Académique Documents
Professionnel Documents
Culture Documents
Claramente vemos que existe um efeito sazonal. Normalmente, ao final de cada ano,
temos o menor valor da varivel. Para isso rodamos uma regresso de ld_Q em ld_P
com as quatro dummies sazonais, sem a constante, evitando o problema de
colinearidade exata, o que omitiria a quarta dummy sazonal.
Modelo 2: Mnimos Quadrados (OLS), usando as observaes 1997:2-2008:4 (T = 47)
Varivel dependente: ld_Q
Coeficiente Erro Padro
razo-t
p-valor
ld_P
dq1
dq2
dq3
dq4
-0,694593
-0,0538722
0,0583303
0,191301
-0,0995969
0,404812
0,0276341
0,0266906
0,0263649
0,0263579
0,022721
0,349855
0,637839
18,49266
48,46893
-77,68711
-0,108843
-1,7158
-1,9495
2,1854
7,2559
-3,7786
0,09356
0,05794
0,03449
<0,00001
0,00049
*
*
**
***
***
0,144915
0,091268
0,603348
7,85e-09
-86,93785
-83,45674
2,070496
0,017118
0,288799
0,678456
16,87992
51,35415
-79,73646
-0,022664
razo-t
-1,5901
-2,2635
1,0804
7,7269
-2,0815
-0,8693
p-valor
0,11967
0,02910
0,28644
<0,00001
0,04383
0,38985
**
***
**
0,141277
0,084970
0,638262
5,94e-09
-90,70831
-86,59819
-0,499437
Novamente, como ambos os p-valores so altos, podemos aceitar a hiptese nula de que
no h auto-correlao sobre os erros.
g)
Caso os estimadores tenham correlao serial dos erros, temos que os estimadores no
so BLUE, ou seja, eficientes. Como nos testes realizados anteriores temos p-valores
altos, podemos concluir que a hiptese nula aceita por esses testes, e que no h autocorrelao entre os erros.
Porm tais testes s valem se a hiptese de exogeneidade estrita valer, logo, pelos
motivos explicados nos itens anteriores, esses testes no so vlidos.
1.2)
a)
Model 1: OLS, using observations 1998:1-2008:4 (T = 44)
Dependent variable: ld_Q
const
ld_P
ld_P_1
ld_P_2
ld_P_3
dq1
dq2
dq3
ld_Q_1
ld_Q_2
ld_Q_3
Mean dependent var
Sum squared resid
R-squared
F(10, 33)
Log-likelihood
Schwarz criterion
rho
Coefficient
-0.0704812
-0.55724
-0.0772672
0.757991
-0.488874
0.0285017
0.0893542
0.256527
-0.0852824
-0.127359
0.0401537
Std. Error
0.0427036
0.459121
0.424282
0.416449
0.505434
0.0634929
0.0658163
0.0540379
0.184727
0.179506
0.169405
0.019021
0.227065
0.726860
8.781713
53.43426
-65.24244
0.023020
t-ratio
-1.6505
-1.2137
-0.1821
1.8201
-0.9672
0.4489
1.3576
4.7472
-0.4617
-0.7095
0.2370
p-value
0.10833
0.23347
0.85661
0.07782
0.34046
0.65644
0.18379
0.00004
0.64735
0.48300
0.81410
***
0.139043
0.082950
0.644090
8.24e-07
-84.86853
-77.59023
1.906095
b)
-0.55724
-0.077267
2
0.757991
+ -0.488874
= -0.3653902
1(-0.0852824
-0.127359
0.0401537)
= 1.1724877
-0.3653902 / 1.1724877 = -0.311636702
O valor estimado faz sentido econmico porque ele demonstra a relao inversa entre
preo e quantidade. AO longo que o preo aumenta, menos quantidade ser demandada.
