Vous êtes sur la page 1sur 44
Sebenta de Métodos Econométricos Exercícios Resolvidos Licenciatura de Gestão Ano Letivo 2012/2013 Sofia Rosa Monteiro

Sebenta de Métodos Econométricos

Exercícios Resolvidos

Licenciatura de Gestão

Ano Letivo 2012/2013

Sofia Rosa Monteiro Martins 100402095

Esta sebenta é um complemento ao estudo, não compondo o manual da disciplina. A comissão não se responsabiliza por eventuais erros ou falhas contidos na sebenta.

EXERCÍCIO 1

1.

\\deer\Public\disciplinas\1G305\dados_exerc1.xls

2.

 

2.1. Dados temporais

2.2. 66 observações

- T=66 (t=1, ……, 66)

2.3. Séries Temporais (Spot; Futures)

3.

Primeiro criamos um ficheiro de trabalho:

- T=66 (t=1, ……, 66) 2.3. Séries Temporais (Spot; Futures) 3. Primeiro criamos um ficheiro de
- T=66 (t=1, ……, 66) 2.3. Séries Temporais (Spot; Futures) 3. Primeiro criamos um ficheiro de

Importamos os dados:

Importamos os dados: Importamos os dados do exercício 1 (ficheiro Excel) abrindo a seguinte janela. Clicámos

Importamos os dados do exercício 1 (ficheiro Excel) abrindo a seguinte janela. Clicámos Next nas 2 janelas seguintes e Finish na 3ª, pois para dados temporais já está predefinido. O Eviews ficará com o seguinte aspecto:

seguintes e Finish na 3ª, pois para dados temporais já está predefinido. O Eviews ficará com

3.1. Para

ver

graficamente,

procedemos

do

seguinte

modo:

Duplo clique na variável que pretendemos abrir Na nova janela clicamos View (para ver) Graph OK

nova janela clicamos View ( para ver) – Graph – OK O sistema já se encontra

O sistema já se encontra predefinido, por isso clicamos ok, pelo que irá aparecer um gráfico, como pretendíamos. Para a variável Spot, procedemos do mesmo modo.

Para a variável Spot, procedemos do mesmo modo. Para vermos as 2 variáveis em simultâneo, voltamos

Para vermos as 2 variáveis em simultâneo, voltamos ao quadro inicial e clicamos uma vez em futures + ctrl + spot (é importante a ordem por que clicamos nas variáveis pois ditam a ordem por que vão aparecer, neste caso primeiro a futures e depois a spot) de modo a ficarem as 2 variáveis seleccionadas. Com o botão direito de rato em cima de uma das variáveis clicamos Open as Group. Da mesma maneira que fizemos para a variável futures, clicámos Views - GraphOK.

Para guardar o gráfico, damos-lhe um nome: Name – (escrever nome) – OK . Neste

Para guardar o gráfico, damos-lhe um nome: Name (escrever nome) OK. Neste caso dar- lhe-ei o nome graph_futures_spot.

3.2. Para ver as estatísticas descritivas, abrimos as 2 variáveis como grupo View Descriptive Stats Individual Sample e vemos as estatísticas das 2 variáveis. Para guardar basta dar nome.

– Descriptive Stats – Individual Sample e vemos as estatísticas das 2 variáveis. Para guardar basta

4.

4.1. Para criar a variável Z=5, vamos a Quick Generate Series Z=5.

Z=5, vamos a Quick – Generate Series – Z=5. Para elimá-la baste clicar com o botão
Z=5, vamos a Quick – Generate Series – Z=5. Para elimá-la baste clicar com o botão

Para elimá-la baste clicar com o botão direito na variável Z e fazer Delete.

com o botão direito na variável Z e fazer Delete . 4.2. Para criar as variáveis

4.2. Para criar as variáveis das alíneas a) e b) basta proceder do mesmo modo que na alínea anterior. O Eviews não reconhece o logaritmo neperiano, pelo que o substituimos por “log” em vez de “ln”.

anterior. O Eviews não reconhece o logaritmo neperiano, pelo que o substituimos por “log” em vez
anterior. O Eviews não reconhece o logaritmo neperiano, pelo que o substituimos por “log” em vez
4.3. Para guardar, File – save as 5. Para estimar o modelo dspot= β 1

4.3. Para guardar, File save as

5. Para estimar o modelo dspot=β 1 +β 2 dfutures t +u t fazemos Quick Estimate equation e escrevemos a equação sem o termo de perturbação u t , isto porque o Eviews não o reconhece. A equação escreve-se dspot c dfutures (como na figura), ou dspot=c(1)+c(2)*dfutures. Entre os parâmetros β 1 e β 2 , só enunciamos β 1 que não tem variável explicativa associada, o β 2 não vamos enunciar, em vez dele enunciamos a variável dfutures associada. Devemos dar-lhe nome para o guardar. Neste caso dar-lhe-ei o nome de pedido_5.

enunciamos a variável dfutures associada. Devemos dar-lhe nome para o guardar. Neste caso dar-lhe-ei o nome
enunciamos a variável dfutures associada. Devemos dar-lhe nome para o guardar. Neste caso dar-lhe-ei o nome
enunciamos a variável dfutures associada. Devemos dar-lhe nome para o guardar. Neste caso dar-lhe-ei o nome
enunciamos a variável dfutures associada. Devemos dar-lhe nome para o guardar. Neste caso dar-lhe-ei o nome

6.

6.1.

1 + (modelo que acabamos de escrever no Eviews) O coeficiente traduz o valor dos parâmetros β 1 e β 2 .

Para isso abrimos a variável dfutures e recorremos aos dados estatísticos.

=

2

é a média da variável dfutures.

= 0.363302+0.123860*0.467466 (=)

= 0.421203

NOTA: Se repararmos, o resultado da equação é igual ao dado Mean Dependent Var nas estatísticas do pedido 5. Isso porque Y é a variável dependente do modelo e o que estamos a calcular é a sua média. Por isso em vez de a calcularmos podíamos ter ido buscar o resultado directamente. Importante distinguir Mean Média e Median Mediana (que não vamos usar).

– Média e Median – Mediana (que não vamos usar). 6.2. 6.3. _ = Agora o
– Média e Median – Mediana (que não vamos usar). 6.2. 6.3. _ = Agora o

6.2.

6.3.

_

= Agora o pedido é calcular a média do estimador de dspot. Para isso teremos que calcular uma nova variável a partir da variável dfutures para encontrar a média do estimador. Quick Generate Series e escrevemos da seguinte forma:

dspot_hat=0.363302+0.123806*dfutures

O resultado é a mean que é igual à mean dependent var do modelo do pedido 5.

