Professional Documents
Culture Documents
So Paulo Maro/2001
Mestre em Economia, Universidade de So Paulo. Master of Arts, The University of Chicago (Ph.D Pass).
ndice
1.
2.
3.
4.
5.
6.
Multicolinearidade___________________________________________________ 39
7.
8.
9.
1. Metodologia da Econometria
No h exerccios.
1
2.1 Estime as regresses: Y ! ! " " X " # e X ! $ " %Y " & e conclua que " # 2, como
%
intuitivamente poderamos afirmar.
Soluo: Este exerccio procura mostrar que regredir Y contra X, encontrando o
parmetro " , NO o mesmo que regredir X contra Y, encontrar o parmetro % e
1
inferir que " ! .
%
Sabemos que
n
%Y X
i
" !
i !1
n
%X
$ nXY
.
2
i
$ nX
i !1
1
Agora, resta observar que " # . Note que
%
n
" !
% Yi X i $ nXY
i !1
n
%X
2
i
$ nX
1
# !
%
%Y
$ nY 2
i !1
n
%Y X
i
i !1
.
i
$ nXY
i !1
2.2 Suponha o seguinte modelo linear: y ! X " " # , onde y e # so vetores n&1 , X <
uma matriz n & k e um vetor k &1 .
a. Qual(is) a(s) hiptese(s) necessria(s) para estimar esse modelo por MQO?
b. Qual(is) a(s) hiptese(s) necessria(s) para que o estimado, ! , exista e seja nico?
c. Qual(is) a(s) hiptese(s) necessria(s) para que ! seja no viesado?
d. Qual(is) a(s) hiptese(s) necessria(s) para que ! seja eficiente?3
2
3
e. Qual(is) a(s) hiptese(s) necessria(s) para que se possa fazer inferncia estatstica?
Soluo: Este exerccio possui dois propsitos. Primeiro, induzir o estudante a
entender onde exatamente se aplica cada hiptese do modelo de regresso linear
mltipla, fazendo-o retornar a esses conceitos. Segundo, revisar os conceitos
estatsticos de vis e eficincia, aplicados Econometria dos Mnimos Quadrados
uma boa referncia, para o professor, seria WHITE, Halbert. Asymptotic Theory for
Econometricians, 2nd. ed. Orlando: Academic Press, 2000. Note que nada dito sobre
o comportamento do termo aleatrio, justamente porque algumas perguntas referemse a seu comportamento.
a. Estimar o modelo por MQO apenas um mtodo matemtico, nada mais. Portanto,
apenas necessitamos de uma condio matemtica que ' ' X ( ! k , isto , o posto da
matriz X seja pleno. Precisamos disso porque, do contrrio, XX no seria inversvel e,
ento, no poderamos estimar o modelo por MQO.
b. Outra vez, apenas necessitamos que ' ' X ( ! k , do contrrio, ! no existiria. A
unicidade dada justamente porque o posto pleno. Se X fosse estocstico,
precisaramos que p lim
X )X
!Q #0 .
n
X )#
!0.
n
d. Aqui usamos a hiptese de homocedasticidade. Por isso, podemos concluir que, para ser
no viesado, nada precisamos impor sobre a varincia dos resduos.
d.1 *" ;
d.2 ! nico;
d.3 p lim
X )#
!0;
n
2.3 Ado Ismiti queria verificar se a produtividade do trabalho aumentava com a diviso do
trabalho. Para isso, fez a seguinte experincia: regrediu a produtividade (p) de n
trabalhadores de fbricas de alfinetes contra o nmero de funes exercidas pelo
trabalhador (F), anos de escolaridade (E), salrio (w) e nmero de filhos (N).
Formalmente a regresso foi: pi = 1 + 2 F1 + 3 Ei + 4 wi + 5 N i + u i . Usando o
teste t-student, Ismiti aceitou a hiptese nula de parmetro igual a zero para 3 . Retirou
a varivel E da regresso e estimou o modelo restrito, observando que 5 tornou-se,
tambm, estatisticamente no significativo. Finalmente, retirou N da regresso e
estimou o modelo de novo.
a. Por que no foi preciso fazer o teste de F em "3 , para retirar E do modelo? Ou seja,
por que apenas o teste de tstudent pde ser feito?;
b. Justifique se o procedimento adotado por Smith est correto ou equivocado, para ter
eliminado a varivel N do modelo.
7
e! e!
, pode ser negativo, onde e! = y X! , em que ! o
y y ny 2
exerccio tambm til para treinar e entender vrias passagens feitas no corpo do
texto.
Dada a regresso y ! X " " # , temos que:
yi ! X i1"1 " X i 2"2 " " " X ik "k " #i , i ! 1, 2, #, n.
n
, % #i2
i !1
," j
Isso no garante que o resduos somaro zero, pois Xji pode ser diferente de 1, para todo i,
mesmo quando j = 1. Claramente, se X1i = 1, para todo i, os resduos somaro zero. Isto
finaliza a primeira parte da questo. Sigamos para a segunda parte.
Lembremos que:
n
2
SQT ! % ' yi $ y ( ! ' y $ y () ' y $ y ( ' ! y )y $ ny 2 ;
i !1
SQE ! y )y $ ny 2 ;
SQR ! e)e $ ne 2 .
Note como nada garante que e seja zero, e, no clculo do R2, no inclumos esse termo
(retorne frmula dada no exerccio); por isso que o R2 pode ser negativo. Note, tambm,
que: yi ! yi " e - % yi ! % y i " % e - y ! y , apenas quando
% e
! 0 , o que
i !1
5 % ct2
$% yt ct$1 68 57 % yt ct 68
7
.
7$ y c
% yt2 8:8 797% ct ct$1 88:
97 % t t$1
% y c ;0,8 ! % c
%y
%c
t $1 t
2
t $1
t t
2
t
; 0, 7 !
%yc
%y
t t $1
2
t
; 0,5 !
%yc
%c
t t $1
2
t $1
A segunda etapa comea aqui, pois, com essas informaes, torna-se tranqilo encontrar os
parmetros desejados.
ct2$1 % ct yt $% ct$1 yt % ct ct$1
%
"2 !
!
2
2
2
y
c
$
c
y
% t % t$1 '% t$1 t (
!
%c
2
t $1
%c
2
t $1
$0, 7 2 % yt2
Mas, das duas ltimas equaes acima, 0, 7% yt2 ! 0,5% ct2 . Logo,
10
0, 7
% yt2
0,5
"2 !
! 0,5231 .
< 0, 7
=>
2
2
??
$ 0, 7 >> % yt
?@ 0,5
A
0,34
11
3.1 Qual a intuio do mtodo de estimao por mxima verossimilhana? Este mtodo
produz resultados necessariamente iguais ao mtodo de mnimos quadrados ordinrios?
Por que possvel obter um R2 negativo quando estimamos um modelo (com constante)
pelo mtodo de mxima verossimilhana?
Soluo: (Sugesto de leitura adicional CUTHBERTSON, Keith; HALL, Stephen &
TAYLOR, Mark. Applied Econometrics Techniques. Ann Arbor: Michigan, 1992)
Este um exerccio que refora a idia de mxima verossimilhana introduzida no
texto, procurando estimular o raciocnio intuitivo do alunos.
Dada uma seqncia de observaes e supondo-se uma determinada distribuio para os
erros dessa seqncia e seu processo gerador de dados, o mtodo de mxima
verossimilhana permite obter os parmetros que mais aproximam a distribuio amostral
da suposta distribuio populacional dos erros. Nesse sentido, no importa se o mtodo
produz erros pequenos ou grandes, desde que esses erros tenham a configurao de uma
normal, por exemplo. Por isso, a mdia desses erros pode ser bem diferente de zero, de
modo que o R2 pode ser negativo (ver exerccio 2.5).
Observe que, nos pacotes economtricos, o R2 calculado supondo-se que a estimao seja
feita por MQO com constante. Da um dos motivos para que no seja uma boa medida de
regresso, necessariamente.
3.2 (C) Uma varivel aleatria X tem uma distribuio exponencial, com parmetro
" '" . 0( se X tem uma distribuio contnua pela qual a funo densidade de
probabilidade, f.d.p.,
12" e$" x , para x . 0
f ' x, " ( ! 23
.
224 0, para x B 0
Para mais tarde, note que essa formulao implica que a funo densidade acumulada,
f.d.c., :
121$ " e$" x , para x . 0
F ' x, " ( ! 23
.
224
0, para x B 0
12
1
e
"
1
.