c)
Breusch-Godfrey test for autocorrelation up to order 4
OLS, using observations 1998:1-2008:4 (T = 44)
Dependent variable: uhat
coefficient std. error t-ratio p-value
-------------------------------------------------------const
0.129854
0.187979 0.6908 0.4952
ld_P
-0.0512706 0.489540 -0.1047 0.9173
ld_P_1 -0.407447
0.753137 -0.5410 0.5926
ld_P_2 -0.257891
0.577783 -0.4463 0.6587
ld_P_3
0.412603
0.816525 0.5053 0.6172
dq1
-0.107479
0.205072 -0.5241 0.6042
dq2
-0.176028
0.220263 -0.7992 0.4307
dq3
-0.143786
0.218593 -0.6578 0.5159
ld_Q_1 -0.655466
1.02073 -0.6422 0.5258
ld_Q_2 -0.434228
0.588503 -0.7379 0.4665
ld_Q_3 -0.191065
0.530266 -0.3603 0.7212
uhat_1
0.681584
1.01502 0.6715 0.5072
uhat_2
0.435574
0.581183 0.7495 0.4596
uhat_3
0.0243024 0.474313 0.05124 0.9595
uhat_4
0.0262338 0.236416 0.1110 0.9124
Unadjusted R-squared = 0.034613
Test statistic: LMF = 0.259940,
with p-value = P(F(4,29) > 0.25994) = 0.901
Alternative statistic: TR^2 = 1.522962,
2)
a)
nulldata 101
setobs 1 1 --time-series
smpl 1 1
series y=0
series x=0
series u=0
series v=0
smpl 2 101
scalar rej = 0
scalar somacoef = 0
loop 1000 --quiet
genr u=normal()
genr v=normal()
genr y=y(-1)+u
genr x=x(-1)+v
ols y const x --quiet
genr somacoef=somacoef+$coeff(x)
genr est_t=abs($coeff(x)/$stderr(x))
genr p_valor=pvalue(t,98,est_t)
if p_valor < 0.025
genr rej = rej+1
endif
endloop
genr rej_pct = rej/1000
genr mediacoef=somacoef/1000
b)
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:21
? nulldata 101
periodicidade: 1, mxobs: 101,
intervalo das observaes: 1-101
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 101 (n = 101)
? smpl 1 1
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 101
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 2 - 101 (n = 100)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=y(-1)+u
> genr x=x(-1)+v
> ols y const x --quiet
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,98,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
Gerou-se o escalar rej_pct = 0,761
? genr mediacoef=somacoef/1000
Gerou-se o escalar mediacoef = 0,0266714
c)
A proporo de casos que H0 foi rejeitada foi de 0.761 (ou 76.1%). Essa proporo
claramente alta. Isso significa que em mais de trs quartos das 1000 observaes, a
hiptese nula foi rejeitada, fazendo com que B0 seja estatisticamente diferente de 0 em
76.1% dos casos.
d)
Sim, o valor (0,0266714) parece bem prximo de zero. Creio no fazer sentido porque
se em quase 80% dos casos B0 foi significativamente diferente de zero ao nvel de
significncia de 5%, creio que a mdia dos coeficientes deveria ser um pouco mais
afastada de zero.
e)
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:27
? nulldata 201
periodicidade: 1, mxobs: 201,
intervalo das observaes: 1-201
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 201 (n = 201)
? smpl 1 1
Intervalo completo dos dados: 1 - 201 (n = 201)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 201
Intervalo completo dos dados: 1 - 201 (n = 201)
Amostra atual: 2 - 201 (n = 200)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=y(-1)+u
> genr x=x(-1)+v
> ols y const x --quiet
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,198,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
Gerou-se o escalar rej_pct = 0,854
? genr mediacoef=somacoef/1000
Gerou-se o escalar mediacoef = -0,00167077
Comparando, temos uma proporo de rejeio quase que 10% maior e a mdia de
coeficientes ainda mais prxima de zero.