_

= 0.421203

e t =Y t - Para calcular o erro temos que criar uma nova variável. Quick Generate Series e escrevemos:

erro=dspot-dspot_hat A variável erro é dada pelo seu somatório (Sum)

Resultado:

t

et =

0

Series e escrevemos: erro=dspot-dspot_hat A variável erro é dada pelo seu somatório (Sum) Resultado: t et

6.4.

Agora queremos saber o somatório de e t X t . Temos que criar uma nova variável:

erro_2=erro*dfutures

Resultado (sum):

uma nova variável: erro_2=erro*dfutures Resultado (sum): ≈ 0   6.5.   Mais uma vez criámos uma

0

 

6.5.

 

Mais uma vez criámos uma nova variável:

erro_3=erro*dspot_hat

resultado (sum):

0

7.

R 2 =

resultado (sum): ≈ 0 7. R 2 = SQR – Somatório dos Quadrados Explicados SQT –

SQR Somatório dos Quadrados Explicados SQT Somatório dos Quadrados Totais

R 2 =

=

= 0.0134, Os valores introduzidos no numerador é

dado pelo soma do desvio dos quadrados à média (Sum Square Deviation Sum Sq. Dev.) de dspot_hat. O denominador é dado pelo mesmo dado mas na variável dspot.

Ou podemos, ainda, calcular o coeficiente de determinação por: R 2 = 1 - da
Ou podemos, ainda, calcular o coeficiente de determinação por: R 2 = 1 - da

Ou podemos, ainda, calcular o coeficiente de determinação por:

R 2 = 1 -

da variável erro e o denominador é o Sum. Sq. Dev de dspot.

= 1

= 0,0134, O valor do numerador é o Sum. Sq. Dev

= 1 – = 0,0134, O valor do numerador é o Sum. Sq. Dev 8. dspot
= 1 – = 0,0134, O valor do numerador é o Sum. Sq. Dev 8. dspot

8. dspot t = β 1 + u t Para criar o modelo fazemos o procedimento normal: Quick – Estimate Equation… E escrevemos: dspot c (visto só termos um dos parâmetros). Chamar-lhe-ei

pedido_8

dspot t = 0.421203

Equation… E escrevemos: dspot c (visto só termos um dos parâmetros). Chamar-lhe-ei pedido_8 dspot t =

9. dspot t = β 2 dfutures + u t Fazemos exactamente o mesmo que a questão 8 e escrevemos o modelo da seguinte maneira: dspot dfutures

(visto

só termos o 2º parâmetro). Chamar-lhe-ei

pedido_9

dspot t = 0.139255

da seguinte maneira: dspot dfutures (visto só termos o 2º parâmetro). Chamar-lhe-ei pedido_9 dspot t =

EXERCÍCIO 2

1.

1.1. Dados seccionais estudamos 3 variáveis em 75 cidades (não momentos)

N=75

Price i =

= 5.687 USD (milhares)

Sales i =

= 77.37 USD (milhares)

Advert i =

= 1.844 USD (milhares)

2.

A) sales i = β 1 + β 2 advert i + u i

A) sales i = β 1 + β 2 advert i + u i Modelo a

Modelo a escrever no Eviews : sales c advert Guardar: Name pedido_2a

= 74.17972 + 1.732616advert i

Name – pedido_2a = 74.17972 + 1.732616advert i Nunca saberemos o valor das vendas pois depende

Nunca saberemos o valor das vendas pois depende também do termo de perturbação, que nunca será conhecido. Mas sabemos que

E

=

1 +

2 advert i + E(u i )

1 = E

| advert i = 0)

Então, os 74.17972 significam que numa cidade em que gaste 0 em publicidade, esperamos que as vendas sejam de cerca de 74 mil USD.

, isto é, aquilo que

eu espero que seja a variação das vendas quando dou determinada variação aos gastos com publicidade, Neste caso, sei que é de 1.73 mil USD.

2

=

= 1.74 mil USD

= 1.74 , se uma cidade gastar mais de 1000 USD em 1 publicidade, as

= 1.74

= 1.74 , se uma cidade gastar mais de 1000 USD em 1 publicidade, as vendas

, se uma cidade gastar mais de 1000 USD em

1

publicidade, as vendas aumentam 1733 dólares.

B)

Sales i = β 1

.

Estamos perante um modelo não linear e como sabemos o Eviews não lê esse tipo de modelos. Temos que o logaritmizar para o tornar linear:

(=)

(=)

(=)

= 1

=

=

) =

) (=)

1 ) +β 2

+

(=)

1 ) + β 2 1 ) + β 2

+ u i + u i

)

(=)

β 1 *, este já é β 1 , não será necessário colocar log quando estivermos a escrever no eviews.

colocar log quando estivermos a escrever no eviews. No Eviews: log(sales) c log(advert) ou

No Eviews: log(sales) c log(advert) ou

log(sales)=c(1)+c(2)*log(advert)

Guardar: Name pedido_2b

1 * =

= 4,322901 + 0,045539

1 ) = 4,322901, este é o valor esperado

do log(sales) quando ln(advert i)=0

este é o valor esperado do log(sales) quando ln(advert i)=0 =4,322901 Para ln(advert i) ser igual

=4,322901

Para ln(advert i) ser igual a 0, então advert i tem que ser 1

advert i = 4,322901
advert i
= 4,322901

E(sales i|advert i =1) =

= 75,339, significa que numa cidade em que se gastam 1000

USD em publicidade, estimamos que as vendas sejam de 75,339 mil USD.

Se tivéssemos escrito o modelo da seguinte maneira: log(sales)=log(c(1))+c(2)*log(advert), também não estaria mal, e o resultado era direto.

2 =

, elasticidade de vendas relativamente à publicidade

0,045539, significam que se os gastos em publicidade acrescem em 1%, as vendas variam 0,045% no mesmo sentido.

C) Sales i = (=) ln (sales i ) = (β 1 + β 2 advert i +u i ).ln(e) (=) ln (sales i ) = β 1 + β 2 advert i +u i

No Eviews: log(sales) c advert Guardar: Name pedido_2c

l og(sales) c advert Guardar: Name – pedido_2c = 4,302594 + 0,023084advert i 1 = E(

= 4,302594 + 0,023084advert i

1 = E(

| advert i =0) = 4,302594 (=)

(=)(

=

(=)

(=) (

| advert i =0) = 73,84166

Quando os gastos em publicidade forem igual a 0, espera-se que as vendas sejam de 73,84166 mil USD.

