Lista de exercicios

Disponível somente no TrabalhosFeitos
  • Páginas : 6 (1328 palavras )
  • Download(s) : 0
  • Publicado : 18 de março de 2013
Ler documento completo
Amostra do texto
1.a) A multicolineariade implica uma forte relação entre as variáveis explicativas do modelo. Na multicolinearidade os pressupostos são acerca da magnitude dos erros, detectamos multicolinearidade em um modelo cujo o R2 é alto e as estatísticas t não são significantes. Passa a ser um problema, pois os coeficientes estimados não são viesados e causa coeficientes não significantes. (Lembre quequanto maior o R² e o prob, maior o problema)
b) Os erros heteroscedásticos e autocorrelacionados mostram que os betas continuarão linear e não tendencioso, mas o estimador não possui variância mínima e constante na classe dos estimadores não viesados, logo deixa de ser eficiente.
c) Quando a variância for conhecida: é feita a correção por meio dos Mínimos Quadrados Ponderados (aplica-se MQO nasvariáveis transformadas), pois os estimadores assim obtidos são MELNV. Quando a variância for desconhecida (Variâncias e erros-padrão consistentes em heteroscedasticidade segundo White), valido para grandes amostras.

2)
a)
Dependent Variable: LOG(PCOBRE) | |
Method: Least Squares | | |
Date: 12/03/12 Time: 11:44 | | |
Sample: 1951 1980 | | |
Included observations: 30 | | || | | | |
| | | | |
Variable | Coefficient | Std. Error | t-Statistic | Prob.   |
| | | | |
| | | | |
LOG(INDPRODIND) | 0.467509 | 0.165987 | 2.816541 | 0.0093 |
LOG(PCOBRENALONDO) | 0.279443 | 0.114726 | 2.435745 | 0.0223 |
LOG(PREDCONSTANO) | -0.005152 | 0.142947 | -0.036038 | 0.9715 |
LOG(PALUMINIO) | 0.441449 | 0.106508 | 4.144737 | 0.0003 |
C | -1.500441| 1.003020 | -1.495923 | 0.1472 |
| | | | |
| | | | |
R-squared | 0.936090 |     Mean dependent var | 3.721145 |
Adjusted R-squared | 0.925864 |     S.D. dependent var | 0.447149 |
S.E. of regression | 0.121749 |     Akaike info criterion | -1.222692 |
Sum squared resid | 0.370573 |     Schwarz criterion | -0.989159 |
Log likelihood | 23.34039 |     F-statistic | 91.54312 |Durbin-Watson stat | 0.954940 |     Prob(F-statistic) | 0.000000 |
| | | | |
| | | | |

^LnC= -1,500 + 0,467LnI1+ 0,279LnL1 – 0,005 LnP1 + 0,441 LnA1 + u1
b)
B1 está de acordo com a teoria, pois o sinal positivo destaca que quanto maior o Índice de produção industrial, maior será o preço interno do cobre.
B2 o sinal positivo também se encontra em acordo, pois se a média dospreços do cobre na London Metal Exchange aumentar, também aumentará seu preço interno.
B3 negativo não está de acordo, pois se aumenta o numero de prédios construídos por ano, deveria aumentar o preço interno e não diminuir.
B4 – De acordo pois se aumento o preço do alumínio também aumentará o do cobre.
Os ts se mostram estatisticamente significantes exceto pelo referente ao B3 que mostra t (ho: bi=0, hA: bi diferente 0) menor que 2 e prob: 0,9715, onde não rejeitamos a hipótese nula, então dizemos que não é estatisticamente significante a um nível de 5% de significância.
Os outros betas possuem t estatisticamente significantes.
E o modelo possui alto R2, descreva o que ele explica.
c)
O modelo é possível de ter Multicolinearidade, dado o R² alto e variável altamenteinsignificante, detectada a variável que aparentemente não pertencia ao modelo, retiramos a variável que não estava estatisticamente explicada e parecia atrapalhar a explicação do modelo.

Dependent Variable: LOG(PCOBRE) | |
Method: Least Squares | | |
Date: 12/03/12 Time: 12:16 | | |
Sample: 1951 1980 | | |
Included observations: 30 | | |
| | | | |
| | | | |
Variable |Coefficient | Std. Error | t-Statistic | Prob.   |
| | | | |
| | | | |
LOG(INDPRODIND) | 0.465478 | 0.153107 | 3.040207 | 0.0053 |
LOG(PCOBRENALONDO) | 0.280080 | 0.111156 | 2.519705 | 0.0182 |
LOG(PALUMINIO) | 0.442095 | 0.102950 | 4.294256 | 0.0002 |
C | -1.535169 | 0.272871 | -5.625997 | 0.0000 |
| | | | |
| | | | |
R-squared | 0.936086 |     Mean dependent...
tracking img