1

Capítulo 6 Soluções dos Exercícios

Soluções para os Exercícios do Capítulo 6

6.1 R2  1 
 eˆt2  0,71051
  yt  y 
2

  yt  y 
2
6.2 Para calcular R 2 , nós necessitamos do termo .

  yt  y    yt2  T y 2  788,5155
2

SQR 666,72
Portanto, R    0,8455
2

SQT 788,5155

6.3 De R2  1 
 eˆt2 1
(T  K )ˆ 2
SQT SQT

SQT (1  R 2 ) 552,36(1  0,7911)

nós temos, ˆ 2    6,4104
T K (20  2)

6.4 (a)
yˆt  5,83  8,69 xt*
xt
(1,23) (1,17) onde xt* 
10
(b)
yˆt*  0,583  0,0869 xt
yˆt
(0,123) (0,0117) onde yˆ t* 
10
(c)
yˆt*  0,583  0,869 xt*
yˆt x
(0,123) (0,117) onde yˆt*  e xt*  t
10 10

Os valores de R 2 permaneceriam os mesmos em todos os casos.

 2

Capítulo 6 Soluções dos Exercícios

6.5   yt  y  et   yt et  y  et    b1  b2 x t  et  y  et  b1  et  b2  x t et  y  et

Considere os termos  et e  x t et

 et    y t  b1  b2 x t    y t  Tb1  b2  x t  0

 x t et   x t  y t  b1  b2 x t    x t y t  b1  x t  b2  x t2  0
As últimas expressões em cada uma dessas equações se tornam zero tendo em vista as equações
normais que são utilizadas para as soluções por mínimos quadrados. Substituindo  et = 0 e
 x t et = 0 de volta na equação original, nós obtemos   y t  y  et  0 .

6.6 (a) As estimativas de mínimos quadrados da equação são dadas por

1 
%ˆ wt  1, 4284  8,7309  
u R2 = 0,393
 t 
(2,0355) (2,8038)

(b) Não existirá relação entre %w e (1/u) se 2 = 0. Assim, nós testamos H0: 2 = 0 contra
H1: 2  0. Dado que H0 é verdadeira, o valor da estatística do teste é
b2 8,7309
t   3,114
ep  b2  2,8038

Ao nível de significância de 5% e com 15 graus de liberdade, o valor crítico é tc = 2,131.

Como 3,114 > 2,131, o valor da estatística do teste cai na região de rejeição; nós
rejeitamos H0 e concluímos que existe uma relação entre %w e (1/u).
(c) Veja a Figura 6.1.
(d) A taxa de desemprego natural é dada pela solução da equação
8,7309
1, 4284  0
ut

8,7309
Assim, ut   6,11%
1, 4284

d  %w  8,7309
(e)  = 8,7309 quando u = 1
du u2
= 0,9701 quando u = 3
(f) O impacto de uma mudança na taxa de desemprego sobre a taxa de variação salarial é
dado pela inclinação da função, d  % w  du . Assim, o impacto é maior à medida que a
taxa de desemprego u se aproxima de zero e é menor à medida que u se aproxima do
infinito.

(g) O parâmetro 1 dá a menor porcentagem de variação possível nos salários. À medida que
u aumenta indefinidamente, a porcentagem de variação nos salários nunca será menor do
 3

Capítulo 6 Soluções dos Exercícios

que 1. Quando 1 é negativo, como sugere nossa estimativa, o decréscimo de porcentagem
nunca é maior do que 1. Nossa estimativa sugere que qualquer diminuição nunca será
maior do que 1,43%.
%w
8

0
0 1 2 3 4 5 6 7 8 9

u
-2

Figura 6.1 Curva de Phillips Estimada

(h) Uma estimativa de intervalo de 95% para 1 é dado por

b1  tc ep  b1   1, 4284   2,131  2,0355    5,77, 2,91

Esse amplo intervalo sugere que nossa estimativa pontual para 1 não é muito confiável. A
menor variação salarial possível poderia ficar entre um aumento de 2,91% e um
decréscimo de 5,77%.
Uma estimativa de intervalo de 95% para 2 é dado por
b2  tc ep  b2   8,7309   2,131  2,8038    2,76,14,71
Esse intervalo também é largo, fazendo com que seja difícil para nós dar uma maior
precisão sobre a provável influência da taxa de desemprego sobre a taxa de variação
salarial.

