Questão 21. Julgue como verdadeiras ou falsas as afirmativas que se seguem e justifique sua resposta: a. Na presença de heterocedasticidade dos er...

a. Verdadeira. Na presença de heterocedasticidade, os estimadores de mínimos quadrados ordinários são inconsistentes, pois a variância dos erros não é constante e, portanto, não é possível obter estimativas eficientes dos parâmetros do modelo. b. Verdadeira. Na presença de erros autocorrelacionados, os estimadores dos parâmetros de um modelo de regressão linear serão viesados, pois a autocorrelação viola a suposição de independência dos erros. c. Falsa. A condição de exogeneidade das variáveis explicativas não é suficiente para que os estimadores de mínimos quadrados sejam não viesados. É necessário que os erros sejam independentes e identicamente distribuídos com média zero e variância constante. d. Verdadeira. A omissão de uma variável relevante implica que os estimadores dos parâmetros de um modelo de regressão linear serão viesados, pois a variável omitida pode estar correlacionada com as variáveis explicativas incluídas no modelo. e. Verdadeira. Em um modelo de regressão múltipla, com erros que seguem uma distribuição Normal, os testes de heterocedasticidade de Breush-Pagan e de White podem ser calculados mediante regressões auxiliares com os quadrados dos resíduos. f. Falsa. Heterocedasticidade ocorre quando a variância dos erros não é constante e não está correlacionada com as variáveis explicativas. g. Verdadeira. Quando a variância dos erros não é constante e está correlacionada com alguma variável explicativa, os estimadores de mínimos quadrados não são consistentes. h. Verdadeira. Na presença de heterocedasticidade, os estimadores de Mínimos Quadrados Ordinários são ineficientes, pois não são mais os estimadores de mínima variância. i. Falsa. Os testes t e F usuais são válidos na presença de heterocedasticidade, mas podem ser ineficientes. j. Falsa. Na presença de heterocedasticidade, os estimadores de Mínimos Quadrados Ordinários são inconsistentes e, portanto, viesados. k. Falsa. A inspeção dos resultados da estimação não é suficiente para identificar se os erros do modelo são heterocedásticos. É necessário realizar testes de heterocedasticidade. l. Verdadeira. Na presença da heterocedasticidade, os estimadores de MQO passam a ser viciados e, assim, o Teorema de Gauss-Markov não é válido. m. Falsa. Na presença da heterocedasticidade, os testes t e F sofrem alterações e não podem ser utilizados as mesmas estatísticas encontradas para o caso homocedástico. n. Verdadeira. Se os resíduos estimados de uma regressão MQO exibirem um padrão sistemático, significa que a heterocedasticidade está presente nos dados.