"2
a. Suponha que x1, x2, ..., xn formem uma amostra aleatria de uma distribuio
exponencial, cujo valor " desconhecido. Encontre a estimativa de mxima
verossimilhana, EMV, de " .
b. Usando a propriedade de invarincia da EMV, encontre a EMV de
1
1
e 2 . (A
" "
'(
$"
% xi
i!1
i !1
Tomando-se o log:
n
n
n
%x
1
D " ! .
X
i !1
' (
1
1
- g " ! ! X .
"
"
Da mesma forma:
g '" ( !
' (
1
1
- g " ! 2 ! X 2 .
2
"
"
13
3.3 (C) Suponha que X1, X2, ..., Xn so variveis aleatrias de Bernoulli i.i.d., com:
12 1, com probabilidade )
.
xi ! 23
2240, com probabilidade 1$ )
a. Encontre a EMV de ) e sua distribuio assinttica7.
b. Teste a hiptese H 0 : ) ! 0, 4 por Wald, LR e LM? Teste a hiptese H 0 : ) 2 ! 0,5 8?
Soluo: Este exerccio bastante completo e verifica se o aluno entendeu como
funcionam os testes apresentados no corpo do texto.
a. Primeiro, vamos definir a funo de Bernoulli, depois a funo de verossimilhana para
achar o valor dos parmetros e, em seguida, encontrar a distribuio assinttica.
A funo de Bernoulli dada por:
P ' X i ! x ) ( ! ) x '1$ ) (
1$ x
, x ! 0,1 .
Como Xi i.i.d.:
n
1$ xi
i !1
Assim,
n
1$ x
l '); x ( ! % ln 57) xi '1$ ) ( i 68 ! ln ') ( % xi " ln '1$ ) ( % '1$ xi ( .
9
:
i !1
i !1
i !1
% x $ % '1$ x ( ! 0 - '1$ ) (
i
% xi .
) !
n
1$ )
% x ! ) 'n $ % x ( i
(2
, logo:
n
Como se trata de uma restrio no linear, esta parte do exerccio pode ser evitada.
14
X $* d
GG
H N '0,1( .
(2
% E ' xi ( ! n) ! );
E ) !
n
n
% Var ' xi ( ! n) '1$ ) ( ! ) '1$ ) ( .
Var ) !
n2
n2
n
'(
'(
! n
) $ )
) '1$ ) (
d
GG
H N '0,1( .
A soluo apresentada para distribuio assinttica, no entanto, pode ser feita usando as
propriedades do EMV. Uma delas afirma que, sob determinadas condies encontradas
neste problema, o estimador de mxima verossimilhana assintoticamente normal.
Formalmente, isso significa;
'
d
n ) $ ) GG
H N '0, +$1 ( , onde
5 1 , 2 L '); x (6
8.
+ ! $E 77
2
8
79 n ,(
8:
Logo,
'
?
1
x
$
x
'
(
1
1
$
)
>
>
?
?
%
%
i
i >8
>> !
> ! E ??
+ ! E 77 ?? 2 "
! E ?? 2 "
>>
8
2 >
2>
2
?
2
>
>
?
?
n
)
)
) '1$ ) (
'1$ ) ( >A
'1$ ) ( >A8:
79 @
@
??@
A>
< ) '1$ ) (2 " '1$ ) ( ) 2 => < ) '1$ ) ('1$ ) " ) (=>
1
?
>> ! ??
>> !
.
+ ! ??
?
2
2
2
2
>
>
?@
) '1$ ) (
) '1$ ) (
A> ?@
A> ) '1$ ) (
Portanto,
'
d
n ) $ ) GG
H N '0, ) '1 $ ) (( .
15
Apenas para formalizar melhor a idia de mxima verossimilhana, temos que definir os
seguintes resultados:
H ') ( ! ) $ 0, 4 ! 0 , que a funo hiptese nula;
,H ') (
! 1;
,)
, 2l ); x
$ 1$ )
!
,),) )
' (
'
( % x $ ) % '1$ x ( .
) '1$ ) (
2
Teste de Wald
Com isso, o teste de Wald dado por:
12
2
W ! ) $ 0, 4 231;
22 1$ )
242
'
'
I2
22
d
1
;
H ,+2!1 .
J ) $ 0, 4 GG
2
2
2
'
) 2 1$ ) 2
'
Portanto, se W . ,+2!1'95%( , rejeitamos H0. Note que aqui, temos apenas que estimar o
modelo no restrito, ou seja, sem impor qualquer restrio.
E% x 579ln ')($ ln '0, 4(68: " % '1$ x ( 579ln '1$ )($ ln '0, 6(68:F GGH ,
d
2
+!1
Portanto, se LR . ,+2!1'95%( , rejeitamos H0. Note que aqui temos que calcular o modelo
restrito e o no restrito.
12
I2
0, 0576
2
d
2
2 GG
3
J H ,+!1 .
22 0,36% xi " 0,16% '1$ xi (22
4
K
'
'
I2
22 d
H ,+2!1 .
J GG
2
% xi " )2 % '1$ xi (222K2
'
) 2 1$ )
'(
'
'
'1$
0,5
d
GG
H ,+2!1.
Exerccio difcil, mas importante para entender e trabalhar os conceitos de vis, consistncia, EMV e MQO.
17
a. Escreva a funo log-verossimilhana para uma amostra com T observaes (y1, y2, ...,
yT), a partir do processo acima, condicional primeira observao. Escreva a funo
de verossimilhana como:
f ' yt , yt$1 ,#, y1 ( ! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 , yt$2 , #, y1 ( !
! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 yt$2 , yt$3 , #, y1 ( f ' yt$2 , yt$3 , #, y1 ( !
!"!
! f ' yt yt$1 , yt$2 , #, y1 ( f ' yt$1 yt$2 , yt$3 , #, y1 (" f ' y2 y1 ( f ' y1 (.
Para o processo acima, os valores de (y1, y2, ..., yT-1) interessam para yT apenas atravs do
valor de yT-1. Assim, f ' yt yt$1 , yt$2 , #, y1 ( ! f ' yt yt$1 ( .
b. Mostre que +EMV ! +MQO ! + , onde +MQO vem da regresso de yt contra yt-1 e +EMV a
EMV (condicional em y1).
c. Mostre que + um estimador viesado de + .
d. Mostre que + consistente.
e. Obtenha a distribuio assinttica de + .
yt ! + yt$1 " #t , #t ! ut " )ut$1 ,
ut ! i.i.d .N '0, ( 2 ( , + , ) / 1.
1
2 $2
#
5 ' y $ y (2 6
7$ 1 t t$1 8
7
8
77 2
88
(#2
9
:
T $1
2 $ 2
#
5
7
7
7 1
7$
7 2
7
7
79
% ' yt $ yt$1 (
6
8
8
8
8
8
8
8:
28
t !2
(#2
Dessa forma:
1 T
T $1
T $1
2
T
ln '2- ( $
ln '(#2 ( $ 2 % ' yt $ + yt$1 ( .
l 57+, (#2 ; ' yt (t !1 68 ! $
9
:
2
2
2(# t !2
T
2
T
b. Agora, fcil ver que + * ! arg max l 57+, (#2 ; ' yt (t !1 68 ! arg min % ' yt $ + yt$1 ( . Assim,
9
:
t !2
%' y $+ y
t
t $1
( yt$1 ! 0 -
t !2
% yt yt$1 $ +% yt2$1 ! 0 t !2
t !2
%y y
t $1
+EMV !
t !2
T
%y
! +MQO .
2
t $1
t !2
%y
2
t $1
$ t !2 2
(#
/0.
c. Para mostrar que viesado, temos apenas que tomar a esperana da estimativa. Ou
seja,
5 T
6
5 T
6
7 % '+ yt$1 " #t ( yt$1 8
7 % #t yt$1 8
7
8
7
8
8 ! + " E 7 t !T2
8.
E 57+ 68 ! E 7 t !2
T
9 :
7
8
7
8
2
2
yt$1
7
8
7 % yt$1 8
%
79
8:
79 t !2
8:
t !2
Temos que desenvolver o numerador da segunda parcela.
19
t !2
t !2
t !2
% #t yt$1 ! % #t '+ yt$2 " #t$1 ( ! % '#t #t$1 " +#t #t$2 " + 2#t yt$3 ( !
!"!
T
!%
j !t $1
t !2
% '# #
t t$ j
+ j$1 " + j #t y1 (.
j !1
% % '# #
t t$ j
t !2
j $1
j !1
(
!+"
%y
2
t $1
!+"
%&&&&&'&&&&&(
j $1
+
% p lim 59#t #t$ j 6:
j !t $1
t !2
j !1
p lim % y
t t$ j
j !1
p lim % y
t !2
!0
t !2
% '# #
2
t $1
t !2
p lim %
j !t $1
! +.