6.7 (a) O conhecimento da relação entre a taxa de variação salarial e a taxa de desemprego é
muito importante para formuladores de políticas governamentais e sindicatos. Usualmente,
os governantes gostam de segurar a inflação, mas o custo de se fazer isso pode ser um
aumento do desemprego. Sindicados estão sempre tentando negociar aumentos salariais
para seus empregados. Contudo, eles devem estar de sobreaviso porque, se os salários
subirem, menos trabalhadores poderão conseguir empregos. Um modelo econômico para
relacionar a taxa de variação salarial e a taxa de desemprego foi deduzido na Seção 6.3.2.
Ele é chamado de curva de Phillips e é dado por
 1
%w  1   2  
 u
 4

Capítulo 6 Soluções dos Exercícios

Um modelo estatístico correspondente é

 1
%wt  1   2    et
 ut 
onde algumas hipóteses estatísticas são necessárias para o termo de erro et. Nós
assumimos que os et são variáveis aleatórias normalmente distribuídas e independentes
com média zero e variância constante 2. Para estimar esse modelo, nós utilizamos um
conjunto de 18 observações sobre wt e ut para o período entre 1949 e 1966. O método de
estimação utilizado é o método linear de mínimos quadrados, fazendo a regressão de %wt
sobre 1/ut. Esse método nos dá a seguinte equação estimada
1
1, 4284  8,7309  

% w  ut 
t = R2 = 0,393
(2,0355) (2,8038)

onde os erros padrão estão nos parênteses. Nós esperaríamos que 1 < 0 e 2 > 0. Assim,
da equação estimada, b1 e b2 apresentam os sinais esperados. O erro padrão de b1 é 2,0355,
que é relativamente grande e faz com que b1 seja estatisticamente insignificante. A
estimativa para b2 é estatisticamente significante, mas, como nós descobrimos no Exercício
6.2(h), seu grande erro padrão leva a um largo intervalo de confiança que carrega pouca
informação econômica. Algumas das implicações econômicas foram discutidas nas
respostas do Exercício 6.2.
(b) Do Relatório Econômico para o presidente, nós podemos construir a seguinte tabela, onde
ut é a taxa de desemprego para todos os trabalhadores, wt é o ganho médio bruto por horas
em dólares correntes para todo o setor privado não agrícola e % wt  100( wt  wt 1 ) / wt 1 .

Ano wt ut %wt

1974 4,24 5,5 -

1975 4,53 8,3 6,8396
1976 4,86 7,6 7,2848
1977 5,25 6,9 8,0247
1978 5,69 6,0 8,3810
1979 6,16 5,8 8,2601
1980 6,66 7,0 8,1169
1981 7,25 7,5 8,8589
1982 7,67 9,5 5,7931
1983 8,01 9,5 4,4329

(c) A equação estimada para a curva de Phillips, utilizando dados para os anos compreendidos
entre 1975 e 1983 é
1
0,8311  47,851  

% w  ut 
t = R2 = 0,635
(1,8884) (13,712)
 5

Capítulo 6 Soluções dos Exercícios

onde os erros padrão estão nos parênteses. A estimativa b1 = 0,8311 sugere que o
crescimento dos salários anuais nunca cai abaixo de 0,83%, mesmo quando a taxa de
desemprego se torna muito alta. Esse resultado pode não ser muito real; nós podemos
esperar trabalhadores aceitando uma queda nos salários reais para taxas de desemprego
altas. Se assim for, b1 deveria ser negativo. O grande erro padrão de b1 (e sua conseqüente
insignificância) não descarta a possibilidade de 1 ser negativo. A estimativa b2 = 47,851
com ep(b2) = 13,712 é economicamente possível e significante. Contudo, o intervalo de
confiança resultante é ainda largo demais. Ele carrega pouca informação, embora o grande
valor de b2 sugere que variações salariais são muito sensíveis à taxa de desemprego.

6.8 (a) O resultado ryp2 = R 2 pode ser verificado utilizando um software. Seja
s 2y = variância amostral de y t = 2039,3
s 2p = variância amostral de y t = 646,70
s yp = covariância amostral de y t e y t = 646,70.