2 =

= 0,023084,

a variação percentual das vendas por 1 unidade de gastos em publicidade. Um aumento de 1000 USD gera um aumento de 2,3% nas vendas.

Sucessivos acréscimos dos gastos de publicidade no mesmo montante, causam aumentos muito maiores nas vendas.

D) Sales i = β 1 + β 2

+ u i

No Eviews: sales c log(advert) Guardar: Name pedido_2d

(=)

1 = E (=)

1 + = 75,69792 + 3,430291

=

2

(=)

|

) = 75,69792 (=) | advert i =1) = 75,69792

Quando os gastos em publicidade são de 1000 USD, estimamos que as vendas sejam de 75,69792 mil USD.

i =1) = 75,69792 Quando os gastos em publicidade são de 1000 USD, estimamos que as

2 =

=

2 = = = 3,420291 = 3,430291 x 1 x 100% 3,420291 é a estimativa da

= 3,420291

= 3,430291 x

1 x 100%

3,420291 é a estimativa da variação das vendas provocada por uma variação dos gastos em publicidade são de 100%. As vendas aumentam 3,43 mil USD quando os gastos em publicidade aumentam 100% ou quando os gastos em publicidade aumentam 100%, as vendas crescem 3,43 mil USD.

3. Na questão 2.

4. R 2 = serve para comparar o coeficiente de determinação, precisamos das mesmas variáveis dependentes e a mesma amostra.

R-Squared => R 2

0<R 2 <1 O Modelo 4 explica 7,8% da variação das vendas em torno da média amostral. O modelo 2 explica 8,2% da variação do logaritmo das vendas em torno da média amostral e o modelo 3 explica 5,1% da variação do logaritmo das vendas em torno da média amostral. O modelo 1 explica 4,9% da variação das vendas em torno da sua média amotral.

R 2 (1) < R 2 (4) R 2 (2) > R 2 (3)

R 2 (1) < R 2 (4) R 2 (2) > R 2 (3) Quanto maior

Quanto maior o R 2 , menor o erro. Neste caso, o erro é enorme!

5. A) Modelo 1 : sales i = β 1 + β 2 advert i + u i

(1)

H0:

H1: β 2

β 2 = 0

0

(2)

t obs =

(=)

t obs =

2 β 2 = 0 0 (2) t o b s = – (=) t o

= > Std. Error

(3) decisão:

t obs |t crítico

p-value|α

(=) t obs = 1,946052

Sempre que não for dado, o nível de significância com que trabalharemos, será de 5%, com um nível de confiança de 95%.

t t(n-2)

t c (73) α=0,05/2 = 1,992

Na tabela => t c (60) = 2,000 t c (120) = 1,98

(consideramos estas duas probabilidades pois na tabela não consta 73 graus de liberdade) Utilizaremos o tc(120)=1,98 por ser o menor .

-1,98 < β 2 < 1,98 => t obs Є RC => não rejeitamos H0

No Eviews podemos calcular a probabilidade exata para quaisquer graus de liberdade:

=@qtdist(1-α, df)

Neste caso, escrevemos:

=@qtdist(0.975,73)

1-α= 1-0,025= 0,975 (estamos em teste bilateral, temos que dividir o alfa por 2) Df => graus de liberdade

Em baixo aparece scalar=1,992…

Quer dizer que :

t obs =1,946052 < tc=1,992

Quer dizer que : t o b s =1,946052 < tc=1,992 Conclusão: os gastos em publicidade

Conclusão: os gastos em publicidade não afetam significativamente o valor das vendas.

(4) Podemos chegar à mesma conclusão através do p-value.

P-value => Prob (F-Statistic), mas isto só é possível para testes bilaterais, quando os testes não são bilaterais, o p-value calcula-se de outra maneira.

p-value=0,0555 > α=0,5 => Não rejeitamos H0. α representa o valor mais baixo que permite rejeitar a hipótese.

Modelo 2:

=

+ β 2 *

(1) H0: β 2 =0 H1: β 2 0

(2)

(3) t(120)=1,98 t(73) < tobs => rejeitamos H0

t obs =

= 2,553064

t(73)=1,992

+ u i

(4) p-value = 0,012768 p-value < α => rejeitamos H0

Modelo 3:

= β 1 + β 2 advert i + u i

(1) H0: β 2 =0 H1: β 2 0

(2)

t obs =

(3) t(73) < t obs => rejeitamos H0

= 1,994815

(4) p-value = 0,049798 p-value < α => rejeitamos Ho

Modelo 4: sales i =β 1 + β 2

(1) H0: β 2 =0 H1: β 2 0

(2)

(3) t(73) < t obs => rejeitamos H0 (4) p-value=0,014729 p-value < α => rejeitar H0

t obs =

= 2,49834

+ u i

B)

 

Hipóteses

t

obs

t

c

t

obs |t c

Conclusão

Modelo 1

H0: β 2 =0 H1: β 2 >0

1,946052

1,6659

t

obs >t c

Rejeitamos H0

Modelo 2

H0: β 2 =0 H1: β 2 >0

2,553053

1,6659

t

obs >t c

Rejeitamos H0

Modelo 3

H0: β 2 =0 H1: β 2 >0

1,994803

1,6659

t

obs >t c

Rejeitamos H0

Modelo 4

H0: β 2 =0 H1: β 2 >0

2,498341

1,6659

t

obs >t c

Rejeitamos H0

Quando os testes são unilaterais, a probabilidade é feita com α=0.05

=@qtdist(0.095,73)

C) O objetivo é saber se a elasticidade é 1 ou se rejeitamos a hipótese.

 

Hipóteses

   

t

obs

 

t

c

t

obs |t c

Conclusão

Modelo 1

H0: β 2 =41,96 H1: β 2 41,96

   

= -45,18

t

c (73) α=0,05 =1,993

|t obs |>t c

Rejeitar H0

Modelo 2

H0: β 2 =1 H1: β 2 1

   

= -53,51

 

t

c (73) α=0,05 =1,993

|t obs |>t c

Rejeitar H0

Modelo 3

H0: β 2 = 0,5423 H1: β 2 0,5423

   

= -44,87

t

c (73) α=0,05 =1,993

|t obs |<t c

Rejeitar H0

Modelo 4

H0: β 2 =77,37 H1: β 2 ≠77,37

   

= -53,85

t

c (73) α=0,05 =1,993

|t obs |<t c

Rejeitar H0

No modelo 2:

 

β 2 =

= 1 =>elasticidade

 

Para os restantes modelos:

   

1)

=

.