f)
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:29
? nulldata 501
periodicidade: 1, mxobs: 501,
intervalo das observaes: 1-501
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 501 (n = 501)
? smpl 1 1
Intervalo completo dos dados: 1 - 501 (n = 501)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 501
Intervalo completo dos dados: 1 - 501 (n = 501)
Amostra atual: 2 - 501 (n = 500)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=y(-1)+u
> genr x=x(-1)+v
> ols y const x --quiet
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,498,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
Gerou-se o escalar rej_pct = 0,903
? genr mediacoef=somacoef/1000
Gerou-se o escalar mediacoef = 0,000468254
gretl verso 1.8.4
nmero de observaes. Porm, quanto maior for a amostra, maior a chance de haver
uma maior quantidade de rejeies errneas, e o coeficiente ficar cada vez mais perto
de 0, visto que na verdade, deveramos estar validando cada vez mais a hiptese nula a
medida em que o nmero de amostras aumenta (isso de a regresso no fosse espria).
g)
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:40
? nulldata 101
periodicidade: 1, mxobs: 101,
intervalo das observaes: 1-101
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 101 (n = 101)
? smpl 1 1
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 101
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 2 - 101 (n = 100)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=0.5*y(-1)+u
> genr x=0.5*x(-1)+v
> ols y const x --quiet
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,98,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
h)
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:49
? nulldata 101
periodicidade: 1, mxobs: 101,
intervalo das observaes: 1-101
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 101 (n = 101)
? smpl 1 1
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 101
Intervalo completo dos dados: 1 - 101 (n = 101)
Amostra atual: 2 - 101 (n = 100)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=0.5*y(-1)+u
> genr x=0.5*x(-1)+v
> ols y const x --quiet --robust
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,98,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
Gerou-se o escalar rej_pct = 0,1
? genr mediacoef=somacoef/1000
Gerou-se o escalar mediacoef = 0,00387423
gretl verso 1.8.4
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 501 (n = 501)
? smpl 1 1
Intervalo completo dos dados: 1 - 501 (n = 501)
Amostra atual: 1 - 1 (n = 1)
? series y=0
Gerou-se a srie temporal y (ID 2)
? series x=0
Gerou-se a srie temporal x (ID 3)
? series u=0
Gerou-se a srie temporal u (ID 4)
? series v=0
Gerou-se a srie temporal v (ID 5)
? smpl 2 501
Intervalo completo dos dados: 1 - 501 (n = 501)
Amostra atual: 2 - 501 (n = 500)
? scalar rej = 0
Gerou-se o escalar rej = 0
? scalar somacoef = 0
Gerou-se o escalar somacoef = 0
? loop 1000 --quiet
> genr u=normal()
> genr v=normal()
> genr y=0.5*y(-1)+u
> genr x=0.5*x(-1)+v
> ols y const x --quiet --robust
> genr somacoef=somacoef+$coeff(x)
> genr est_t=abs($coeff(x)/$stderr(x))
> genr p_valor=pvalue(t,498,est_t)
> if p_valor < 0.025
> genr rej = rej+1
> endif
> endloop
? genr rej_pct = rej/1000
Gerou-se o escalar rej_pct = 0,064
? genr mediacoef=somacoef/1000
Gerou-se o escalar mediacoef = -0,000626232
gretl verso 1.8.4
Sesso atual: 2010-06-22 10:51
? nulldata 1001
periodicidade: 1, mxobs: 1001,
intervalo das observaes: 1-1001
? setobs 1 1 --time-series