2
t $1
t !2
Logo, + consistente.
e. Este exerccio no difcil, mas exige ateno.
20
+ j$1 (
!
%# y
+ ! + "
% #t yt$1
t !2
T
%y
t $1
t !2
'
- T $1 + $ + !
2
t $1
t !2
T $1 .
% yt2$1
T
t !2
T $1
Pelo Teorema Central do Limite,
T
%# y
<
(4 =
d
GG
H N '0, (#2 E ' yt2$1 (( ! N ??0, # 2 >>> .
?@ 1$ + A>
T $1
t
t $1
t !2
%y
2
t $1
t !2
T $1
p
GG
H
(#2
.
1$ + 2
Ou, de outra maneira, lembrando que a esperana sobre uma amostra infinita:
T
t !2
t !2
(#2
.
1$ + 2
Portanto
'
d
H
T $1 + $ + GG
2 =
<
1
??0, (# >> ! N '0,1$ + 2 ( .
N
?@ 1$ + 2 >>A
(#2
1$ + 2
21
t !2
t !2
% #t yt$1 ! % 'ut " )ut$1 (' yt$2 " ut$1 " )ut$2 ( T
% #t yt$1
t !2
% ut yt$2
t !2
T
*&&&+&&&,
"
T ,
*&&&+&&&
")
t !2
T
*&&&&+&&&&
,
")
T ,
*&&&+&&&
%u
"
GG
H0
T
%u
2
t $1
t !2
T
*&&+&&,
")
t $1 t $2
2 t !2
T
*&&&&+&&&&
,
GG
H (u2
GG
H0
t !2
GG
H0
T
t $1 t $2
%u u
t t $2
")
t !2
GG
H0
%u
% ut ut$1
GG
H0
%# y
t $1
p
GG
H )(u2 # 0.
t !2
T
Agora, no denominador temos:
T
% yt2$1
t !2
t !2
! +2
% yt2$2
t !2
T
*&&+&&,
T
yt2$1
%
p
"
% ut2$1
t !2
T
*&&+&&,
p
GG
H (u2
%u
2
t $2
" )2
t !2
T
*&&+&&,
"
p
GG
H (u2
GG
H t !2
T
T
%u
"2+
t !2
T
*&&&&+&&&&
,
%u
t $1 t $2
" 2+)
t !2
T
*&&&&+&&&&
,
%u
" 2)
t !2
T
*&&&&+&&&&
,
GG
H (u2
GG
H0
t $1 t $2
t $2 t $2
GG
H0
%y
2
t $1
t !2
GG
H
p
(u2 .
Portanto,
T
p lim + ! + "
p lim % #t yt$1
t !2
T
p lim % yt2$1
'1$ + 2 ()
)(u2
!+"
!+"
#+.
1 " ) 2 " 2)+
'1 " ) 2 " 2)+((u2
1$ + 2
t !2
22
Soluo: Este um exerccio destinado a treinar a ateno do aluno, para evitar que,
num trabalho real, ele cometa erros primrios.
Nada, pois esta informao no tem qualquer implicao sobre os valores dos parmetros.
4.3 (C) Suponha que o nico determinante do consumo das famlias no Brasil, ci, a idade,
ai, do chefe da famlia. Temos dados de cross-section de famlias. Considere o seguinte
modelo simples:
( 1 ) ci ! "1 " "2 ai " #i ,
e o modelo mais geral
( 2 ) ci ! "1 " $1 Di " "2 ai " $ 2 Di ai " #i ,
onde Di uma varivel dummy indicando se o chefe aposentado ou no, definida da
seguinte forma:
121, se ai 0 60;
Di ! 23
2240, se ai / 60.
Assuma que todas as hipteses padres para pequenas amostras so satisfeitas para o
modelo ( 2 ) e que Var '#i ( ! ( 2 desconhecido.
a. De acordo com ( 2 ), qual a esperana condicional do consumo da famlia cujo chefe
tem 40 anos de idade? E para aquela cujo chefe tem 20 anos de idade?;
ci
ci
ci
60
60
ai
60
ai
ai
sem pulo
sem pulo
pulo
sem quina
quina
quina
24
b. Que restries devem ser impostas sobre os parmetros do modelo ( 2 ) para evitar
mudanas descontnuas na esperana condicional do consumo na poca da
aposentadoria? Como voc testaria essa restrio?
c. Suponha que a restrio de b. seja verdadeira. Imponha isso sobre ( 2 ) e derive um
teste de hiptese que no haja pulo (como imposto) e no haja quina na consumo na
poca da aposentadoria.
Soluo: O exerccio aplica os conhecimentos de variveis dummy. Ele tem o mrito de
induzir o estudante a pensar em como se usam as variveis dummy.
a. O exerccio bastante simples, no demandando maiores dificuldades.
E 59 ci ai ! 406: ! "1 " "2 ; 40;
E 59 ci ai ! 206: ! "1 " "2 ; 20.
Ao passo que, por exemplo,
E 59 ci ai ! 736: ! "1 " $1 " '"2 " $ 2 (; 73 .
b. A restrio necessria para evitar o pulo :
$1 " $ 2 ; 60 ! 0 .
Podemos testar,
H 0 : $1 " $ 2 ; 60 ! 0& H1 : $1 " $ 2 ; 60 # 0 ,
fazendo um teste t-student da combinao linear dos coeficientes. Assim, rejeite H0 se
R" $ 0
0 t ! 'n $ 4( , onde
$1
5
6
2
s 7 R ' X )X ( R )8
9
:
R ! M0,1, 0, 60N; " ) ! M "1 , $1 , "2 , $ 2 N.
t !
25
t !
$ 2 $ 0
0 t ! 'n $ 3( .
$1 6
2 5
2
)
s 7' X X ( 8
9
: 33
a. Operrios
s2
1,02
0,24
102
0,46
104
0,30
26
0,39
232
( 0 ,06 )
b. Assalariados
0,91
( 0 ,1 )
c. Autnomos
0,76
( 0 ,08 )
d. Todas famlias
0,86
( 0 ,05 )
26
e)e
, i ! 1, 2,3 ,
n$k
1 representa os operrios,
2 representa os assalariados,
3 representa os autnomos.
Com isso, podemos calcular o erro quadrado de cada regresso. Sabemos que o tamanho da
amostra, T, ser nosso n da equao e k o nmero de parmetros estimados. Como temos
uma dummy para cada intercepto, cada equao foi estimada com duas variveis
explicativas, e a ltima equao foi estimada com trs dummy mais o coeficiente de
declividade. Este o primeiro detalhe importante. Logicamente, a ltima equao trata do
modelo restrito, que ser denotado por um asterisco, *. Assim, temos:
0, 24 '102 $ 2( ! e1)e1 - e1)e1 ! 24;
0, 46 '104 $ 2( ! e2)e2 - e2)e2 ! 46,92;
0,30 ' 26 $ 2( ! e3)e3 - e3)e3 ! 7, 2;
0,39 ' 232 $ 4( ! e*)e* - e*)e* ! 88,92.
A soma dos erros quadrados das trs primeiras equaes nos d a soma dos quadrados dos
erros da equao no restrita. Calculando temos que 24 " 46,92 " 7, 2 ! 78,12 .
Agora, vamos especificar o teste F que desejamos fazer. Este segundo detalhe muito
importante, pois define o nmero de restries, q, para o teste de F, nmero esse que
freqentemente causa confuses.
27
12"1 # "2
22
122"1 ! "2
H0 : 3
& H1 : 3 ou .
224"2 ! "3
22
224"2 # "3
O nmero de restries melhor entendido, pensando na hiptese alternativa. Dessa forma,
calculando F, obtemos:
'88,92 $ 78,12(
F!
78,12
'232 $ 6(
Com esse resultados, rejeitamos H0 de que as declividades so idnticas para as trs classes
laborais. Note que no sabemos se as trs declividades so diferentes entres si, ou se apenas
uma delas difere das outras duas, nem qual delas seria. Apenas sabemos que so diferentes.
b. Agora temos que testar, para cada regresso, se a declividade diferente. Basta usar
um teste t-student, bastante conhecido.
H 0 : "1 ! 1& H1 : "1 # 1: t !
1, 02 $1
! 0,333 / t2,5% '100( ,
0, 06
0,91$1
! 0,9 / t2,5% '102( ,
0,1
0, 76 $1
! 3 . t2,5% '24( ,
0, 08
'89, 70 $ 78,12(
F!
78,12
'232 $ 6(
De modo que rejeitaramos a hiptese nula, sem saber se a rejeio seria causada por
interceptos diferentes, ou declividades diferentes, ou ambos.