Então, o quadrado da correlação amostral entre yt e y t é dado por

 646,70 
2 2
s yp
r 
2
yp   0,3171  R 2
s y2 s 2p 646,7  2039,3

(b) De forma semelhante, s x2 = 39294 e s xy = 5041, produzindo

 5041
2
sxy2
r 
2
xy   0,3171  R 2
2 2
s s
x y 39294  2039.3

(c) Nós queremos demonstrar que

   xt  x   yt  y  
2
  yˆ  y
2
SQR
 
t
R 
2
  rxy2
 y  y   xt  x    yt  y 
2 2 2
SQT t

Agora,

  y t  y     b1  b2 x t  b1  b2 x   b22   x t  x 
2 2 2

 x  x   yt  y     x  x   yt  y  
2 2

   x  x 
t 2 t

  x 
t
2 2
  xt  x
2
t  x

Se submetermos essa expressão dentro daquela que é para R 2 , temos o resultado

esperado.

6.9 No modelo da curva de aprendizado, ln(ut )  1   2 ln(qt ) , 1 é o logaritmo do custo unitário

de produção para a primeira unidade produzida e 2 é a elasticidade do custo unitário em
relação à produção acumulada. Uma variação de 1% na produção acumulada leva a uma
variação de x % no custo unitário igual a 2.
 6

Capítulo 6 Soluções dos Exercícios

6.10 Veja a Figura 6.3

ln(x)
3

0
1 2 3 4 5 6 7 8 9 10

-1 x

-2

Figura 6.3 Gráfico de ln(x)

6.11 Os resultados estão sumarizados na seguinte tabela. Os erros padrão estão nos parênteses. A
mudança das unidades de y alteram b1 e b2, tornando-os 100 vezes menores. Mudanças nas
unidades de x somente influenciam b2, tornando-o 100 vezes maior. Quando tanto x como y são
reescalonados, b1 muda mas não b2.

Regressão b1 b2

(i) y sobre x 40,768 0,1283

(22,14) (0,0305)
(ii) y sobre x* 40,768 12,83
(22,14) (3,05)
(iii) y* sobre x 0,40768 0,001283
(0,2214) (0,000305)
(iv) y* sobre x* 0,40768 0,1283
(0,2214) (0,0305)

6.12 As equações estimadas, seus gráficos e os gráficos dos resíduos estão abaixo.
A primeira equação é
yˆt  0,6776  0,0161t
(0,0725) (0,0026) ep
(9,3427) (6,2533) t R 2  0, 4595
Os gráficos correspondentes são
2.5
2,5

2.0
2,0

1.5
1,5
1.0
1,0
1.0
1,0
0.5
0,5
0.5
0,5

0.0
0,0 0.0
0,0

-0.5
-0,5

-1.0
-1,0
50 55 60 65 70 75 80 85 90 95

Resíduo Real Ajust.

 7

Capítulo 6 Soluções dos Exercícios

A segunda equação é
yˆ t  0,5287  0,1855ln(t )
(0,1472) (0,0481) ep
(3,5909) (3,8545) t R 2  0, 2441

Os gráficos são

2.5
2,5

2.0
2,0

1.5
1,5

1.0
1,0 1.0
1,0

0.5
0,5
0.5
0,5
0.0
0,0
0.0
0,0

-0.5
-0,5

-1.0
-1,0
50 55 60 65 70 75 80 85 90 95

Resíduo
Resíduo Real Ajust.

A terceira equação é
yˆt  0,7914  0,000355 t 2
(0,0482) (0,000046) ep
(16,434) (7,7856) t R 2  0,5685
Os gráficos são
2.5
2,5

2.0
2,0

1.5
1,5

0.6
0,6 1.0
1,0
0.4
0,4
0.5
0,5
0.2
0,2
0.0
0,0
0.0
0,0

-0.2
-0,2

-0.4
-0,4

-0.6
-0,6
50 55 60 65 70 75 80 85 90 95

Resíduo Real Ajust.

Para escolher a equação preferida, nós temos que considerar

1. Os sinais de respostas dos parâmetros 2 ,  2 e  2 . Nós esperamos que eles sejam
positivos porque acreditamos que eles aumentam à medida que a tecnologia melhora.
Os sinais das estimativas de 2 ,  2 e  2 são os esperados.
 8

Capítulo 6 Soluções dos Exercícios

2. R 2 . O valor de R 2 para a terceira equação é o mais alto, de 0,5685.

3. Os gráficos das equações ajustadas e dos seus resíduos. A parte superior das figuras
mostra as equações ajustadas enquanto na parte inferior aparecem os resíduos.
Considere os gráficos das equações ajustadas, aquele obtido para a terceira equação
parece que ajusta melhor as observações. Em termos de resíduos, as primeiras duas
equações têm concentrações de resíduos positivos no fim da amostra. A terceira
equação fornece um balanceamento maior dos resíduos positivos e negativos através da
amostra.
A terceira equação é preferível.