Intervalo completo dos dados: 1 - 1001 (n = 1001)
? smpl 1 1
***
***
**
**
***
*
***
d_l_PT_2
d_l_PT_3
d_l_PT_4
d_l_PT_5
d_l_PT_6
time
-0,225888
-0,205263
0,584877
-0,0270013
-0,625475
0,00177134
0,197847
0,209419
0,211572
0,232269
0,231659
0,000609873
-1,142
-0,9802
2,764
-0,1163
-2,700
2,904
0,2620
0,3344
0,0094
0,9082
0,0110
0,0066
***
**
***
d)
Teste Aumentado de Dickey-Fuller, para d_l_Qd
incluindo 6 desfasagens de (1-L)d_l_Qd
dimenso de amostragem 40
hiptese nula de raiz unitria: a = 1
com constante e tendncia
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,093
diferenas defasadas: F(6, 31) = 2,469 [0,0455]
valor estimado de (a - 1): -2,52964
estatstica de teste: tau_ct(1) = -3,75396
p-valor assinttico 0,01895
Regresso aumentada de Dickey-Fuller
Mnimos Quadrados (OLS), usando as observaes 1999:1-2008:4 (T = 40)
Varivel dependente: d_d_l_Qd
coeficiente
erro padro
razo-t
p-valor
---------------------------------------------------------const
-0,00902421
0,0365178
-0,2471
0,8064
d_l_Qd_1
-2,52964
0,673858
-3,754
0,0190
d_d_l_Qd_1
1,07600
0,608697
1,768
0,0870
d_d_l_Qd_2
0,800318
0,547501
1,462
0,1539
d_d_l_Qd_3
0,743751
0,482831
1,540
0,1336
d_d_l_Qd_4
0,899062
0,392244
2,292
0,0288
d_d_l_Qd_5
0,696866
0,284315
2,451
0,0201
d_d_l_Qd_6
0,377673
0,169712
2,225
0,0335
time
0,00203566
0,00138157
1,473
0,1507
**
*
**
**
**
*
*
*
*
***
***
*
***
**
*
**
***
e)
Para as variveis l_Qd, l_P, l_PT (e sua primeira diferena: d_l_PT), temos p-valores
altos, o que nos faz concluir que aceitamos a hiptese nula de que, fazendo com que as
variveis analisadas possuam uma raiz unitria nos seus respectivos processos
geradores. J nas outras no mencionadas, vemos p-valores significativamente baixos,
rejeitando a hiptese nula, demonstrando que tais variveis no possuem uma raiz
unitria em seus processos geradores.
Logo, para as variveis que possuem uma raiz unitria em seu respectivo processo
gerador (l_Qd, l_P, l_PT (e sua primeira diferena: d_l_PT)), temos que as mesmas
4,592409
0,133305
0,772838
156,4989
73,16250
-138,5826
0,826686
razo-t
12,0282
12,5100
p-valor
<0,00001
<0,00001
***
***
0,111740
0,053833
0,767900
2,08e-16
-142,3250
-140,9107
0,272634
0,000000
0,229014
0,934325
654,4223
60,17508
-112,6078
0,621795
razo-t
-0,0000
25,5817
p-valor
1,00000
<0,00001
***
0,272385
0,070559
0,932898
7,63e-29
-116,3502
-114,9359
0,757679
a)
Devido a um alto R (acima de 75% em ambos os casos) e um baixo p-valor (para os
regressores das variveis explicativas) o que nos leva a concluso de que os coeficientes
so significantemente diferentes de 0 em um nvel de significncia de 1%, podemos
concluir que essas regresses parecem ser boas.
b)
Creio que possa haver problemas com as mesmas porque o processo gerador delas
composto por uma raiz unitria, fazendo assim com que tais regresses no sejam
estacionrias, gerando problemas para essas regresses.
c)
Como os valores de ambas estatsticas DW para as duas regresses no so prximas de
2, vemos que h uma auto-correlao dos erros, e como ambos valores so menores do
que 2, temos que essa auto-correlao positiva.
0.15
0.1
resduo
0.05
-0.05
-0.1
-0.15
1998
2000
2002
2004
2006
2008
0.1
0.08
0.06
resduo
0.04
0.02
-0.02
-0.04
-0.06
-0.08
-0.1
1998
2000
2002
2004
2006
2008
Ao analisar a srie de resduos, vemos que o grau de persistncia dos resduos bem
baixo, pelo fato da srie temporal demonstrar alta volatilidade ao longo dos trimestres.
Esse tipo de persistncia parece ser mais compatvel com processos estacionrios.
