Baixe o app para aproveitar ainda mais
Prévia do material em texto
Universidade de São Paulo - Departamento de Economia EAE 0324 - Econometria I Prof. Dr. Ricardo Avelino 1o Semestre de 2010 Monitores: Heitor Sandes Pellegrina Alessandro Casalecchi Lista de Exercícios 3 - Solução Questão 1 a) �� = �y �x = P ytP xt = X wtyt onde wt = 1P xt Assim, �� é linear em y. Desde que E ("tjx) = 0; E (��jx) = E �P ytP xt jx � = E �P (xt� + "t)P xt jx � = � + P E ("tjx)P xt = � Então �� é não viciado. V (��jx) = V �P ytP xt jx � = V �P (xt� + "t)P xt jx � = P V ("tjx) ( P xt) 2 = T�2 ( P xt) 2 = �2 T �x2 onde �x = PT t=1 xt=T: A variância do estimador de M.Q.O. é igual a V h �^ OLS jx i = �2 (x0x)�1 = �2P x2t Mas X (xt � �x)2 = X� x2t � 2�xxt + �x2 � = X x2t � 2T �x2 + T �x2 = X x2t � T �x2 � 0 como o quadrado de um número real não pode ser negativo, então, P x2t � T �x2; que implica que �2P x2t � � 2 T �x2 1 Consequentemente, V [��jx] � V h �^ OLS jx i : b) ��� resolve min ��� �X t=1 (yt � ���xt)2 Diferenciando em relação a ��� e igualando o resultado a zero, temos: �2 �X t=1 (yt � ���xt)xt = 0) ��� = P� t=1 xtytP� t=1 x 2 t ) ��� = �X t=1 wtyt onde wt = xtP� t=1 x 2 t : Assim, ��� é linear em y. Calculando a esperança de ��� : E (���jx) = E �P� t=1 xtytP� t=1 x 2 t jx � = P� t=1 xtE (ytjx)P� t=1 x 2 t = P� t=1 xtE (�xt + "tjx)P� t=1 x 2 t = � + P� t=1 xtE ("tjx)P� t=1 x 2 t = � Assim podemos calcular a variância, usando o fato de que ��� = �+ P� t=1 xt"tP� t=1 x 2 t ; de V (���) = E (��� � E (���))2 = E � � + P� t=1 xt"tP� t=1 x 2 t � � �2 = E �P� t=1 xt"tP� t=1 x 2 t �2 = 1 ( P� t=1 x 2 t ) 2 �X t=1 x2tE ("t) 2 = �2P� t=1 x 2 t onde na quarta igualdade usamos o fato de que E ("i"j) = 0 8i 6= j: Por último, note que TX t=1 x2t = �X t=1 x2t + TX t=�+1 x2t � �X t=1 x2t que implica que �2PT t=1 x 2 t � � 2P� t=1 x 2 t Assim, ��� é também não viciado e tem variância maior ou igual a V h �^ OLS jx i : c) Seja ���� = k; onde k é uma constante. Então ���� é linear e tem variância zero. Mas se k 6= �; então, ele é viesado. Questão 2 a) Esperamos que quanto maior as matrículas de estudantes, maior o número anual de crimes nos campus. Então o sinal esperado de �2 é positivo. 2 b) �2 é a mudança percentual nos crimes no campus para uma dada mudança percentual nas matrículas, ou seja, é a elasticidade dos crimes no campus em relação às matrículas) c) A estatística do teste é dada por t = �^2 � 1 se(�^2) = 0:3 0:11 = 2:73 Degrees of freedom equals 198 (n � 2). The critical value from a t-table or from a standard normal for a one sided test is t198;0:05 = 1:645. Since the observed value is greater than the critical value (2.73>1.645), we reject H0: d) A hipótese do teste sugere que a elasticidade do crime em relação à ma- trícula de estudantes é maior que um. Assim, se o modelo é corretamente especi- cado podemos argumentar que o crime é um problema mais grave em campus maiores. No entanto, altos índices de criminalidade podem estar associados a outros fatores, como, por exemplo, localização do campus, etc. Deveriamos controlar o modelo por esses outros fatores antes de chegar a uma conclusão. Questão 3 Suponha que tenha yi = � + �xi + �i, onde