=1 (=)

=

2

= 1(=)

2 =

 

(=)

2 =

= 41,96

2)

=

2

3)

=

advert i =1 (=)

β 2 .

=1

(=) β 2 =

(=)

2 =

= 0,5423

 
       

4)

=

.

= 1 (=)

β 2 .

=1 (=)

2 =

= 77,37

No modelo 1, 3 e 4, como o objectivo é

=

Para isso temos que multiplicar o β 2 pelas variáveis necessárias para que a elasticidade seja de acordo com esta fórmula. Para determinar as variáveis advert e sales, usamos a média amostral, porque não foi definido nenhum ponto onde calcular a elasticidade. Por exemplo, no modelo 3:

=

advert i =1

(=)

=

6.

1)

= 1,73 x

= 0,0413

 

2)

= 0,0455

3)

= 0,023 x 1,844 = 0,0426

 

4)

=

= 0,044

  2) = 0,0455 3) = 0,023 x 1,844 = 0,0426   4) = = 0,044

β 2

x

=1

(=)

= 1

EXERCÍCIO 3

1.

(a)

=

EXERCÍCIO 3 1. (a) = salário i = β 1 + β 2 lucro i +

salário i = β 1 + β 2 lucro i + u i

salário i = β 1 + u i

Não conseguimos chegar à média da variável salário através do primeiro modelo, mas conseguimos através do segundo. Então,

salário i = β 1 + u i

em que

1 =

i

logo

(b)

s. e. of regression :

=

1,601899 =

(=)

1,601899 2 =

 

(=)

i = 2,027517 = (i) = (j)

= 1141,906

(c) R 2 (1) = (d) 1 = 1,738 = 1 + (=) 2
(c) R 2 (1) =
(d) 1 = 1,738
= 1 +
(=)
2

SQE

=

SQT

=

1 +

=

2

1-

=

1-

=

1

= 0,137

(=) 2,027517 =

1 + 0,41353 * 0,700461 (=)

1 = 1,738

(e)

(f)

: t obs (β1) = : 1,601899
: t obs (β1) =
:
1,601899

(=) 20,88035 =

(=)

= 0,083

(=) 1,601899

(=)

= 0,049

sum sq. Dev. (lucro)=1061,223

(g) t obs =

(h)

R 2 (2) = 0

= 8,439

(l)

(=)

=

(=) 2,027517 =

(=)

= 906,3

EXERCÍCIO 4

1.

EXERCÍCIO 4 1. 2. A: sales i = β 1 + β 2 price i +
EXERCÍCIO 4 1. 2. A: sales i = β 1 + β 2 price i +

2. A: sales i = β 1 + β 2 price i + u i

[No Eviews: sales c price]

i = 121,9002 7,829074price i

O termo independente, neste modelo, não tem significado económico.

B: sales i = α 1 + α 2 price i + α 3 advert i + u i

[No Eviews: sales c price advert]

i = 118,9136 7,907854price i + 1,862584advert i

Quando advert i =0 e price i =0, estimava-se que sales=118,9136 mil USD. Por cada variação de 1USD, estimamos que sales variam no sentido contrário em cerca de 7 mil USD, mantendo tudo o resto constante.

α 2 =

de 7 mil USD, mantendo tudo o resto constante. α 2 = O efeito marginal é

O efeito marginal é sempre condicionado, se tudo o resto for constante.

C: sales i = δ 1 + δ 2 price i + δ 3 advert i + δ 4 advert i 2 + u i [No Eviews: sales c price advert advert^2]

2

i = 109,7190 7,64price i + 12,1524advert i 2,767963advert i Não podemos interpretar δ 3 e δ 4 . Não existe relação entre variações de maneira a que a interpretação das variáveis seja possível ou não.

3. A) sales i = α 1 + α 2 price i + α 3 advert i + u i H0: α 3 = 0 H1: α 3 ≠ 0

Teste t:

t obs =

= 2,726283

T

T obs > t crítico , ou seja, rejeitar H0

crítico =1,993

Teste F:

U

(

) : modelo 2: sales i = α 1 + α 2 price i + α 3 advert i + u i

R

(

) : vai ficar igual ao modelo 1: sales i = α 1 + α 2 price i + u i

=> estimar modelo

restrito

O modelo restrito é o modelo onde é imposta a condição que queremos testar, neste

caso, α 3 = 0

F obs =

=

= 7,432

F c(72)α=0,05 = @qfdist (

,

,

) = 3,974

m p-value = 0,008 < α = 0,05 => rejeitar H0

1-α

N-K

F obs > F c (1, 72) => rejeitar H0

Os gastos em publicidade não afectam significativamente as vendas.

 

B)

sales i = δ 1 + δ 2 price i + δ 3 advert i + δ 4 advert i 2 + u i

 
 

H0: δ 3 4 =0 H1: δ 3 ≠0 V δ 4 ≠0

Estamos a testar se as variáveis advert i e advert i 2 têm algum impacto

Estamos a testar se as variáveis advert i e advert i 2 têm algum impacto nas vendas.

Teste F:

 

U:

sales i = δ 1 + δ 2 price i + δ 3 advert i + δ 4 advert i 2 + u i

(modelo 3)

R:

sales i = δ1 + δ 2 price i + u i

(por acaso, é igual ao modelo 1)

F obs =

= 8,44136

F c (72)α=0,05 = 3,12576

F obs > F c (2, 72) => rejeitar H0

Rejeitar a hipótese de δ 3 4 =0, significa que as variáveis advert i e advert i 2 contribuem para a melhoria do ajustamento.

p-value=0,0005 < α=0,05 => rejeitar H0

NOTA:

O sinal do coeficiente não influencia a capacidade da variável explicar o comportamento das vendas.

C)

H0: δ 3 + 3,8δ 4 = 1 H1: δ 3 + 3,8δ 4 ≠ 1

Teste F:

(=)

δ 3 ≠ 1 - 3,8δ 4

U: sales i = δ 1 + δ 2 price i + δ 3 advert i + δ 4 advert i 2 + u i R: salesi = δ 1 + δ 2 price i + (1-3,4 )adverti + δ 4 advert i 2 + u i (=) (=) sales i = δ 1 + δ 2 price i + advert i – 3,8δ 4 advert i + δ 4 advert i 2 + u i (=) (=) sales i - advert i = δ 1 + δ 2 price i + δ 4 (advert i 2 3,8advert i ) + u i

+ δ 4 (advert i 2 – 3,8advert i ) + u i Vamos usar este

Vamos usar este modelo!