d)
Passo 1: teste para uma raiz unitria em l_P
Teste Aumentado de Dickey-Fuller, para l_P
incluindo 2 desfasagens de (1-L)l_P
dimenso de amostragem 41
hiptese nula de raiz unitria: a = 1
com constante e tendncia
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,013
diferenas defasadas: F(2, 36) = 2,634 [0,0856]
valor estimado de (a - 1): 0,0612593
estatstica de teste: tau_ct(1) = 1,12573
p-valor assinttico 0,9999
Passo 2: teste para uma raiz unitria em l_PT
Teste Aumentado de Dickey-Fuller, para l_PT
incluindo 6 desfasagens de (1-L)l_PT
dimenso de amostragem 41
hiptese nula de raiz unitria: a = 1
com constante e tendncia
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,044
diferenas defasadas: F(6, 32) = 3,790 [0,0058]
valor estimado de (a - 1): 0,049093
estatstica de teste: tau_ct(1) = 1,10539
p-valor assinttico 0,9999
Passo 3: regresso de cointegrao
Regresso de cointegrao Mnimos Quadrados (OLS), usando as observaes 1997:1-2008:4 (T = 48)
Varivel dependente: l_P
coeficiente erro padro razo-t p-valor
---------------------------------------------------------const
1,59223
0,0947495
16,80 5,15e-021 ***
l_PT
0,683726 0,0217185 31,48 2,71e-032 ***
time
-0,00411736 0,000295332 -13,94 6,09e-018 ***
Mdia var. dependente 4,592409 D.P. var. dependente 0,111740
Soma resd. quadrados 0,025061 E.P. da regresso
0,023599
R-quadrado
0,957294 R-quadrado ajustado 0,955396
Log da verossimilhana 113,2743 Critrio de Akaike -220,5487
Critrio de Schwarz -214,9351 Critrio Hannan-Quinn -218,4273
r
0,230267 Durbin-Watson
1,535189
Passo 4: teste para uma raiz unitria em uhat
Teste Aumentado de Dickey-Fuller, para uhat
incluindo 6 desfasagens de (1-L)uhat
dimenso de amostragem 41
hiptese nula de raiz unitria: a = 1
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,107
diferenas defasadas: F(6, 34) = 0,775 [0,5947]
valor estimado de (a - 1): -0,899056
estatstica de teste: tau_ct(2) = -2,74618
p-valor assinttico 0,3869
Existe evidncia de uma relao de cointegrao se:
(a) A hiptese de raiz unitria no rejeitada para as variveis individuais.
(b) A hiptese de raiz unitria rejeitada para os resduos (uhat) da
regresso de cointegrao.
Como os p-valores das variveis individuais so altos, aceitamos H0, fazendo com que a
hiptese de raiz unitria seja satisfeita. Porm, como o p-valor para os resduos da
regresso de cointegrao tambm alto, no rejeitamos a hiptese de raiz unitria.
Logo, no existe evidncia de uma relao de cointegrao, e sim de uma regresso
espria.
Passo 1: teste para uma raiz unitria em l_Qd
Teste Aumentado de Dickey-Fuller, para l_Qd
incluindo 4 desfasagens de (1-L)l_Qd
dimenso de amostragem 41
hiptese nula de raiz unitria: a = 1
com constante e tendncia
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,041
diferenas defasadas: F(4, 34) = 1,914 [0,1306]
valor estimado de (a - 1): -0,407417
estatstica de teste: tau_ct(1) = -2,43401
p-valor assinttico 0,3617
Passo 2: teste para uma raiz unitria em l_QTd
Teste Aumentado de Dickey-Fuller, para l_QTd
incluindo 5 desfasagens de (1-L)l_QTd
dimenso de amostragem 41
hiptese nula de raiz unitria: a = 1
com constante e tendncia
modelo: (1-L)y = b0 + b1*t + (a-1)*y(-1) + ... + e