Agora uma problema mais difcil. Supondo que a regresso todas famlias tenha, de fato,
um nico intercepto, seria possvel extrair a soma dos quadrados dos resduos para um
29
modelo restrito com diferentes interceptos e uma declividade comum, a partir dos mesmos
dados fornecidos?
Se estimssemos os modelos a partir de seus desvios em relao mdia, recuperaramos
os betas. Isto , a partir da mdia, para modelos com intercepto e declividade apenas:
y )x
,
" !
x )x
onde y e x so desvios em relao sua mdia. Disso, podemos deduzir que::
' y )x(
e*)e* ! y )y $
x )x
30
' y)xi (
' y)xi (
x)xi
, i ! 1, 2,3 -
yi)yi !
x)xi
Logo, temos;
y1) y1 !
68, 002
" 0, 24 '100( ! 93,36;
66, 67
y2) y2 !
41,862
" 0, 46 '102( ! 85, 01;
46, 00
35, 632
" 0,30 ' 24( ! 34, 28;
46,88
212, 65.
y )y !
yi)yi !
145, 49 2
! 80,50 .
159,55
'80,50 $ 78,12(
F95% '2, 226( - 3, 05 / F !
78,12
2 ! 3, 44 / F '2, 226( - 3, 70 .
99%
'232 $ 6(
31
se (" ! 0, 0501 (embora reportado 0,1), ento x2) x2 ! 180,37 , no 46,00, como
2
assumimos. Assim, este exerccio deve ser visto como pedagogicamente interessante, em
vez de empiricamente til.
Para concluir o problema, suponha que aceitemos a hiptese de que as declividades sejam
iguais. Devemos, agora, testar se elas diferem da unidade. As informaes que temos so as
seguintes:
" ! 0,91; s 2 !
e*)e*
! 0,353; s" !
232 $ 4
0,353
s2
!
! 0, 047 .
159,55
x )x
0,91$1
! 1,915 / t2,5% '226( ! 1,97 .
0, 047
32
# ! i.i.d .'0, O( ;
ii.
X no estocstico.
'(
a. Verdadeiro, pois prova-se, como est no corpo do texto, que E " ! " ;
'
'
$1
$1
b. Verdadeiro, pois Var "MQG ! ' X )O$1 X ( / Var "MQO ! ' X )X ( X )OX ' X )X ( ;
33
6.2 Suponha um modelo de regresso linear mltiplo em que ! exista, seja no viesado e
eficiente, pois u homocedstico. Suponha que voc imponha falsas restries sobre os
parmetros do modelo.
a. Mostre que as estimativas nesse caso so viesadas;
b. Mostre que a varincia das estimativas do modelo com restries menor do que a
varincia das estimativas do modelo sem restrio;
c. Qual a implicao desse resultado em termos de previso? Qual a intuio desse
resultado?
Sugesto: Lembre o que EQM, ou seja, o erro quadrtico mdio.
Soluo: O exerccio procura ilustrar um caso que no muito intuitivo, primeira
vista, ou seja quando se impem falsas restries no modelo a varincia reduz-se. Isto
importante para se ter uma primeira intuio do erro quadrtico mdio, sua
importncia e suas conseqncias para a previso. s vezes, impondo falsas restries,
pode-se melhorar a previso, pois reduz-se o erro de previso, no obstante o vis
possa aumentar.
a. Primeiramente, note que
'
( 10
$1
"sr ! " ! ' X )X ( X )Y ; "cr ! " * ! " " K r $ R" ,
$1
$1
$1
K ! ' X )X ( R ) 57 R ' X )X ( R )68 .
9
:
'(
$1
Var " ! ( 2 ' X )X ( ;
10
34
5
65
6)
" Kr $ KR" $ " $ Kr $ KR" 8 7" " Kr $ KR" $ " $ Kr $ KR" 8 !
Var '" * ( ! E 77"
*&&&&&&&&&&&&&&+&&&&&&&&&&&&&&, 8 7 *&&&&&&&&&&&&&&+&&&&&&&&&&&&&&, 8
79
8: 79
8:
!A
!A
! E 59 AA)6: !
'
<
=
! ' I $ KR ( B ' I $ KR () ( 2 ! ?? B $ BR )K ) $ KRB " *&&&+&&&,
KRBR )K )>>> ( 2 ,
?@
A
!D
$1
B ! ' X )X ( .
Desenvolvendo D, temos:
$1
$1
$1
!K
'(
Logo, se KR . 0 - Var '" * ( / Var " . Para ver este ltimo fato, observe que
$1
$1
$1
KR ! ' X )X ( R ) 57 R ' X )X ( R )68 R .
*&&&+&&&, *&&&&&&&&
9
: &,
&+&&&&&&&&
.0
)&L+&&
)LR
R
*&&
&,
T )T
Agora, seja c = Tv, onde c um vetor n&1 . Sendo assim, cc = vTTv > 0, como
queramos demonstrar, pois cc um escalar.
c. Mesmo com falsas restries, as previses sero melhores se a diminuio da
varincia for maior do que o aumento do vis. Formalmente, se EQM* < EQM. A
intuio do resultado que impor falsos parmetros significa que haver menos
parmetros variando, o que poderia reduzir o erro de previso.
6.3 Responda:
a. Cite pelo menos dois testes para a hiptese de homocedasticidade;
b. Cite pelo menos um teste para a hiptese de autocorrelao dos resduos;
c. Em caso de rejeio da hiptese nula em a., por que mtodo voc estimaria o modelo?
d. Em caso de rejeio da hiptese nula em b., por que mtodo voc estimaria o modelo?
35
'"$, $ ( .
11
36
Saddle River: Prentice Hall, 2000. propsito, por se tratar de um teorema muito
til, sugerimos que o mesmo seja apresentado em detalhes para os alunos.
a. Sim, "$ no viesado. Para ver isso, reescreva o modelo como
( 3 ) Y ! X " " #, X T&k , YT&1 , #T&1 .
Reescreva o modelo equivocado como
( 4 ) Y ! X " " Z $ " ., ZT&m , .T&1 .
$1
Y !MX
Agora, temos que relembrar uma propriedade de inverso de matrizes. Dada a seguinte
matriz:
5 A B6
8,
M !7
79C D 8:
ento
37
E ! Z )Z $ Z )X ' X )X ( X )Z ;
$1
1
I
$1 2
$1
$1 2
A$1 ' I " BE $1CA$1 ( ! ' X )X ( 3 I " X )Z 57 Z )Z $ Z )X ' X )X ( X )Z 68 Z )X ' X )X ( J !
242
2K2
9
:
$1
12
I2
5 <
=> 6
22
22
1
7 ??
8
$1 2
$1
$
! ' X )X ( 3 I " X )Z 7 Z ) ?? I $ X ' X )X ( X )>>> Z 8 Z )X ' X )X ( 2J !
22
22
7 ?? *&&&&&&&+&&&&&&&, >> 8
A :8
!M x
242
2K2
97 @
$1
! ' X )X (
EI " X )Z 'Z )M Z (
$1
$1
Z )X ' X )X (
F.
' (
$1
Na primeira regresso, em ( 3 ), Var " ! ( 2 ' X )X ( . Agora,
$1
$1
$1
$1
Var '"$( ! ( 2 ' X )X ( " ( 2 ' X )X ( X )Z ' Z )M x Z ( Z )X ' X )X ( .
'(
Portanto, uma condio suficiente para que Var " ! Var '"$( que XZ = 0, isto , que X e
Z sejam ortogonais.
38
6. Multicolinearidade
6.1 (C) Considere o modelo
yt ! x1)t "1 " x2)t "2 " #t , t ! 1, 2, #, T ,
onde x1t k &1 e x2t m&1 . Assuma que E '# X 1 , X 2 ( ! 0, E '## ) X 1 , X 2 ( ! ( 2 I , e
X 1)X 2 ! 0 . Seja " o estimador por MQO do modelo correto. As variveis esto em termos
de seus desvios em relao a sua mdia.
a. Mostre que a nico estimador de '"1 , "2 ( de varincia mnima, no viesado e linear
pode ser escrito na forma:
$1
$1
"$1 ! ' X 1)X 1 ( X 1)y, "$2 ! ' X 2) X 2 ( X 2) y .
Note que estes so estimadores de MQO para os modelos yt ! !1 " x1)t "1 " #1t e
yt ! !2 " x2)t "2 " #2 t , respectivamente.
b. "$1 e "$2 so estimadores no viesados se X 1)X 2 # 0 ? Se so, compute o vis de cada
um.
$1
Como
!0
.