F obs =

F c (1, 71) α=0,05 = 3,976

= 0,936203

F obs < F c (1, 71) => não rejeitar H0

No EVIEWS:

Wald Test Na janela do modelo:

View Coefficient Diagnostics Wald Test

modelo: View – Coefficient Diagnostics – Wald Test Na janela escrevemos as restrições da seguinte forma:
modelo: View – Coefficient Diagnostics – Wald Test Na janela escrevemos as restrições da seguinte forma:

Na janela escrevemos as restrições da seguinte forma:

c(3)+3.8*c(4)=1

as restrições da seguinte forma: c(3)+3.8*c(4)=1 E aqui temos o Teste de Wald na linha do

E aqui temos o Teste de Wald na linha do F- statistic lemos o p-value (probability):

p-value = 0,3365 > α=0,05 => não rejeitar H0

D)

H0: δ 2 3 4 =0 H1: δ 2 ≠0 V δ 3 ≠0 V δ 4 ≠0

Teste F:

U: sales i = δ 1 + δ 2 price i + δ 3 advert i + δ 4 advert i 2 + u i R: sales i = δ 1 + u i

F obs =

= 24,459

F c (3, 71) α=0,05 = 2,73

F obs > F c (3,71) => rejeitar H0

p-value=0,0000 < α=0,05 => rejeitar H0

No EVIEWS:

Wald Test:

C(2)=C(3)=C(4)=0

F c (3,71) => rejeitar H0 p-value=0,0000 < α =0,05 => rejeitar H0 No EVIEWS: Wald

EXERCÍCIO 5

v. qualitativa => v. dummy i =

1, se i tem a característica

0, se não tem

masc = 1 se sexo = H masc = 0 se sexo = M

fem = 1 se sexo = M fem = 0 se sexo = H

masc + fem = 1

1. Para melhor vermos as estatísticas descritivas da variável sal, fazemos:

as estatísticas descritivas da variável sal , fazemos: (N=90) View – Descriptive Statistics & Tests –

(N=90)

View Descriptive Statistics & Tests Stats Table

– Descriptive Statistics & Tests – Stats Table Para sabermos a média do salário masculino e

Para sabermos a média do salário masculino e feminino temos que retirar a parte que lhes compete da amostra que nos é dada pela variável sal. Acabam por ser 2 sub-amostras. Para o salário masculino, sabemos que masc=1, então, impomos a condição que queremos.

. Acabam por ser 2 sub-amostras. Para o salário masculino, sabemos que masc=1, então, impomos a
. Acabam por ser 2 sub-amostras. Para o salário masculino, sabemos que masc=1, então, impomos a

Voltamos a abrir a variável sal, e já temos a sub-amostra respeitante ao salário masculino. Para

o feminino, fazemos o mesmo: Quick Sample, apagamos a condição anterior e escrevemos a nova: masc=0

apagamos a condição anterior e escrevemos a nova: masc=0 = 550,7143 (N=50) = 337,2543 (N=40) Para

= 550,7143 (N=50)

anterior e escrevemos a nova: masc=0 = 550,7143 (N=50) = 337,2543 (N=40) Para voltar a ter

= 337,2543 (N=40)

Para voltar a ter a amostra completa (N=90), temos que voltar ao Quick Sample e tirar a condição.

Outra alternativa:

Vamos criar uma série com as variáveis que acabamos de calcular:

fem=1-masc

sal_fem=sal*fem sal_masc=sal*masc Os salários serão de:

sal_fem = sal*fem

sal_fem = sal*fem = 337,2543

= 337,2543

sal_masc = sal*masc

sal_masc = sal*masc = 550,71432

= 550,71432

A

Estatística descritiva vê-se em

e não em mean

 

2.

A) sal i = β 1 + β 2 masc i + u i

 

1 = E (

i | masc i =0) = 337,2543 (salário feminino)

 

E

(sal i | masc i =1) = β 1 + β 2

E

(sal i | masc i =0) = β 1

E

(sal i | masc i =1) E(sal i | masc i =0) = β 1 + β 2 – β 1 = β 2

E

(

i | masc i =1) E (

i | masc i =0) =

2 = 213,46, isto é, a

diferença

homem é de cerca de 213,46€.

entre

os

salários

médios

de

uma mulher

e

um

= 2 = 213,46, isto é, a diferença homem é de cerca de 213,46€. entre os

C)

i) H0: β 2 = 0 H1: β 2 0

t obs = 11,44822

t

t obs > t c (88) => rejeitar H0

Rejeita-se a hipótese de ausência de discriminação, ou seja, há discriminação.

c (88)=1,987

ii)

H0:

β 2 = 0

H1:

β 2 > 0

t obs = 11,44822

t c (88) = 1,66235

t obs > t c (88) => rejeitar H0

3. (A2)

1 = E (

i = 550,7143 213,4600fem i

| fem=0) = 550,7143

NOTA: quando fem=0, significa que masc=1

2 = E (

(A3)

|fem=1) E (

|fem=0) = -213,46

i = 337,2543 fem i + 550,7143 masc i

1 = E (

i | fem i =1 masc i =0) = 337,2543

2 = E (

| fem i =1) E (

|masc i =1) = 550,7143

| fem i =1 ᴧ masc i =0) = 337,2543 2 = E ( | fem
| fem i =1 ᴧ masc i =0) = 337,2543 2 = E ( | fem

4. B) sal i = δ 1 + δ 2 exper i + v i Estimate equation (no quadro de baixo) sample > 1 90 if:

1)

If masc i =1 = 403,1019 + 14,70243 exper i

1 90 if: 1) If masc i =1 = 403,1019 + 14,70243 exper i 1 =
1 90 if: 1) If masc i =1 = 403,1019 + 14,70243 exper i 1 =

1 = E (

| exper i = 0) masc=1 = 403,1019, estima-se que um trabalhador do sexo masculino,

sem experiência, receberá um salário médio de cerca de 403,10€

2 = 14,70243 =

um salário médio de cerca de 403,10€ 2 = 14,70243 = m a s c =

masc=1 =14,70

=> por cada ano adicional de experiência, estimamos

que o salário médio de um homem aumenta 14,70€.