coeficiente de 1 ordem para e: -0,064
diferenas defasadas: F(5, 33) = 1,959 [0,1109]
valor estimado de (a - 1): -0,97101
estatstica de teste: tau_ct(1) = -4,02751
0,272385
0,070240
0,933503
-115,8400
-113,7186
0,836465
razo-t
0,6587
4,4306
-0,2359
0,4772
1,8797
-2,0821
0,9908
-1,1795
1,8376
-2,2375
1,8543
-0,6838
0,0678
p-valor
0,51528
0,00012
0,81516
0,63679
0,07022
0,04627
0,32998
0,24780
0,07639
0,03310
0,07389
0,49952
0,94645
***
*
**
*
**
*
0,034244
D.P. var. dependente
0,272721
0,224322
E.P. da regresso
0,087950
0,926439
R-quadrado ajustado
0,895999
30,43569
P-valor(F)
3,47e-13
-0,044889
Durbin-Watson
1,970065
Testes-F com zero restries:
Todas as defasagens de l_Qd
F(6, 29) = 20,498 [0,0000]
Todas as defasagens de l_P
F(6, 29) = 1,083 [0,3956]
Todas as variveis, defasagem 6
F(2, 29) = 0,506 [0,6081]
Equao 2: l_P
const
l_Qd_1
l_Qd_2
l_Qd_3
l_Qd_4
l_Qd_5
l_Qd_6
l_P_1
l_P_2
razo-t
0,4676
1,4418
0,4445
0,1388
-0,8691
0,4224
1,0743
3,6580
-0,3265
p-valor
0,64358
0,16008
0,65998
0,89060
0,39193
0,67583
0,29155
0,00100
0,74641
***
l_P_3
l_P_4
l_P_5
l_P_6
0,173064
-0,0038617
0,0672979
0,137445
0,252916
0,267516
0,26805
0,205354
0,6843
-0,0144
0,2511
0,6693
0,49923
0,98858
0,80353
0,50859
4,578606
D.P. var. dependente
0,112756
0,022092
E.P. da regresso
0,027601
0,957618
R-quadrado ajustado
0,940081
54,60500
P-valor(F)
1,36e-16
0,041665
Durbin-Watson
1,884136
Testes-F com zero restries:
Todas as defasagens de l_Qd
F(6, 29) = 4,1284 [0,0041]
Todas as defasagens de l_P
F(6, 29) = 58,376 [0,0000]
Todas as variveis, defasagem 6
F(2, 29) = 0,66732 [0,5208]
log.L
117,67511
118,98885
122,84778
127,19170
130,37387
131,27495
132,75732
136,39004
141,20117
145,16195
152,78673
162,61711
p(LR)
0,62196
0,10248
0,06939
0,17354
0,77209
0,56374
0,12251
0,04730
0,09449
0,00421
0,00058
AIC
-6,204173
-6,054936
-6,047099
-6,066206
-6,020771
-5,848608
-5,708740
-5,688336
-5,733398
-5,731220
-5,932596
-6,256506*
BIC
-5,940253*
-5,615070
-5,431286
-5,274446
-5,053065
-4,704956
-4,389141
-4,192790
-4,061906
-3,883781
-3,909211
-4,057174
HQC
-6,112058*
-5,901411
-5,832164
-5,789861
-5,683015
-5,449443
-5,248164
-5,166350
-5,150003
-5,086414
-5,226381
-5,488881
razo-t
-0,3393
16,3600
0,3676
p-valor
0,73597
<0,00001
0,71492
***
0,008466
D.P. var. dependente
0,268871
0,425152
E.P. da regresso
0,098298
0,872151
R-quadrado ajustado
0,866340
150,0778
P-valor(F)
2,23e-20
-0,148941
Durbin-Watson
2,206930
Testes-F com zero restries:
Todas as defasagens de l_Qd
F(1, 44) = 267,65 [0,0000]
Todas as defasagens de l_P
F(1, 44) = 0,13514 [0,7149]
Equao 2: l_P
const
l_Qd_1
l_P_1
razo-t
0,6602
4,8379
23,4624
p-valor
0,51257
0,00002
<0,00001
***
***
4,590069
D.P. var. dependente
0,111753
0,033435
E.P. da regresso
0,027566
0,941799
R-quadrado ajustado
0,939154
356,0020
P-valor(F)
6,74e-28
-0,152749
Durbin-Watson
2,260790
Testes-F com zero restries:
Todas as defasagens de l_Qd
F(1, 44) = 23,405 [0,0000]
Todas as defasagens de l_P
F(1, 44) = 550,48 [0,0000]
i)
!!!!!!!!!!!!!!!!!!!!!!!
Tambm no sei porque, nesse item ao fazer a regresso o gretl para de funcionar.
J tentei baixar uma verso mais recente, mas nada muda
!!!!!!!!!!!!!!!!!!!!!!!