$1
X 1)M 2 ! X 1) $ X 1)X 2 ' X 2) X 2 ( X 2 - X 1)M 2 ! X 1) ,
ento,
$1
"1 ! ' X 1)X 1 ( X 1)y ,
b. Suponha que X 1 # X 2 , e que "$1 estimado usando o modelo y ! X 1"1 " # , quando o
verdadeiro modelo y ! X 1"1 " X 2 "2 " # . Ento,
$1
$1
"$1 ! ' X 1)X 1 ( X 1)y ! ' X 1)X 1 ( X 1)M X 1"1 " X 2 "2 " # N !
$1
$1
! "1 " ' X 1)X 1 ( X 1)X 2"2 " ' X 1)X 1 ( X 1)#.
Logo
$1
E '"$1 ( ! "1 " ' X 1)X 1 ( X 1)X 2 "2 .
*&&&&&&&+&&&&&&&,
vies
12
40
vies
$1
contra X2.
Seguindo o mesmo raciocnio, observe que
$1
M 2 X 1 ! X 1 $ X 2 ' X 2 X 2 ( X 2) X 1 .
*&&&&&&+&&&&&&,
" X1X 2
Ou seja, isto como se regredssemos cada uma das colunas de X1 contra X2, e depois
calculssemos os resduos de cada uma da k regresses.
Agora temos que provar que "1A ! "1B , onde
(A) y ! X 1"1 " X 2 "2 " # ;
(B) M 2 y ! M 2 X 1"1 " M 2# .
Este o Teorema de Frisch-Waugh-Lovel que temos usado.
Tomando as condies de primeira ordem de (A), por mnimos quadrados ordinrios,
obtemos:
5 X 1)X 1
7
7 X 2) X 1
9
$1
)
)
)
)
)
)
X 2 7 I $ X 1 ' X 1 X 1 ( X 1 8 X 2 "2 ! X 2 7 I $ X 1 ' X 1 X 1 ( X 1 8 y &, 8
&, 8
7 *&&&&&&&&!+&&&&&&&
7 *&&&&&&&&!+&&&&&&&
M1
M1
97
:8
97
:8
X )M X " ! X )M y 2
$1
$1
"1 ! ' X 1)M 2 X 1 ( X 1)M 2 y .
' (
Var '" ( ! E 57' X )M X (
9
E "1 ! "1 , e
$1
$1
$1
X 1)M 2 ## )M 2 X 1 ' X 1)M 2 X 1 ( 68 ! ( 2 ' X 1)M 2 X 1 ( .
:
Analogamente,
' (
$1
Var "2 ! ( 2 ' X 2) M 1 X 2 ( .
' X1)X 2 (
.
!
' X 1)X 1 (' X 2) X 2 (
2
2
12
r
Dessa forma,
' (
2
5
6
X 1)X 2 (
'
8
2 7
)
)
! ( 7 X1 X1 $ X1 X1
8
X 1)X 1 (' X 2) X 2 (8
'
7
9
:
2
(
.
!
' X1)X1 ('1$ r122 (
$1
2
5
X 1)X 2 ( 68
'
2 7
! ( 7 X 1)X 1 $
8
X 2) X 2 8
7
9
:
$1
$1
Ou seja,
' (
Var "1 !
(2
- lim Var "1 ! L .
' X 1)X 1 ('1$ r122 ( r122 H1
' (
42
$1
' (
Var "1
(2
X 1)X 1
1
r122
Interpretando X 1)M 2 X 1 como a soma dos quadrados dos resduos de regresso de cada
' (
coluna de X1 contra X2, podemos ver que, quanto menor os resduos, maior a Var "1 . Os
resduos sero menores, quanto maior for a colinearidade entre X1 e X2. Assim, se r122 H 1 ,
' (
Var "1 vai para o infinito, e conclumos que o modelo tem variveis redundantes. Isso
significa que podemos excluir uma das variveis explicativas do modelo sem perder muita
informao.
6.2 (K) Retirar um varivel pode ser uma soluo para multicolinearidade? (explique
detalhadamente)
Soluo: O exerccio procura aguar a intuio do estudante.
Note, inicialmente, que no existe uma soluo para multicolinearidade. Em segundo
lugar, deve estar claro que retirar uma varivel pode significar a omisso de varivel
relevante, o que resulta no vis de estimao. Porm, se a varivel retirada for altamente
correlacionada com outra do modelo, pouca informao se perderia, pois essa outra varivel
do modelo j est incorporando a informao da outra que foi retirada. Portanto, quanto
mais correlacionadas forem duas variveis, menos necessrio que apaream
simultaneamente no modelo, pois uma contm a informao da outra. nesse sentido que
retirar uma varivel pode ser uma soluo para multicolinearidade.
43
44
F ' X i)" ( ! P
$L
5 z2 6
1
exp 7$ 8dz .
7 28
29
:
A questo agora e derivar essa funo com respeito a Xj. Para isso, usamos o teorema de
Leibnitz que diz o seguinte:
A' x(
, P F ' x, z ( dz
B' x(
,x
Como
A' x(
,F ' x , z (
dz .
,
x
B' x(
B ' x( ! $L , ento
,F ' x, z (
! 0 . Logo o resultado da derivada :
,x
5 ' X )" (2 6
1
i
8 " ! f X )" " ,
exp 77$
' i ( j
8 j
2 8
27
9
:
onde f ' X i)" ( a funo densidade de probabilidade.
Podemos, assim, ver que o impacto de uma modificao da varivel explicativa depender
de f ' X i)" ( e " j , e no apenas de " j isoladamente, como em modelos lineares.
45
7.2 (C) Em um modelo de escolha discreta Probit, suponha que a utilidade lquida
I ! X " " #, # ! N '0, (#2 ( ,
onde
122 D ! 1, se I 0 0
3
224 D ! 0, c.c.,
e
# ! X / " V ,V ! N '0, (V2 ( .
Assuma que, na amostra sua disposio, as observaes so independentes entre as
pessoas.
O que pode ser identificado de uma grande amostra de observaes de pessoas, quando (d
as condies precisas):
a. / ! 0 ?;
b. / # 0 ?.
Soluo: Este um exerccio simples, apenas exigindo a montagem da funo de
verossimilhana para fins estimao.
a. Vamos definir a funo de verossimilhana primeiro, para, depois, responder as
questes.
46
Di
'" " / (
(V
Assim, se / ! 0 , podemos identificar
b. Se / # 0 , identificamos
'" " / (
(V
"
.
(V
sem, no entanto, podermos separar
"
/
de
.
(V
(V
7.3 (C) Seja 59'Y1 , x1 ( , 'Y2 , x2 ( ,#, 'Yn , xn (6: uma amostra aleatria de n observaes, onde xi
uma varivel aleatria escalar, e Yi varivel aleatria de Bernoulli, que assume apenas
dois valores, 0 e 1, com as seguintes probabilidades:
Pr 'Yi ! 1 X ( !
Pr 'Yi ! 0 X ( !
1
.
1 " exp ')1 " )2 xi (
47
Esse modelo conhecido como um modelo de resposta binria Logit. uma alternativa ao
modelo Probit, como j sabemos.
a. Encontre a funo esperana condicional de Yi dado X = (x1, x2, ..., xn);
b. Escreva a funo log-verossimilhana para esse modelo.
Soluo: Este um exerccio que requer apenas os conhecimentos de probabilidade.
muito importante saber escrever a funo log-verossimilhana, por isso a insistncia
nesse conceito ao longo dos exerccios propostos.
a. Primeiro, vamos converter o problema em notao matricial, apenas para resolv-lo de
uma maneira mais geral, mas isso no seria preciso, de fato.
e X i)
;
1 " e X i)
1
Pr 'Yi ! 0 X ( !
.
1 " e X i)
Pr 'Yi ! 1 X ( !
e X i)
.
1$ e X i )
i !1
i !1
L '); X ( ! C f 'Yi X i ( ! C
'e (
X i ) Yi
1" e X i)
M)1 N : % Yi ! %
i !1
n
M)2 N : % Yi xi ! %
i !1
7.4 (K) Suponha que voc deseja estimar a curva de demanda por bilhetes de futebol. Voc
acredita que a demanda determinada linearmente por uma sries de fatores, entre os
48
quais o preo do bilhete, o padro relativo da equipe local e da equipe visitante, a renda
familiar da cidade, a renda total da cidade, etc. Voc possui 10 anos de dados, durante
os quais, em vrias ocasies, os bilhetes estiveram esgotados. Qual a sua recomendao
para os dados quando os bilhetes estiveram esgotados?