2)

If masc i =0 = 235,4085 + 8,973195 exper i

estimamos que o salário médio de um homem aumenta 14,70€ . 2) If masc i =0
estimamos que o salário médio de um homem aumenta 14,70€ . 2) If masc i =0

1 = 235,4085

2 = 8,973195 As interpretações são as mesmas de cima.

5.

a)

(C) sal i = τ 1 + τ 2 masc i + τ 3 exper i + Ԑ i

1 + τ 2 masc i + τ 3 exper i + Ԑ i i =

i = 199,5973 + 229,3482masc i + 12,12837exper i

1 = 199,5973 = E (

i | masc i =0 exper i =0), estima-se que

o salário de uma mulher, sem experiência, seja de cerca de

199,6€

2 = 229,3482 =

E i | masc i =1 exper i =0) E (

(

1 +

2 -

1 =

2

i | masc i =0 exper i =0) =

A diferença entre pessoas com a mesma experiência reside

no facto de que as pessoas do sexo masculino terão salários maiores em 229,35€ do que os salários femininos.

3 =

maiores em 229,35€ do que os salários femininos. 3 = = 12,12837, mantendo tudo o resto

= 12,12837, mantendo tudo o resto constante, para o

sexo masculino e feminino, por cada ano adicional de experiência, o salário aumenta 12,13€.

A dummy faz com que hajam duas equações consoante masc=1 V masc=0, porém, têm o mesmo declive.

No início são discriminados, mas ao longo do tempo, seriam tratados da mesma forma. Porém, como atrás vimos, isso não se verifica.

(D) sal i = 1 + ⱷ 2 exper i + 3 masc i *exper i + Ԑ i

i = 335,4850, estima-se que um

trabalhador, seja homem ou mulher, sem experiência, terá um salário médio de cerca de 335,48€.

1 = E (Sali | experi=0)

= 2 + 3 masc i => a variação do salário depende se

masc i =1 V masc i =0

| experi=0) = ⱷ 2 + ⱷ 3 masc i => a variação do salário depende

m a s c = 0 = ⱷ 2 = 2,189871, estima-se que, em média, masc=0 = 2 = 2,189871, estima-se que, em média, uma mulher, por cada ano

adicional de experiência, ganhe mais 2,18€.

m a s c = 1 = ⱷ 2 + ⱷ 3 = 2,189871 + masc=1 = 2 + 3 = 2,189871 + 17,40782 = 19,58, representa a diferença do

retorno à experiência entre um homem e uma mulher. Por cada ano de experiência adicional, um homem ganhará mais 17,41€ do que uma mulher, ou seja, ganhará 19,58€.

1 ), mas depois

podem os salários podem divergir. Sabemos que isto não acontece, pelo modelo B).

No início, tanto homens como mulheres são tratados de igual modo (

(E) sal i = ω 1 + ω 2 masc i + ω 3 exper i + ω 4 masc i *exper i + Ԑ i

i | masc i =0 exper i =0) = 235,4085,

estima-se que o salário de uma mulher, sem experiência, seja de cerca de 235,41€.

1

= E (

=

235,4085 + 167,6934 = 403,1019, estima-se que o salário médio masculino, sem experiência, é de cerca de 403,10€.

E

(Sali | masci=1

experi=0) =

ω 1

+

ω 2

403,10€. E (Sali | masci=1 ᴧ experi=0) = ω 1 + ω 2 = ω 3

= ω 3 + ω 4 masc i

experi=0) = ω 1 + ω 2 = ω 3 + ω 4 masc i Se
experi=0) = ω 1 + ω 2 = ω 3 + ω 4 masc i Se

Se masc i =0

ω 3

ω 2 = ω 3 + ω 4 masc i Se masc i =0 ω 3

salário feminino

se masc i =1 ω 3 + ω 4

ω 3 salário feminino se masc i =1 ω 3 + ω 4 salário masculino ω

salário masculino

ω 4 => parte do salário que o homem ganha a mais que a mulher.

3 = 8,973 =

que o homem ganha a mais que a mulher. 3 = 8,973 = m a s

masc=0

=> acréscimo de salário por ano adicional de experiência se o

trabalhador for do sexo feminino.

de experiência se o trabalhador for do sexo feminino. - 4 = 5,73 = m a
-
-
de experiência se o trabalhador for do sexo feminino. - 4 = 5,73 = m a

4 = 5,73 =

masc=1

masc=0 = ω 3 + ω 4 – ω 3 = ω 4 => diferença entre o salário

masculino e feminino por ano adicional de experiência. Um homem ganha mais 5,73€ que uma mulher.

b)

(C)

H0: τ 2 = 0

H1: τ 2 ≠ 0

t obs = 24,04240

p-value = 0 => para qualquer α≠0, rejeitamos H0.

(D)

H0: 3 = 0

H1: 3 ≠ 0

t obs = 17,24936

p-value=0 < α=0,05 => rejeitar H0

(E)

H0: ω 2 = 0 H1: ω 2 ≠ 0

t obs = 9,548

p-value=0 <α=0,05

rejeitar H0

H0: ω 4 = 0 H1: ω 4 ≠ 0

H0: ω 2 = ω 4 =0 H1: ω 2 ≠0 V ω 4 ≠ 0

tobs = 4,055

(Wald Test)

p-value=0,001< α=0,05

Fobs = 348,547

rejeitar H0

p-value = 0 < α = 0,05

rejeitar H0

EXERCÍCIO 6

1. cons i = β 1 + β 2 rend i + β 3 riq i + u i

cons i = 24,77473 + 0,941537rend i 0,042435riq i

(3,669)

(1,144)

(-0,52)

i – 0,042435riq i (3,669) (1,144) (-0,52) t = a) H0: β 2 = 0 H1:

t =

i – 0,042435riq i (3,669) (1,144) (-0,52) t = a) H0: β 2 = 0 H1:

a)

H0: β 2 = 0 H1: β 2 ≠ 0

t obs =

= 1,144172

p-value = 0,29 > α = 0,05

Não rejeitar H0

H0: β 3 = 0 H1: β 3 ≠ 0

t obs = =

= -0,526062

p-value = 0,6151 > α = 0,05

Não rejeitar H0

Pelo que vemos, não há nenhuma variável significativa, ao contrário do modelo.

b) H0: β 2 = β 3 = 0 H1: β 2 ≠ 0 V = β 3 0

R: cons i = β 1 + u i U: cons i = β 1 + β 2 rend i + β 3 riq i + u i

F obs =

= 92,40196

F(0.95, 2, 9) = 4,7374

F obs > F c => rejeitar H0

p-value = 0,000009 < α = 0,05 => rejeitar H0

c)

Abrir as variáveis rend i e riq i como grupo Covariance Analysis escolher só Correlation ok

Covariance Analysis – escolher só Correlation – ok t o b s = 2. (B) H0:
Covariance Analysis – escolher só Correlation – ok t o b s = 2. (B) H0:

t obs =

2.