6.13 Para testar H 0 : erros normalmente distribuídos para a equação preferida, equação 3, nós
precisamos dos valores da assimetria e da curtose. Eles são S = -0,08465 e k = 3,25607. A
estatística de teste é
T  2 (k  3) 2 
JB  S    0,188
6 4 

A hipótese H 0 é rejeitada se JB  (2) para um dado nível de significância. Como (2)  5,991
2 2

, ao nível de significância de 0,05, nós não rejeitamos H 0 . Portanto, não existe suficiente
evidência para concluir que a hipótese de distribuição normal não é razoável.
Diferentes software podem usar diferentes estimadores para assimetria e curtose; e alguns
reportam excesso de curtose ( k  3) como ‘kurtosis’. Por exemplo, o SAS calcula S  0,8741
e k  3  0, 4211 , levando a um valor de teste de JB  0, 416.

6.14 (a) Equação 1: yˆ0  0,6776  0,0161(49)  1, 4665

Equação 2: yˆ 0  0,5287  0,1855ln(49)  1, 2506

Equação 3: yˆ0  0,7914  0,0004(49) 2  1,7518

d yˆt ˆ
(b) Equação 1:  2  0,0161
dt

d yˆt 1
Equação 2:  ˆ 2  0,0038
dt t

d yˆt
Equação 3:  2 ˆ 2 t  0,0392
dt

(c) Equação 1, para t  49, yˆ0  1, 4665 e

d yˆt t ˆ t
 2  0,5379
dt yˆt yˆt
 9

Capítulo 6 Soluções dos Exercícios

Equação 2, para t  49, yˆ0  1, 2506 e

d yˆt t 1
 ˆ 2  0,1483
dt yˆt yˆt

Equação 3, para t0  49, yˆ 0  1,7518 , assim,

d yˆt t 2 ˆ 2 t 2
  1, 0965
dt yˆ t yˆt

d yt d yt t
As inclinações e as elasticidades dão a variação marginal na produção e
dt dt yt
a variação percentual na produção, respectivamente, que pode ser esperada da
mudança tecnológica no próximo ano. Os resultados mostram que o efeito previsto da
mudança tecnológica é totalmente sensível à escolha da forma funcional.

6.15 (a) Para domicílios com 1 criança,

^
wfood  1,0099  0,1495ln(totexp )
(0,0401) (0,0090) ep
(25,19) (-16,70) t R 2  0,3203
Para domicílios com 2 crianças,
^
wfood  0,9535  0,1294ln(totexp)
(0,0365) (0,0080) ep
(26,10) (-16,16) t R 2  0, 2206

Em termos de 2 , nós esperaríamos um valor negativo porque à medida que as

despesas totais aumentam, a participação de comida deveria diminuir. Em ambas
estimações obtemos os sinais esperados. Os erros padrão para b1 e b2 de ambas
estimações são relativamente pequenos, fazendo com que obtenhamos altos valores da
estatística t e estimativas significantes.
(b) Para domicílios com 1 criança, a despesa total média é 94,848 e
b1  b2  ln(totexp )  1 1,0099  0,1495 ln(94,848)  1
ˆ    0,5461
b1  b2 ln(totexp) 1,0099  0,1495ln(94,848)
Para domicílios com 2 crianças, a despesa total média é 101,17 e
b1  b2  ln(totexp )  1 0,9535  0,1294  ln(101,17)  1
ˆ    0,6366
b1  b2 ln(totexp) 0,9535  0,1294ln(101,17)
Ambas elasticidades são menores do que um; portanto, a alimentação é um fator de
necessidade.
 10

