z�(��2) �(�� 2) ����1 c = (�� 1)c (�� 2) e E[z2jz > c] = 1R c (�� 1)c��1z�(��2)dz = (�� 1)c ��1z�(��3) �(�� 3) ����1 c = (�� 1)c2 (�� 3) Note que a condição de � > 2 não é su ciente para que a variância seja nita. Para tal, precisamos que � > 3: Portanto, a variância da variável aleatória truncada é dada por: V ar[z jz > c] = E[z2 jz > c] � E2[z jz > c] = (�� 1)c 2 (�� 3) � � (�� 1)c (�� 2) �2 Portanto, @V ar[z jz > c] @c = 2(�� 1)c � (�� 2)2 � (�� 1)(�� 3) (�� 2)2(�� 3) � > 0 dado que � > 3 c) A densidade da variável aleatória truncada é dada por f(z jz > C) = �e �z� 1R c �e�z�dz = �e�z� �e�z� j1c = �e�z� e�c� = �e�(z�c)� E [z jz > c ] = 1R c �ze�(z�c)�dz Integrando por partes, temos que E [z jz > c ] = �z e�(z�c)� ���1 c � 1R c �e�(z�c)�dz = �z e�(z�c)� ���1 c � 1 � e�(z�c)� ���1 c = c+ 1 � E � z2 jz > c� = 1R c �z2e�(z�c)�dz = �z2 e�(z�c)� ���1 c � 1R c �2ze�(z�c)�dz = �z2 e�(z�c)� ���1 c + 2 � E [z jz > c ] = c2 + 2c � + 2 �2 3 Portanto, V ar [z jz > c ] = E �z2 jz > c�� E2 [z jz > c ] = c2 + 2c � + 2 �2 � � c+ 1 � �2 = 1 �2 e @V ar[zjz > c] @c = 0 d) A densidade da uniforme truncada é dada por f(z jz > C) = 1 1� c E [z jz > c ] = 1R c z 1 1� cdz = z2 2 ����1 c 1 1� c = c+ 1 2 E � z2 jz > c� = 1R c z2 1 1� cdz = z3 3 ����1 c 1 1� c = c2 + c+ 1 3 Portanto, V ar [z jz > c ] = E �z2 jz > c�� E2 [z jz > c ] = c2 + c+ 1 3 � � c+ 1 2 �2 = (c� 1)2 12 Logo, @V ar[zjz > c] @c = (c� 1) 6 > 0 para c > 1 Questão 8 Considere o modelo Tobit: y�i = x 0 i� + "i; "ijX � N � 0; �2 � I�i = x 0 i� + "i Ii = � 1 if I�i � 0 0 caso contrário Nós observamos somente Ii; xi e yi = Iiy � i + (1� Ii) 0 Mostre que @E [yijxi] @xi = �� � x0i� � � 4 Solução: E [yijxi] = �(� 0xi � )(�0xi + ��i), �i = �(� 0xi � ) �(� 0xi � ) @E [yijxi] @xi = ��( �0xi � ) + �( �0xi � ) � � (�0xi + ��i) + ��(� 0xi � )(�1)(� 0xi � )�( �0xi � )� �(� 0xi � )�( �0xi � ) �(� 0xi � ) � � �( �0xi � ) @E [yijxi] @xi = �[�( �0xi � )(1� �i(� 0xi � + �i) + �( �0xi � )( �0xi � + �i)] = ��( �0xi � ) Questão 9 Considere o seguinte modelo de dados de painel: yit = �yi;t�1 + �xit + fi + uit; i = 1; :::; I; t = 1; :::; T (1) a) Justi que a forma funcional (1) minimizando a soma do custo de ajus- tamento (quadrático, por hipótese) e do custo de se estar fora do equilíbrio (também quadrático, por hipótese). O valor de equilíbrio de longo prazo é dado por y�it; que segue a seguinte equação: y�it = xit + f � i + uit Pondere os custos igualmente. b) Considere a identi cação do modelo sob as condições abaixo. Quais parâmetros ou combinações de parâmetros são identi cados em cada caso? Ao longo de toda a análise, suponha que (xit; fi; uit) são i.i.d com relação a i, E (uit) = 0; E (fi) = 0: I !1; T xo. Caso o modelo seja identi cado, escreva as condições de ortogonalidade para um I arbitrário e o T designado. (i) T = 1 E� (uitjxi1) = 0 (ii) T = 2 E� (uitjxi1; xi2) = 0 8t (iii) T = 3 E� (uitjxi1; xi2; xi3) = 0 8t (iv) T = 1 yit = yi;t�1 = �yi; xit = �xi (estado estacionário) E� (uitjxi1; :::; xiT ) = 0 (v) T = 2 E� (ui2jyi1; xi1) = 0 (vi) T = 3 E� (uitjyi;t�1; xit; xit�1) = 0 t = 2; 3 (vii) T = 4 E� (uitjyi;t�1) = 0 8t E* denota projeção linear. Portanto, E� (uitjxi1) = 0 implica, por exemplo, que E (uitxi1) = 0: 5 Solução: a) min yi;t 1 2 (yi;t � yi;t�1)2 + 1 2 (yi;t � y�i;t)2 As condições de primeira ordem e y�i;t implicam que: yi;t = �yi;t�1 + xit� + fi + ui;t para � = 0:5 , � = 2 , fi = f�i 2 , ui;t = u�i;t 2 b) i) Nada é identi cado, pois não é possível aplicar a primeira diferença (não conhecemos yi;0) ii)Ainda não podemos identi car o modelo, porque temos E[ui;sxi;s] = 0 para s = 1; 2 , mas ainda não conseguimos aplicar a primeira diferença para nos livrarmos de fi e,adicionalmente, não conhecemos yi;0. Assim sendo, o resultado é direto, já que temos mais parâmetros que momentos. iii) Nesse caso, o modelo é sobreidenti cado. As três primeiras equações são obtidas através de E[ui;3xi;t] = 0 e E[ui;2xi;t] = 0; t = 1; 2; 3 subtraindo a segunda expressão da primeira. Já (4) e (5) nada mais são do que E[ui;2] = 0 e E[ui;3] = 0, aliadas ao fato que E[fi] = 0 E[(yi;3 � yi;2 � �(yi;2 � yi;1)� (xi;3 � xi;2)�)xi;1] = 0 (1) E[(yi;3 � yi;2 � �(yi;2 � yi;1)� (xi;3 � xi;2)�)xi;2] = 0 (2) E[(yi;3 � yi;2 � �(yi;2 � yi;1)� (xi;3 � xi;2)�)xi;3] = 0 (3) E[(yi;3 � �yi;2 � xi;3�)] = 0 (4) E[(yi;2 � �yi;1 � xi;2�)] = 0 (5) iv) Nesse caso: �yi = ��yi + xit� + fi + ui;1 e os momentos disponíveis : E[ui;1] = E[�yi � ��yi � xit�] = 0 E[xiui;1] = E[xi(�yi � ��yi � xit� � fi)] = 0 6 então, assumindo E[xi] 6= 0 podemos identi car: E[�yi] E[xi] = � 1� � v) Os momentos são E[(yi;2 � �yi;1 � xi;2�)] = 0 E[yi;1(yi;2 � �yi;1 � xi;2� � fi)] = 0 E[xi;1(yi;2 � �yi;1 � xi;2� � fi)] = 0 Então, o modelo não é identi cado (problema: cov(fi; yi;1) e cov(fi; xi;1)) vi) Os momentos são E[yi;2(yi;3 � �yi;2 � xi;3� � fi)] = 0 E[x0i;2(yi;3 � �yi;2 � xi;3� � fi)] = 0 E[x0i;3(yi;3 � �yi;2 � xi;3� � fi)] = 0 E[yi;1(yi;2 � �yi;1 � xi;2� � fi)] = 0 E[x0i;1(yi;2 � �yi;1 � xi;2� � fi)] = 0 E[x0i;2(yi;2 � �yi;1 � xi;2� � fi)] = 0 Então, E[x0i;2(yi;3 � �yi;2 � xi;3� � fi)]� E[x0i;2(yi;2 � �yi;1 � xi;2� � fi)] = 0 =) E[x0i;2(yi;3 � yi;2 � �yi;2 + �yi;1 � xi;3� + xi;1�)] = 0 (1) Além disso, E[yi;3 � �yi;2 � xi;3�] = 0 (2) E[yi;2 � �yi;1 � xi;2�] = 0 (3) (1),(2) e (3): O modelo é sobreidenti cado. vii) Os momentos são E[yi;4 � �yi;3 � xi;4�] = 0 E[yi;3 � �yi;2 � xi;3�] = 0 E[yi;2 � �yi;1 � xi;2�] = 0 E[yi;2(�yi;4 � ��yi;3 ��xi;4�)] = 0 E[yi;1(�yi;4 � ��yi;3 ��xi;4�)] = 0 E[yi;1(�yi;3 � ��yi;2 ��xi;3�)] = 0 Claramente o modelo aqui é sobreidenti cado (6 momentos e 2 parâmetros) 7
Compartilhar