Soluo: Este problema de dados censurados, em que se procura verificar se o
estudante entendeu a idia geral para esses casos.
Um jogo cujos bilhetes estavam esgotados reflete uma demanda acima da capacidade dos
lugares. Essas observaes devem ser tratadas como observaes limites em um modelo
Tobit.
49
y1
i
ii
iii
y1
y2
y3
1
0
$ 31
y2
$12
y3 x1
$13 "11
x2
0
x3
"13
1
0
$ 23 0
1 0
"22
"32
"23
0
50
Cond. Ordem
Exg. Excl.
End. Incl. 1
Diagnstico
<
no identificado
ii
Identificado?
iii
>
super identificado?
51
Esta matriz tem posto 2, assumindo que "11$31 # 0 , ou seja, que nenhum desses parmetros
seja zero, inclusive porque no seria lgico do contrrio.
Utilizando mesmo procedimento para a equao (iii), obtemos a seguinte matriz:
<$12
(iii) ??
?@ 1
No mximo, o posto dessa matriz 2. Assumimos esse resultado, a menos que "11 ! 0 ou
"23 ! 0 , o que no teria sentido como j dissemos, ou "13 ! $12 "23 . Nesse caso, a equao
iii super identificada.
qs
i 1
ii 0
iii 1
qd
p 1
w
y
0 $!1 $!0 $!2
0
1 $"1 $"0
0 $"2
0
0
$1 0 0
Cond. Ordem
Exg. Excl.
End. Incl. 1
Diagnstico
Identificado?
ii
Identificado?
iii
>
super identificado?
53
!y
!S
!x
!#
13
O operador Vec transforma todos os elementos da matriz em um nico vetor (ver detalhes em
LTKEPOHL, Helmut. Introduction to Multiple Time Series Analysis, 2.nd ed. Springer-Verlag: Berlim,
1993).
54
H 0 : R3&9 R9&1 ! q0
5 -11 6
7 8
7 -12 8
7 8
7- 8
7 13 8
5 0 1 0 0 0 0 0 0 06 77 -21 88 5 06
7
8
7 8.
7 0 0 0 0 1 0 0 0 08 77 -22 88 ! 7 08
7
8
7 8
77 0 0 0 0 0 0 0 1 088 77 - 88 77 088
23
9
:
9 :
7 8
7 31 8
7 8
7 -32 8
7 8
797 -33 8:8
O teste de Wald, por sua vez, ser dado por:
$1
<
=>
) ??
>
$q .
W ! RR $ q0 ?? )
R var R )
R )>>> RR
0
*&&&&+&&&&, ???3&9 *&&+&&, 9&3>> *&&&+&&&,
@
A
1&3
9&9
3&1
'
'(
'
55
No caso de informao plena, com exata identificao de todas as equaes, ento: MQ2S
= MQ3S = MVIL = MVIP.
Quando a equao de interesse superidentificada, mas todas as outras equaes so
exatamente identificadas, ento: MVIL = MVIP e MQ2S = MQ2S.
Se a hiptese de normalidade correta, MVIP, estimado por MVF, consistente,
assintoticamente normal e assintoticamente eficiente.
Se no h restries de covarincia, ento MQ3S e MVIP so assintoticamente
equivalentes e assintoticamente eficientes. Com restries de covarincia, MVIP mais
eficiente que MQ3S
Informao Limitada
Informao Plena
Maior Consistncia
Sem H e A
Com H e/ou A
MQI, IV
56
Maior Eficincia
122 y1 ! !1 y2 " #1
,
3
224 y2 ! !2 y1 " "1 x1 " "2 x2 " #2
onde
5 1 06
53 56
8 ; X )Y ! 7
8.
X )X ! 7
79 0 18:
795 18:
Quais so as estimativas de MQ2S dos parmetros identificveis?
Soluo: Este um exerccio numrico, sem grandes dificuldades (basta ver a matriz
identidade para XX), que retoma vrios conceitos simultaneamente, inclusive a
lgebra matricial. Procura medir o grau de aprendizagem do aluno, levantando
alguns detalhes importantes.
Da primeira equao podemos ver duas variveis exgenas excludas e duas endgenas
includas. Logo !1 candidato superidentificao. A segunda equao no tem variveis
exgenas excludas, donde se conclui que subidentificada.
O primeiro detalhe a ser notado o significado XY, onde a primeira coluna Xy1 e a
segunda, Xy2.
Substituindo a primeira equao na segunda temos:
y2 ! !1!2 y2 " "1 x1 " "2 x2 " #2 " !2 #1 y2 !
"1
"2
# " !2#1
x1 "
x2 " 2
1*&&
1*&&
1
$&+&&
!1!&2,
$&+&&
!1!&2,
$
!
!
1 2,
*&&&+&&&
!-1
!-2
!.
y2 ! -1 x1 " -2 x2 " ..
Podemos encontrar agora o
$1
y 2 ! X ' X )X ( X )y2 .
Com isso, podemos obter a estimativa de !1 , por mnimos quadrados a dois estgios:
$
$1
$1
$1
$1
!1 ! ' y 2) y 2 ( y 2) y1 ! 57 y2) X ' X )X ( X )X ' X )X ( X )y2 68 y2) X ' X )X ( X )y1 !
9
:
1
$
5 y ) X X )X $1 X )y 6 y ) X X )X $1 X )y .
(
' (
28
2
1
79 2 '
:
1
Agora, s substituir pelos valores apropriados. Por simplicidade, no inclumos XX, que
uma identidade.
57
$1
<
556 =
536 21
.
!1 ! ???M5 1N 7 8 >>> M5 1N 7 8 !
7918: >A
7958: 26
?@
58
60
Em outras palavras, temos que estimar uma nmero de parmetros maior que o nmero de
observaes, o que impossvel. Por isso, temos que impor certas restries para reduzir o
nmero de parmetros a serem estimados. Essas recaem sobre a heterogeneidade temporal e
sobre a memria do processo.
i.
ii.
B ' ' 0 ( , Xt W T ,
tal que
a. 0 B ' '0 ( B 1 e;
L
b.
0 HL
9.4 Qual a diferena entre estacionaridade forte (ou estrita) e estacionaridade (fraca). D
exemplos mostrando quando uma implica a outra, e quando uma no implica a outra.
Soluo: Embora no texto no tenho sido apresentada a definio de estacionaridade
forte, apresentamo-la aqui, comparando-a com a fraca. O resultado mais importante
61
Por outro lado se x 'ti (# x 'ts ( , s # i , onde # significa distribuio diferente, porm os
momentos de x(ti) so iguais aos de x(ts), esto existe estacionaridade, mas no haver
estacionaridade forte se a distribuio conjunta no for invariante com relao a t.
62
Para n = 2 e k = 1, temos
E 59 X 't1 ( , X 't2 (6: ! E 59 X 't2 ( , X 't3 (6: ,
E(u(t)) = 0;
ii.
12( 2 , se t ! 0
.
E 59u 't ( , u '0 (6: ! 23
224 0, se t # 0
m
5 t
6
E M yt yt$s N ! E 7 % # j % #i 8 ! 't $ s ( ( 2 .
7 j!1 i!1 8
97
:8
64
10.2 Responda
a. Mostre algebricamente como um processo AR(2), com razes fora do crculo unitrio
expresso como um MA( ) ;
b.
#t
'1$ b1L('1$ b2 L(
, onde
$1
%b #
j
1 t$ j
yt !
j !1
'1$ b2 L(
Logo yt um MA( ) .
b. Seja yt ! #t " )#t$1 . Assim, temos;
yt
! #t - yt '1 " ) L " ) 2 L2 " #( ! #t 1$ ) L
L
yt ! $% ) i Li " #t - yt ! AR 'L(.
i !1
c. As razes do processo de mdias mveis devem estar fora do crculo unitrio para que
o processo yt seja unicamente identificado e inversvel.
10.3 Verifique se os modelos abaixo so estacionrios e/ou inversveis, em que L o
operador defasagem.
a.
(1 L) yt = (1 0,5 L)t ;
b.
c.
(1 0,7 L + 0,4 L ) y
d.
e.
= (1 0,5 L)t ;
66
5
/ 1 , logo no inversvel.
6
c.
1
1$ 0, 7 z " 0, 4 z 2 ! 0 . Fazendo z ! , temos x 2 $ 0, 7 x " 0, 4 ! 0 , o que nos d as
x
12
0, 7 " 1, 05i
22 x1 !
2
seguintes razes: 23
. O mdulo de um nmero complexo a + bi dado por
22
0, 7 $1, 05i
22 x2 !
2
24
a2 " b2 .