Capítulo 6 Soluções dos Exercícios

0.8 0.4

0.6 0.2
WFOOD1

RESID
0.4 0.0

0.2 -0.2

0.0 -0.4
3 4 5 6 3 4 5 6

X1 X1

Figura 6.4a Figura 6.4b

(c) As Figuras 6.4a e 6.4b são a curva ajustada e gráfico dos resíduos para domicílios com
1 criança. A função linear em wfood e ln(totexp) parece ser apropriada. Contudo, as
observações variam consideravelmente em torno da reta ajustada, o que é consistente
com o baixo valor de R 2 . De forma semelhante, a magnitude absoluta dos resíduos
declinam à medida que ln(totexp) aumenta. No Capítulo 11, nós vamos descobrir que
tal comportamento sugere a existência de heterocedasticidade.
As Figuras 6.5a e 6.5b são os gráficos para a equação ajustada e para os resíduos de
domicílios com 2 crianças. Eles são similares aos gráficos de domicílios com 1 criança,
indicando que a forma funcional é razoável.
Os valores de JB para testar H 0 : erros são normalmente distribuídos, são 10,7941 e
6,3794 para domicílios com 1 e 2 crianças, respectivamente. Como ambos valores são
maiores do que o valor crítico (2)  5,991 , nós rejeitamos H 0 . Os valores-p obtidos
2

são 0,005 e 0,041, respectivamente, confirmando que H 0 é rejeitada. Nós concluímos

que, para ambos os casos, os erros não são normalmente distribuídos. (Utilizando as
estimativas do SAS para assimetria e excesso de curtose, os valores de JB são 11,06 e
6,65, respectivamente.)

0,8 0,4

0,6 0,2
WFOOD2

RESID

0,4 0,0

0,2 -0,2

0,0 -0,4
3,5 4,0 4,5 5,0 5,5 6,0 3,5 4,0 4,5 5,0 5,5 6,0

X2 X2

Figura 6.5a Figura 6.5b

 11

Capítulo 6 Soluções dos Exercícios

food
6.16 Em virtude de wfood  , a equação (ignorando os termos de erro) passa a ser
totexp
food
 1  2 ln(totexp ) (1)
totexp

Ou food  1 (totexp )   2 (totexp ) ln(totexp )

d food
E  1  2  ln(totexp )  1 (2)
d (totexp )
A elasticidade das despesas com alimentação é definida como
d food (totexp )

d (totexp ) food
De (1) e (2) nós obtemos
1  2  ln(totexp )  1

1   2 ln(totexp )

6.17 (a) Para domicílios com 1 criança

^
wcomb.  0,3095  0,0486ln(totexp)
(0,0217) (0,0048) ep
(14,30) (-10,05) t R 2  0,1458
Para domicílios com 2 crianças:
^
wcomb.  0,3009  0,0464ln(totexp)
(0,0198) (0,0043) ep
(15,22) (-10,71) t R 2  0,1105
Nós esperamos que o combustível seja um bem de necessidade e à medida que as
despesas totais aumentam, a participação do combustível deveria diminuir. Assim, nós
esperamos que o sinal de 2 seja negativo. Ambas equações dão os sinais esperados.
Os erros padrão para b1 e b2 de ambas equações são relativamente pequenos, fazendo
com que tenhamos altos valores para a estatística t.
(b) Para domicílios com 1 criança, a despesa total média é 94,848 e
b1  b2  ln(totexp )  1 0,3095  0,0486  ln(94,848)  1
ˆ    0, 4494
b1  b2 ln(totexp ) 0,3095  0,0486ln(94,848)
Para domicílios com 2 crianças, a despesa total média é 101,17 e
b1  b2  ln(totexp )  1 0,3009  0,0464  ln(101,17)  1
ˆ    0,4647
b1  b2 ln(totexp ) 0,3009  0,0464ln(101,17)
 12

Capítulo 6 Soluções dos Exercícios

Ambas as elasticidades são menores do que um; portanto, combustível é um fator de

necessidade.
0,4 0,3

0,3 0,2
WFUEL1

RESID
0,2 0,1

0,1 0,0

0,0 -0,1
3 4 5 6 3 4 5 6

X1 X1

Figura 6.6a Figura 6.6b

(c) As Figuras 6.6a e 6.6b são a curva ajustada e o gráfico dos resíduos para domicílios
com 1 criança. O gráfico das observações reais e da equação ajustada está na Figura
6.6a. A forma funcional é razoável no sentido de que é difícil sugerir uma função
alternativa que seja melhor para ajustar os pontos. De outro lado, a função fornece uma
pobre explicação da variação da participação dos combustíveis no orçamento. Isso é
consistente com o baixo valor de R 2 ; as observações variam amplamente em torno da
reta ajustada. Adicionalmente, a variação das observações em torno da reta ajustada
diminui à medida que as despesas totais aumentam. Os resíduos positivos variam de
uma magnitude zero à 0,3; contrariamente, o intervalo de variação dos resíduos
negativos vai de zero a –0,1, sugerindo uma alta assimetria na distribuição dos erros.
As Figuras 6.7a e 6.7b são a curva ajustada e o gráfico dos resíduos para domicílios
com 2 crianças. Eles são similares aos gráficos dos domicílios com 1 criança. Mesmo
que seja difícil sugerir uma forma funcional diferente da linear-log para ajustar melhor
os dados, a função não é boa para explicar a variação da participação dos combustíveis
no orçamento. Talvez um modelo de regressão múltipla com variáveis explanatórias
adicionais traria uma melhora.
0,5 0,6