yi é o salário de alguém que tenha obtido graduação recentemente e xi é o salário que ele conseguiu em sua última férias antes de graduar-se. A amostra contém 100 graduados. Também admitimos que �i � N(0; �2) e que �i e xj são independentes para cada (i; j) em �f1; :::; ng2. Queremos estimar o intercepto e o coe ciente de inclinação por M.Q.O. e então testar: i) se há uma relação linear entre o salário depois de graduado e o salário de quando era um estagiário � = 0? ii) se há um intercepto ou não. Ou seja, é � = 0? Para responder a questäo necessita-se de:P i yi = 700:000P i yi = 20:000P i yi = 130:000:000P i yi = 150:000:000 a) Dada a fórmula dos estimadores de M.Q.O. para o intercepto e para o coe ciente de inclinação calcula-se os estimadores: �^ = Pn i=1(yi � �y)(xi � �x)Pn i=1(xi � �x)2 e �^ = �y � �^�x b) (x1; :::; xn) são xos e os "0is são normais. Assim, y 0 is são normais. Temos então que como �y é combinação linear de normais, então também é normal. Da 3 mesma forma, como o estimador é combinação linear de distribuições normais, então ele também é normal. �^ = Pn i=1(yi � �y)(xi � �x)Pn i=1(xi � �x)2 = nX i=1 ki(xi � �x) para ki = (xi � �x)P (xi � �x) c) Os estimadores são não-viciados, então suas esperanças são iguais aos valores verdadeiros, logo, E [�^] = � e E h �^ i = � Encontramos também que �^ = � + P (xi � �x)�iP (xi� �x)2 V ar(�) = �2 P (xi� �x)2hP (xi� �x)2 i2 = �2P (xi� �x)2 d) Suponha que �2 = 25 é dado. Dado um intervalo de con ança de 5% para �. O intervalo de con ança vem do fato que �^ � N � �; �2Pn i=1(xi � �x)2 � Portanto, o intervalo de con anca 5% para � é24+� � qP (xi � �x)2 � 1; 96; � + qP (xi � �x)2 � 1; 96 35 Então, juntando os valores para cada termo �^ = Pn i=1(yi � �y)(xi � �x)Pn i=1(xi � �x)2 = Pn i=1 yi(xi � �x)Pn i=1(xi � �x)2 = P yixi � (1=100) P yi P xiP x2i � (1=100) ( P xi) 2 = 130:000:000� (1=100)700:000� 20:000 150:000:000� (1=100)(20:000)2 = 36:3299 Sabendo �e sabendo que pP (xi � �x)2 = qP x2i � (1=100) ( P xi) 2, então pode-se calcular o intervalo de con ança. e,f)Faça um teste para Ho : � = 0 contra Ho : � 6= 0 com um nível de signi cância de 5%. Primeiro calcula-se a estatística do teste t: 4 t = �^ � � se(�^) = �^ � 0pP (xi��x)2 � Então veri ca-se se o tc encontra-se dentro do intervalo formado por [t(1� �=2; 98);�t(1� �=2; 98)] Se estiver dentro do intervalo então não se rejeita Ho, se estiver fora do intervalo então rejeita-se Ho. O mesmo vale para testar Ho : � = 0 contra Ho : � 6= 0, fazendo-se a ressalva de que o desvio-padrão do intercepto, se(�^), é q n P (xi��x)2 �2 P x2i Questão 4 No modelo linear temos: E(yjx) = P (y = 1jx):1 = x� Então, para cada observação nós temos: li(�jxi) = logf(x�)yi(1� x�)1�yig = yi log(x�) + (1� yi) log(1� x�) Porém, para cada indivíduo, o li(�jxi) só é de nida para 0 < x� < 1. Esse é o motivo que torna difícil estimar o modelo por MV. Além disso, a log- verossimilhança da amostra caria da seguinte forma: L(�jx) = X fyi log(x�) + (1� yi) log(1� x�)g Como li(�jxi) só é de nida para 0 < x� < 1, teríamos que checar esta desigualdade para cada observação. Provavelmente, teríamos algumas delas violando esta condição. 5
Compartilhar