Ambas as razes tero o mesmo mdulo, dado por:
estando o mdulo dentro do crculo unitrio (como invertemos as variveis, temos que
inverter o raciocnio), o processo estacionrio.
1$ 0, 5 z ! 0 - z ! 2 , ento o processo inversvel.
d.
1$ 0, 7 z $ 0, 4 z 2 ! 0 . Adotando o mesmo procedimento do item anterior,
21 x1 ! 1, 0728
. Ora, a primeira raiz est fora do crculo unitrio, logo
encontramos 23
224 x2 ! $0,3728
processo no estacionrio.
1$1, 6 z " 0, 7 z 2 ! 0 . A inversa das razes so x !
dado por 0,82 " 0, 2452 ! 0,836 / 1 , que inversvel.
e.
1 " 0,9 z ! 0 - z ! $
10
. 1 - estacionaridade.
9
67
$1, 6 Y 1, 05i
, cujo mdulo
2
12 z1 ! $1,597
22
1 " 0,5 z " 0, 4 z 2 " 0, 3z 3 ! 0 . As razes do: 3 z2 ! 0,132 " 1, 438i . Essas razes
22
224 z3 ! 0,132 $1, 438i
esto obviamente fora do crculo unitrio, logo a condio de inversibilidade est
satisfeita14.
10.4 Prove que na previso para s passos frente do modelo
(y
) = ( y t 1 ) + t t 1 ,t ~ i .i. d .(0, 2 ) :
Soluo: Este um exerccio que procura esclarecer um pouco por que a previso
mais distante no tempo pior do que a mais recente, e notar que a varincia a
mesma no longo prazo. Na verdade, isto ocorre porque a varincia de longo prazo a
varincia no condicional.
a. Apenas lgebra. Primeiro, chamemos xt ! yt $ * , para descarregar a notao.
xt "1 ! ! xt " #t "1 $ "#t - E ' xt "1 yt ( ! xt "1 ! ! xt $ "#t ;
xt "2 ! ! xt "1 " #t "2 $ "#t "1 - E ' xt "2 yt ( ! ! xt "1 ! ! 2 xt $ !"#t ;
/
xt "s ! ! xt "s$1 " #t "s $ "#t "s$1 - E ' xt "s yt ( ! ! xt "s$1 ! ! s xt $ ! s$1"#t .
Provando o que gostaramos.
b. Aqui apenas temos que cuidar da lgebra, que carregada.
14
O clculo de um polinmio do terceiro graus no simples. Sugiro usar um programa como Mathematica
68
Var '#t "s ( ! E 59' yt "s $ *($ ' yt "s $ *(6: ! E M xt "s $ xt "s N .
2
xt "s ! ! xt "s$1 " #t "s $ "#t "s$1 ! ! '! xt "s$2 " #t "s$1 $ "#t "s$2 ( " #t "s $ "#t "s$1 !
! ! 2 xt "s$2 " #t "s $ "#t "s$1 " !#t "s$1 $ !"#t "s$2 !
! ! 2 xt "s$2 " #t "s " '! $ " ( #t "s$1 $ !"#t "s$2 !
! ! 2 '! xt "s$3 " #t "s$2 $ "#t "s$3 ( " #t "s " '! $ " ( #t "s$1 $ !"#t "s$2 !
! ! 3 xt "s$3 " #t "s " '! $ " ( #t " s$1 " ! '! $ " ( #t "s$2 $ ! 2 "#t "s$3 !
/
s$2
! ! s xt "s " #t "s " '! $ " ( % ! j #t "s$ j$1 $ ! s$1"#t "s$3 .
j !0
lim ! 2 s$1 ! 0.
sHL
69
!0
""11 E ' Z1,t$1Z 2,t$k ( " "11"21E ' Z1,t$1Z1,t$1$k ( " "11"22 E ' Z1,t$1Z 2,t$1$k ( "
*&&&&&+&&&&&,
*&&&&&&+&&&&&&,
!0
!0
"12 E ' Z 2,t$1Z 2,t$1$k ( " "12 "21 E ' Z 2,t$1 Z1,t$1$k ( " "12 "22 E ' Z 2,t$1Z 2,t$1$k (.
*&&&&&&+&&&&&&,
!0
Portanto,
$ xy 'k ( ! "21 E ' Z1,t Z1,t$1$k ( " "11"21E ' Z1,t$1Z1,t$1$k ( "
""12 E ' Z 2,t$1Z 2,t$1$k ( " "12 "22 E ' Z 2,t$1Z 2,t$1$k (.
Agora, encontremos a funo de covarincia cruzada:
$ xy '0( ! ( 2 '"11"21 " "12"22 (;
$ xz '1( ! ( 2 "12 ;
$ xy '$1( ! ( 2 "21 ;
$ xy ' k . 1( ! 0.
Note como a covarincia cruzada no simtrica.
Apenas para completar, o espectro cruzado dado por:
15
70
hxy '1 ( !
g xy ' z ( !
1
g xy ' z ( , z ! e$i1 , $- / 1 / - 21
%z $
k
xy
'k ( -
k !$1
hxy '1 ( !
(2
"11"21 " "12"22 " "12e$i1 " "21ei1 (.
'
2-
11.2 (B&D) Seja {Yt} um srie de tempo com mdia zero estacionria. Defina:
X t = Yt 0,4Yt 1
.
Wt = Yt 2 ,5Yt 1
a. Expresse a funo de autocovarincia de {Xt} e {Wt} em termos da funo de
autocovarincia de {Yt};
b. Mostre que {Xt} e {Wt} tm a mesma funo de autocorrelao;
L
U t $ 2,5U t$1 ! X t .
Soluo: O exerccio treina o conceito do operador avano e mostra que sries
inversveis tm a mesma autocovarincia. Ou seja, para mdias mveis, podemos ter
duas representaes alternativas com mesma autocovarincias. Assim, impomos a
condio de inversibilidade, apenas para unificar os processos de mdias mveis
vlidos.
a. Achemos a autocovarincia de cada uma dessas variveis.
E ' X t2 ( ! E 'Yt $ 0, 4Yt$1 ( ! E 'Yt 2 ( $ 0,8E 'YtYt$1 ( " 0,16 E 'Yt$2 1 ( ! 1,16$Y '0( $ 0,8$Y '1(;
2
71
E ' X t2 ( ! E 'Yt $ 2,5Yt$1 ( ! E 'Yt 2 ( $ 2 E 'YtYt$1 ( " 6, 25 E 'Yt$2 1 ( ! 7, 25$Y '0( $ 2$Y '1(;
2
Para verificar que ambas so iguais, note que multiplicando numerador e denominador da
primeira equao por 6, 25 ! 7, 25 1,16 , obtemos exatamente a segunda equao, pois
0, 4& 6, 25 ! 2,5 e 0,8& 6, 25 ! 5 .
c. Aqui, devemos apenas usar o operador defasagem e fazer as contas.
L
U t ! % $0, 4 j X t " j j !1
Ut
L
$% 0, 4 L
j
$j
! Xt .
j !1
Mas,
L
$% 0, 4 j L$ j ! $
j !1
Note que aqui usamos o operador avano, pelo qual L1Xt= Xt+1.
11.3 (E) Seja o modelo funo de transferncia
yt ! 0,5 yt$1 " zt " #t ,
zt ! 0,5 zt$1 " #z ,t .
a. Derive a funo de autocorrelao cruzada entre a seqncia filtrada {yt} e a seqncia
e a seqncia E#z ,t F ;
b. Se supusermos
yt ! 0,5 yt$1 " zt " 0,5 zt$1 ,
zt ! 0,5 zt$1 " #z ,t .
72
'1$ 0,5L( zt ! #z ,t - zt !
#z ,t
1$ 0,5L
Agora, substituindo:
yt ! 0, 5 yt$1 "
# z ,t
1$ 0,5L
" #t - '1$ 0,5 L( yt ! 0,5 '1$ 0,5L ( yt$1 " #z ,t " '1$ 0,5L ( #t .
*&&&&&+&&&&&,
y f ,t $serie filtrada
73
#z ,t
" #t 1$ 0, 5L
4
" ( 2 ! (#2z " ( 2 .
1$ 0, 25
3
2
#z
0,5k (#z
4 2
(# " ( 2
3 z
1 " 0,5 L
#z ,t " #t 1$ 0,5 L
1$ 0,5 L( yt ! 0,5 '1$ 0,5 L( yt$1 " '1 " 0,5 L( #z ,t " '1$ 0,5L( #t '*&&&&
&+&&&&&,
y f ,t $serie filtrada
y f ,t !
1 " 0,5 L
#z ,t " #t ! '1 " 0,5 L " 0,52 L2 " "('1 " 0,5L ( #z ,t " #t !