0,4
0,4
RESID
WFUEL2

0,3
0,2
0,2

0,0
0,1

0,0 -0,2
3,5 4,0 4,5 5,0 5,5 6,0 3,5 4,0 4,5 5,0 5,5 6,0

X2 X2

Figura 6.7a Figura 6.7b

 13

Capítulo 6 Soluções dos Exercícios

Os valores de JB para testar H 0 : erros normalmente distribuídos são 874,4 e 8738,2

para domicílios com 1 e 2 crianças, respectivamente. Como ambos valores são maiores
do que o valor crítico (2)  5,991 , nós rejeitamos H 0 . Os valores-p são 0,0000 para
2

ambos os casos, confirmando que H 0 é rejeitada. Nós concluímos que, para ambos os
casos, os erros não são normalmente distribuídos.

6.18 (a) Para domicílios com 1 criança:

^
wbeb  0,0242  0,0205ln(totexp )
(0,0303) (0,0068) ep
(-0,798) (3,003) t R 2  0,0153
Para domicílios com 2 crianças:
^
wbeb  0,0459  0,0225ln(totexp )
(0,0239) (0,0052) ep
(-1,916) (4,281) t R 2  0,0195
Nós esperamos que a bebida não seja um bem de necessidade e, assim, à medida que as
despesas totais aumentam, a participação da bebida no orçamento deveria crescer.
Dessa forma, nós esperamos que o sinal de 2 seja positivo. Ambas estimações dão o
sinal esperado. Os erros padrão para b2 de ambas estimações são relativamente
pequenos, fazendo com que os valores das estatísticas t sejam altos e as estimativas
significantes.
(b) Para domicílios com 1 criança, a despesa total média é 94,848 e
b1  b2  ln(totexp )  1 0,0242  0,0205 ln(94,848)  1
ˆ    1, 2966
b1  b2 ln(totexp ) 0,0242  0,0205ln(94,848)
Para domicílios com 2 crianças, a despesa total média é 101,17 e
b1  b2  ln(totexp )  1 0,0459  0,0225  ln(101,17)  1
ˆ    1,3881
b1  b2 ln(totexp ) 0,0459  0,0225ln(101,17)
Ambas as elasticidades são maiores do que um; portanto, a bebida não é um fator de
necessidade.
(c) As Figuras 6.8a e 6.8b são a curva ajustada e o gráfico dos resíduos para domicílios
com 1 criança. A forma funcional é razoável no sentido de que é difícil sugerir uma
função alternativa que forneça um melhor ajuste para os dados. De outro lado, a função
dá uma pobre explicação sobre a variação da participação da bebida no orçamento.
Isso é consistente com um baixo valor de R 2 , as observações variam amplamente em
torno da reta ajustada. Os resíduos positivos variam de uma magnitude de zero à 0,3;
contrariamente, o intervalo de variação dos resíduos negativos vai de zero a –0,1,
sugerindo uma forte assimetria na distribuição do erro.
 14

Capítulo 6 Soluções dos Exercícios

0,4 0,4

0,3
0,3
WALC1

RESID
0,2
0,2
0,1

0,1
0,0

0,0 -0,1
3 4 5 6 3 4 5 6

X1 X1

Figura 6.8a Figura 6.8b

As Figuras 6.9a e 6.9b são a curva ajustada e o gráfico dos resíduos para domicílios
com 2 crianças. Eles são similares aos gráficos dos domicílios com 1 criança. Mesmo
que seja difícil sugerir uma forma funcional diferente da linear-log para ajustar melhor
os dados, a função não é boa para explicar a variação da participação das bebidas no
orçamento. Talvez, novamente, um modelo de regressão múltipla com variáveis
explanatórias adicionais traria uma melhora.