(B) H0: β 2 = 0 H1: β 2 ≠ 0

= 14,24317

p-value = 0,000001 < α = 0,05

Rejeitar H0

14,24317 p- value = 0,000001 < α = 0,05  Rejeitar H0 Corr (rend,riq) = 0,998962

Corr (rend,riq) = 0,998962

Correlação muito forte

(C) H0: β 3 = 0 H1: β 3 ≠ 0

t obs =

= 13,29166

p-value = 0,000001 < α = 0,05

Rejeitar H0

O

consumo semanal (em u. m.) da família i é afetado pelo seu rendimento semanal disponível

e

pela sua riqueza.

EXERCÍCIO 7

1. P i = β 1 + β 2 AT i 3 AH i + β 4 AH i 2 + β 5 QT i + u i

H1: AT i = 0 H0: AT i ≠ 0

t obs = 3,060159

tc (83) = 1,9889

t obs >t c (83) => rejeitar H0

p-value = 0,003 < α = 0,05 => rejeitar H0

2. α 1 + α 2 AT i + α 3 AH i + α 4 AH i 2 + α 5 QT i +

=

+

α 6 AT i 2 + α 7 AH i 2 + α 8 AH i 4 + α 9 QT i 2 +

+

α 10 AT i *AH i + α 11 AT i *AH i 2 + α 12 AT i *QT i +

+

α 13 AH i 3 + α 14 AH i *QT i + α 15 AH i 2 *QT i + v i

Retiramos α 7 AH i 2 , pois é repetida, igual a α 4 AH i 2 . Então o modelo fica:

= α 1 + α 2 AT i + α 3 AH i + α 4 AH i 2 + α 5 QT i +

+ α 6 AT i 2 + α 8 AH i 4 + α 9 QT i 2 +

+ α 10 AT i *AH i + α 11 AT i *AH i 2 + α 12 AT i *QT i +

+ α 13 AH i 3 + α 14 AH i *QT i + α 15 AH i 2 *QT i + v i

i *QT i + α 1 5 AH i 2 *QT i + v i Χ

Χ 2 (m) => número de variáveis explicativas m associadas => 14

1

, k => número de parâmetros do modelo original

k=5

m=

- 1

= 15 -1 =

14
14

H0: α 2 = … = α 14 = 0 (homocedasticidade) (excluindo α 7 )

H1: Ǝ j = 2, , 14 : αj ≠ 0 (heterocedasticidade)

n*R 2 = 88*0,381430 = 33,5658 => valor observado da estatística para o Procedimento de White

= @qchisq (0.95, 13) = 22,36

n*R 2 >

=> rejeitar H0

No EVIEWS:

No modelo original: View Residual Diagnostic Heterocedastic Test White

p-value => Prob. Chi-Square (13) = 0,0014 em frente ao Obs*R-Squared

Prob. Chi-Square (13) = 0,0014 em frente ao Obs*R-Squared 3. Estimate (no modelo original) – Options
Prob. Chi-Square (13) = 0,0014 em frente ao Obs*R-Squared 3. Estimate (no modelo original) – Options
Prob. Chi-Square (13) = 0,0014 em frente ao Obs*R-Squared 3. Estimate (no modelo original) – Options

3. Estimate (no modelo original) Options White Ok

O Procedimento de White corrige os desvios-padrões.

3. Estimate (no modelo original) – Options – White – Ok O Procedimento de White corrige
3. Estimate (no modelo original) – Options – White – Ok O Procedimento de White corrige
4. H0: β 2 = 0 H1: β 2 ≠ 0 t o b s

4. H0: β 2 = 0 H1: β 2 ≠ 0

t obs = 1,684047

t c (83) = 1,9889

=> não rejeitar H0

NOTA:

Os desvios alteraram-se.

p-value = 0,0959 > α = 0,05 => não rejeitar H0

c/ Dados seccionais -> O Procedimento de White é o primeiro a fazer-se c/ os outros -> só se fazem os que forem pedidos.

Se não rejeitamos H0 significa que β 2 = 0, isto é, o preço da área total do terreno pode ser qualquer preço que não influencia o preço de venda da habitação em USD.

=β 3 + 2β 4 5. (U)
=β 3 + 2β 4
5.
(U)

i

de venda da habitação em USD. =β 3 + 2β 4 5. (U) i Quanto varia

Quanto varia o preço da casa por unidade adicional de

m 2 da habitação.

C: P i =

+

AT i +

AH i +

NC: P i =

+

AT i +

AH i +

+

QT i + u i

+

QT i + u i

H0:

=

H1:

F =

 
 

If col = 1 :

=

If col = 0 :

(R):

=

=

F obs =

= 2,252

No Teste de Chow, m=k.

Não rejeitar H0

No EVIEWS:

No modelo original: View Stability Diagnostic Chow Breakpoint Test - 1ª observação da 2ª sub-amostra

No modelo original: View – Stability Diagnostic – Chow Breakpoint Test - 1ª observação da 2ª
28
28
No modelo original: View – Stability Diagnostic – Chow Breakpoint Test - 1ª observação da 2ª
No modelo original: View – Stability Diagnostic – Chow Breakpoint Test - 1ª observação da 2ª
No modelo original: View – Stability Diagnostic – Chow Breakpoint Test - 1ª observação da 2ª

Pelo Teste de Gujarati:

P i = β 1 + β 2 AT i + β 3 AH i + β 4 AH i 2 + β 5 QT i + β 6 col i + + β 7 col i *AT i + β 8 col i *AH i + β 9 col i *AH i 2 + β 10 col i *QT i + u i

H0: β 6 = … = β 10 = 0

H1: Ǝ j = 6, …, 10 : β j ≠ 0

Estimar este modelo, usar o Wald Test:

Wald Test => C(6)=C(7)=C(8)=C(9)=C(10)=0

F statistic = 2,251608

p-value = 0,0573 > α = 0,05 => Não rejeitar H0

F s t a t i s t i c = 2,251608 p-value = 0,0573 >
F s t a t i s t i c = 2,251608 p-value = 0,0573 >
F s t a t i s t i c = 2,251608 p-value = 0,0573 >