1$ 0,5 L
( #z
7 2
( #z " ( 2
3
0,5k $1 (#z
7 2
( #z " ( 2
3
, k /1
.
, k 01
11.4 Explique por que os modelos de Anlise de Interveno so, em geral, mais flexveis
que os modelos de regresso que utilizam variveis dummy.
Soluo: O exerccio procura averiguar se o estudante entendeu, simultaneamente, os
modelos de anlise de interveno, bem como suas potencialidades.
Os modelos de anlise de interveno so mais flexveis porque permitem que haja efeito
residual e efeito defasado, o que no ocorre com os modelos que utilizam dummy, onde h
apenas afeito abrupto, temporrio ou permanente.
Em resumo os modelos de anlise de interveno so:
i.
ii.
iii.
iv.
12
1
T
22
P' ( , T1 B t B T1
2 t
.
Et ! 31$ %1 B $ %2 B
22
0, c.c
224
v.
Os modelos com dummy somente admitem incio abrupto, com durao temporria ou
permanente, sem considerar o efeito residual e o incio gradual.
76
yt
yt
espria
legtima
O primeiro mostra uma regresso espria, pois a diferena entre as sries, conforme o
tempo passa, cresce. Em regresses esprias comum encontrar coeficientes significantes
estatisticamente. Esta mais uma razo de ser fazer o teste de cointegrao, para evitar tais
77
problemas. A segunda srie poderia apresentar uma regresso legtima, pois os erros no
crescem com o tempo. Nesse caso, os estimadores so superconsistentes, de modo que os
testes estatsticos continuam vlidos.
12.2 Qual a seqncia de testes que deve ser realizada para verificar se uma srie de
tempo yt, apresenta uma raiz unitria segundo a metodologia de Dickey e Fuller,
considerando que este teste tem problemas de poder? Por que esses testes no podem
ser aplicados para testar a presena de uma segunda raiz unitria? Como voc definiria
a ordem de defasagem q.
Soluo: Este um exerccio muito importante, pois avalia se o aluno realmente
entendeu o problema da raiz unitria e se ele sabe, efetivamente, fazer esse teste.
H vrias seqncias possveis. Para o caso de uma raiz unitria, apresentamos a seguinte
seqncia, inspirada em Enders (1995), sempre imaginando um nvel de significncia de
5%.
Primeiro, definamos a equao de interesse.
q
A soma dos quadrados dos resduos dessas trs equaes so, respectivamente: SQR(1),
SQR(2) e SQR(3).
Dessa forma, testar H 0 : ! ! 0& H1 : ! / 0 equivalente a testar:
78
i.
2 ,
79
SQR '1(
T $3
3 .
Se rejeitamos a hiptese nula, procedemos o teste t sobre ' . Nesse caso, se rejeitamos a
hiptese nula, no existe raiz unitria; se aceitamos, existe.
Porm, se aceitamos a hiptese nula do Procedimento 1, devemos prosseguir com o passo
3, abaixo descrito, aps o procedimento alternativo 2 que passamos a descrever
Procedimento 2
Utilizando a equao ( 9 ), teste:
H 0 : ' ! 0& H 1 : ' / 0 .
Como fazemos isso via equao ( 9 ), devemos utilizar outra estatstica de Dickey-Fuller:
0 * . Neste caso, se rejeitamos a hiptese nula, no existe raiz unitria.
Se, porm, aceitamos a hiptese nula, prosseguimos com o seguinte teste:
H 0 : ' ! * ! 0 & H1 : ' / 0 [ * # 0 ,
cuja estatstica calculada por Dickey-Fuller Q1 , assim calculada:
Q2 !
2 .
usando a equao ( 10 ). Neste caso, a estatstica calculada por Dickey-Fuller dada por
0 . Se aceitamos, a hiptese nula, existe raiz unitria; se rejeitamos, no existe.
80
A lgica deste teste partir do modelo mais geral para o mais restrito, haja vista que o
poder do teste baixo.
Os testes no podem ser aplicados para testar uma segunda raiz unitria, porque foram
construdo apenas para o caso de uma nica raiz unitria.
Procedimento 1
Colocar tantas defasagens quantas necessrias, tal que a regresso estimada produza
resduos desprovidos de autocorrelao serial. Isto podendo ser testado usando as funes
ACF e PACF , bem como a estatstica de Ljung-Box.
Procedimento 2
16
5
7 <? T >=4 8
Usar a frmula de Shwert: q ! int 712 ; ?
> 8.
7 ?@100 >A 8
97
:8
81
Z4 yt ! 20 " 21Z3 yt$1 " 22Z2 yt$1 " 23Zyt$1 " 24 yt$1 " ut ,
e testamos
H 0 : 24 ! 0 & H 1 : 24 / 0 ,
usando a estatstica, calculada por Dickey e Pantula: 0 * . Claramente, se a estatstica
calculada no teste menor do que o valor terico, rejeitamos a hiptese nula, caso
contrrio, aceitamo-la.
Se rejeitamos a hiptese nula, passamos ao prximo teste.
i.
forma
t $1
xt ! x0 " % #t$ j
j !0
t $1
yt ! y0 " % .t$ j
j !1
Mostre que a combinao linear " xt " $ yt geralmente conter uma tendncia
ii.
estocstica.
iii.
b. Agora seja yt integrado de ordem 2. Dadas as condies iniciais sobre y0 e y1, encontre
a soluo para yt. Existe alguma combinao linear entre xt e yt que contenha apenas
uma tendncia estocstica? E determinstica? Existe alguma combinao linear entre xt
e yt que no contenha uma tendncia estocstica?
c.
83
yt ! y0 " % .t$ j .
j !0
ii.
t $1
j !0
j !0
tendncia estocstica
%&
t$ j
j !0
iii.
t $1
j !0
j !0
84
t $1
%#
t$ j
, da seguinte forma
j !0
%#
j !1
! zt$1
Temos que parar em z1, pois, no caso de integrao de ordem 2, precisamos conhecer y1 e
y0. Agora, para ver o segundo somatrio e a tendncia determinstica, devemos desenvolver
zt .
t
j !2
j !2
t $1
j !2
j !2
t $1
t $2
j !2
j !2
t $1
j !2
j !2
j !2
t $2 t $s
85
No existe apenas uma tendncia estocstica, como poder ser visto na terceira linha da
expresso acima. Note que h vrias tendncias estocsticas. Note que, se y1 igual a y0, no
existe tendncia determinstica; do contrrio, haver tambm.
No h combinao entre essas variveis que no contenha tendncia estocstica, mesmo
com correlao perfeita entre os resduos. Neste caso ainda restaro:
t $1
t $2
t $2 t $s
j !2
j !2
s!1 j ! 2
86
13.1
Mas,
( )
[(
)]
E t4 = E 2 + 21 t2 + 12 t4 .
Portanto:
2 2 1
3 2 (1 + 1 )
.
E t4 = 3 2 +
+ 12 E t4 1 3 12 E t4 =
1 1
1 1
( )
( )
)( )
( 12 ) K '#t ( !
E '#t4 (
EE '# (F
2
t
87
5 1$ !12 6
8.
! 37
71$ 3!12 8
9
:
88
t = + t2
t = t ut ,
sendo
u t ~ i.i.d .(0,1) ;
q
t2 = + i t2i .
i =1
( )
( )
Alm disso,
E'#t2 ( ! E '(t2 ( E 'ut2 ( ! (#2 !
!
! 1.
1$ !1 $ !2 $...$ !q
onde k > 0.
Portanto, conclumos que um rudo branco.
b. Calculemos:
E ' yt ( ! E '*t " #t ( ! E '" " %(t2 " #t ( !
! E 57 " " % '! " % !i #t2$i ( " #t 68 !
9
:
! " " % '! " % !i (.
Para verificar como uma mudana de % afeta a mdia, note que:
E'#t2 ( ! E '(t2 ( E 'ut2 ( ! ! " % !i ! 1 .
*&&+&&, )
!1
!! "% !i
Logo, a proporo que % afeta a mdia de 1:1. Como esta proporo a mesma para " ,
ento, a mdia no condicional de yt , para '" , % ( ! '$3,3( :
E ' yt ( ! $3 " 3'! " % !i ( ! $3 " 3;1 ! 0 .
O mesmo ocorre para '" , % ( ! '$1,1( , preservando-se a mdia no condicional de yt.
c. Calculemos:
90
Var ' yt ( ! Var '*t " #t ( ! Var '*t ( " Var '#t ( " 2Cov '*t , #t ( .
*&&+&&,
!1
!0
!0
91