Os valores de JB para testar H 0 : erros são normalmente distribuídos são 346,1 e

1133,6 para domicílios com 1 e 2 crianças, respectivamente. Como ambos os valores
são maiores do que o valor crítico de (2)  5,991 , nós rejeitamos H 0 . Essa conclusão
2

pode ser obtida utilizando os valore-p. Eles são 0,0000 para ambos os casos. Nós
podemos concluir que, para ambos os casos, os erros não são normalmente
distribuídos.

0,5 0,4

0,4 0,3
WALC2

RESID

0,3 0,2

0,2 0,1

0,1 0,0

0,0 -0,1
3,5 4,0 4,5 5,0 5,5 6,0 3,5 4,0 4,5 5,0 5,5 6,0

X2 X2

Figura 6.9a Figura 6.9b

 15

Capítulo 6 Soluções dos Exercícios

2,5 1

2,0
0

1,5

LNY
-1
Y

1,0

-2
0,5

0,0 -3
0,00 0,05 0,10 0,15 -10 -8 -6 -4 -2 0

X LNX

Figura 6.10a Figura 6.10b

2,5 1

2,0
0

1,5
LNY

-1
Y

1,0

-2
0,5

0,0 -3
-10 -8 -6 -4 -2 0 0,00 0,05 0,10 0,15

LNX X

Figura 6.10c Figura 6.10d

6.19 (a) As Figuras 6.10a, 6.10b, 6.10c e 6.10d são os gráficos das observações de y contra x,
ln(y) contra ln(x), y contra ln(x) e ln(y) contra x, respectivamente. As formas funcionais
para serem escolhidas são especificadas na parte (b). Elas todas são funções lineares de
y e x ou dos logaritmos deles. A forma preferida é uma onde o gráfico das observações
é melhor representado por uma reta linear. Assim, isso ocorre com o gráfico de y e x na
Figura 6.10a. Em todas as outras figuras, uma reta com alguma curvatura traria um
melhor ajustamento. Assim, a forma funcional escolhida é a equação yt  1  2 xt  et
.

(b) (i)
yˆt  0,1367  15,6676 xt
(0,0302) (0,6912) ep
(4,5220) (22,667) t R 2  0,9753
(ii)
^
ln( yt )  0,8428  0,3666ln( xt )
(0,3356) (0,0552) ep
(2,5114) (6,6418) t R 2  0,7724
 16

Capítulo 6 Soluções dos Exercícios

(iii)
yˆt  1,5535  0,1872ln( xt )
(0,2762) (0,0454) ep
(5,6244) (4,1203) t R 2  0,5663
(iv)
^
ln( yt )  1.7590  23,3066 xt
(0,1556) (3,5589) ep
(-11,303) (6,5488) t R 2  0,7674
Para verificar se o nível de arsênico na água influencia o nível de arsênico nas unhas
dos pés, nós testamos para cada equação se 2 ,  2 ,  2 e 2 são iguais a zero. Nós
rejeitamos uma H 0 se a estatística t for maior do que o valor crítico absoluto. Ao nível
de significância de 0,05 e 13 graus de liberdade, t0.025  2,16 . Os t calculados para as
hipóteses de cada equação são todos maiores do que o valor crítico. Nós, dessa forma,
rejeitamos H 0 e concluímos que existe evidência de que o nível de arsênico na água
influencia o nível de arsênico nas unhas dos pés.
(c) Os gráficos dos resíduos das equações de (i) - (iv) são apresentados nas Figuras 6.11-
6.14. Os resíduos nas Figuras 6.12b e 6.13b mostram um formato acentuado em U,
enquanto aqueles nas Figura 6.14b exibem um formato acentuado em U invertido.
Assim, nesses casos, os resíduos para pequenos e grandes valores de x ou de ln(x) têm
sinais diferentes dos resíduos para valores médios de x ou de ln(x). Esse
comportamento sugere formas funcionais inapropriadas. Como os resíduos para a
função linear não demonstram esse comportamento, os gráficos dão suporte para a
nossa escolha funcional na parte (a).