EXERCÍCIO 8

1. ln (COMB t ) = β 1 + β 2 ln (FISC t ) + β 3 ln (BRENT t ) + u t

Para prever a auto correlação de um modelo, podemos fazê-lo facilmente com o EVIEWS:

a) Criar variável erro=resid

b) Abrir série erro - Graph Options Axes abd Soalling Zero line background

c) Graph Options Graph Elements Symbol/Obs. label : 2ª

Options – Graph Elements – Symbol/Obs. label : 2ª Criar erro1=erro(-1) => série desfasada Erro de
Options – Graph Elements – Symbol/Obs. label : 2ª Criar erro1=erro(-1) => série desfasada Erro de
Options – Graph Elements – Symbol/Obs. label : 2ª Criar erro1=erro(-1) => série desfasada Erro de

Criar erro1=erro(-1) => série desfasada Erro de janeiro da série “erro” é o erro de fevereiro da serie desfasada

=> série desfasada Erro de janeiro da série “erro” é o erro de fevereiro da serie

“erro(-1)”

=> série desfasada Erro de janeiro da série “erro” é o erro de fevereiro da serie

Para confirmar a auto correlação:

- Abrir as 2 variáveis erro e erro(-1) (erro(-1) primeiro, pois tem que ficar no eixo das abcissas)

- Graph Options Specific: Scatter Parece auto correlação positiva

A conclusão deve ser a mesma.

correlação positiva  A conclusão deve ser a mesma. 2. DW = 1,275778 Auto correlação –

2.

DW = 1,275778

Auto correlação u t

AR(1) : u t =

u t-1 +

t ,

|

| < 1

u t AR(1) : u t = u t - 1 + t , | |

H0:

= 0 (ausência de correlação)

H1:

> 0 (auto correlação positiva) as nossas suspeitas é de que a auto correlação é positiva,

pelo que vimos acima.

que a auto correlação é positiva, pelo que vimos acima. Quando auto correlação é zero =>

Quando auto correlação é zero =>

=1

Quando auto correlação é 4 =>

= -1

DW

No exercício temos:

2 (1 -

)

DW

dL

dU

4 => = -1 DW No exercício temos: 2 (1 - ) DW dL dU 0
4 => = -1 DW No exercício temos: 2 (1 - ) DW dL dU 0
4 => = -1 DW No exercício temos: 2 (1 - ) DW dL dU 0
4 => = -1 DW No exercício temos: 2 (1 - ) DW dL dU 0
4 => = -1 DW No exercício temos: 2 (1 - ) DW dL dU 0

0

1,27

1,391

1,600

2

4

Auto correlação positiva
Auto correlação positiva
auto correlação negativa
auto correlação negativa

Para ver os valores críticos na tabela:

T número de observações

k’ = k-1, em que k’ – número de variáveis explicativas e k número de parâmetros log (COMB t ) = β 1 + β 2 log (FISC t ) + β 3 log (BRENT t ) + u t

k’ = 2 ; T = 40

=> dL = 1,391

;

dU = 1,600

) + u t k’ = 2 ; T = 40 => dL = 1,391 ;

A ideia é ver se está entre o valor crítico e 0 ou entre o valor crítico e 2. Como está mais perto

do valor crítico e de 0, concluímos que tem auto correlação positiva.

Rejeita-se H0.

0 < DW < dL => rejeitar H0 => auto correlação positiva.

A tabela de Durbin-Watson dá-nos um intervalo e só testa auto correlação de ordem 1.

3. Teste à presença de auto correlação de 1ª ordem ou outra ordem qualquer. Para testar a presença de autocorrelação de ordem superior a 1, usamos o Teste de Breusch-Godfrey.

Processos AR(p) => auto correlação de ordem p

u t =

1 u t-1 +

2 u t-2 + … +

p u t-p +

t

p u t = 1 u t-1 + 2 u t-2 + … + p u

processo mais geral,

anteriores (vários).

em que

o

valor atual depende

dos valores

H0:

H1:

1 =

1 ≠ 0 V

2 = … =

p = 0

2 ≠ 0 V … V

p ≠ 0

(ausência de auto correlação) (presença de auto correlação)

p=2:

u u t =

t

AR(2)

1 u t-1 +

2 u t-2 +

t

1)

H0:

H1:

1 =

1 ≠ 0 V

2 = 0

2 ≠ 0

2)

Obter os resíduos:

e t = α 1 + α 2 log(FISC t ) + α 3 log(BRENT t ) +

Criar variável : e t-1 => já foi criada na alínea 1;

e t-2 => erro2=erro(-2) Estimar => erro c log(fisc) log(brent) erro1 erro2 Equação auxiliar estimada

1 e t-1 +

=> erro c log(fisc) log(brent) erro1 erro2 Equação auxiliar estimada 1 e t - 1 +

2 e t-2 + v t

=> erro c log(fisc) log(brent) erro1 erro2 Equação auxiliar estimada 1 e t - 1 +

T*R 2 = 38*0,177121 =

6,7306
6,7306

2 (p=2)α=0,05 = @qchisq(0.95, 2) = 5,991 => distribuição Qui-Quadrado

T*R 2 >

2 c => rejeitar H0 (presença de auto correlação)

No EVIEWS:

No modelo original View Residual Diagnostic Serial Correlation Lags: 2 OK

Diagnostic – Serial Correlation – Lags: 2 – OK 6,7306 Obs*R- squared = 7,18 ≠ Isto
6,7306
6,7306

Obs*R-squared = 7,18 ≠ Isto porque,

T*R 2 = 7,185575 p-value = 0,0275 < α=0,05 => rejeitar H0

O resultado da estatística de teste é diferente, mas a conclusão é a mesma.

4. No modelo original Estimate options HAC (Newey West)

é diferente, mas a conclusão é a mesma. 4. No modelo original – Estimate – options
é diferente, mas a conclusão é a mesma. 4. No modelo original – Estimate – options

5.

H0: β 2 = 1 H1: β 2 ≠ 1 Usamos o modelo testado com Newey-West para os

t obs =

= -2,53

t(40) α=0,05 = 2,026 => @qtdist(0.975,

|t obs | > t c => rejeitar H0

37 )
37
)

40-

3
3

parâmetros

Quando os impostos variam, os preços não variam na mesma proporção.

6. log(comb) c log(fisc) log(brent) ar(1)

NLS
NLS

supondo u t

AR(1)

Mínimos quadrados não lineares

na mesma proporção. 6. log(comb) c log(fisc) log(brent) ar(1) NLS supondo u t AR(1) Mínimos quadrados