2,5 0,3
RESID

2,0 0,2

1,5 0,1
Y

1,0 0,0

0,5 -0,1

0,0 -0,2
0,00 0,05 0,10 0,15 0,00 0,05 0,10 0,15

X X

Figura 6.11a Figura 6.11b

 17

Capítulo 6 Soluções dos Exercícios

1 1,0

0 0,5

RESID
0,0
LNY

-1

-2 -0,5

-3 -1,0
-10 -8 -6 -4 -2 0 -10 -8 -6 -4 -2 0

LNX LNX

Figura 6.12a Figura 6.12b

2.5 1.5

2.0 1.0

1.5 0.5
RESID
Y

1.0 0.0

0.5 -0.5

0.0 -1.0
-10 -8 -6 -4 -2 0 -10 -8 -6 -4 -2 0

LNX LNX

Figura 6.13a Figura 6.13b

1 1,0

0 0,5
RESID
LNY

-1 0,0

-2 -0,5

-3 -1,0
0,00 0,05 0,10 0,15 0,00 0,05 0,10 0,15

X X

Figura 6.14a Figura 6.14b

 18

Capítulo 6 Soluções dos Exercícios

6.20 As equações estimadas são as seguintes:.

^
fiber  11,952  0,0168 age
(1,081) (0,0207) R 2  0,0021
^
calories  2250,5  9,3693 age
(123,2) (2,362) R 2  0,048
^
chol  297,07  1,1130 age
(26,26) (0,5035) R 2  0,0154
^
fat  97,508  0, 4142 age
(6,682) (0,1281) R 2  0,0324
Os números nos parênteses são os erros padrão. Baseado nesse conjunto de dados, é sugerido
que à medida que as pessoas ficam mais velhas, elas consomem comida com mais fibra, menos
calorias, menos colesterol e menos gordura. O R 2 para cada equação é muito pequeno, o que
indica que a idade não é um bom previsor para a dieta.

6.21 (a) As equações estimadas para carregamentos de lava-louças como uma função das
despesas com bens duráveis e do investimento residencial privado são as seguintes:
^
DISH  154, 43  22,856 DUR
(295,5) (2,548) R 2  0,7702
^
DISH  2067,1  92,058 RES
(534,7) (10,95) R 2  0,7465

A equação que dá o melhor previsor é a equação que tem o maior R 2 . Nesse caso, ela
é a equação com DUR como variável explanatória. Conseqüentemente, DUR é o
melhor previsor.
^
(b) DISH86  154, 43  22,856 DUR86  154, 43  22,856(208, 2)  4604
^
DISH 86  2067,1  92,058 RES86  2067,1  92,058(67, 2)  4119

Como DISH 86  3915 , para essa futura observação, RES é um melhor previsor do que
DUR.
(c) Os gráficos dos resíduos para as duas equações, utilizando DUR e RES como variáveis
explanatórias, estão nas Figuras 6.15a e 6.15b, respectivamente. Os resíduos parecem
ser correlacionados. Existe uma tendência para resíduos positivos seguirem resíduos
positivos e resíduos negativos seguirem resíduos negativos.

1500 1000

1000
500

500
0
0

-500
-500

-1000 -1000
60 62 64 66 68 70 72 74 76 78 80 82 84 60 62 64 66 68 70 72 74 76 78 80 82 84

Resíduos DISH Resíduos DISH

 19

Capítulo 6 Soluções dos Exercícios

Figura 6.15a usando DUR Figura 6.15b usando RES

6.22 (a) As equações estimadas para carregamentos de máquinas de lavar roupas como uma
função de despesas com bens duráveis e do investimento residencial privado são as
seguintes:
^
WASH  3361,6  10,110 DUR
(224,3) (1,934) R 2  0,5324
^
WASH  2037, 4  50,707 RES
(252,6) (5,174) R 2  0,8001

A equação com o melhor previsor é a equação que tem o maior R 2 , especificamente,

aquela com RES como variável explanatória. Conseqüentemente, RES é o melhor
previsor.
^
(b) WASH86  3361,6  10,110 DUR86  3361,6  10,11(208, 2)  5467
^
WASH 86  2037,4  50,707 RES86  2037, 4  50,707(67, 2)  5445

Como WASH 86  5320 , RES é também o melhor previsor para observações futuras.
(c) Os gráficos dos resíduos para as duas equações, utilizando DUR e RES como variáveis
explanatórias, estão nas Figuras 6.16a e 6.16b, respectivamente. Os resíduos parecem
ser correlacionados. Existe uma tendência para resíduos positivos seguirem resíduos
positivos e resíduos negativos seguirem resíduos negativos.

1000
600

400
500

200

0
0

-200
-500

-400
-1000
60 62 64 66 68 70 72 74 76 78 80 82 84 -600
60 62 64 66 68 70 72 74 76 78 80 82 84
Resíduos WASH
Resíduos WASH

Figura 6.16a usando DUR Figura 6.16b usando RES