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
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
6.5 yt y et yt et y et b1 b2 x t et y et b1 et b2 x t et y et
x t et 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 et = 0 e
x t et = 0 de volta na equação original, nós obtemos y t y et 0 .
(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
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
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
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
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
(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
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.
646,70
2 2
s yp
r
2
yp 0,3171 R 2
s y2 s 2p 646,7 2039,3
5041
2
sxy2
r
2
xy 0,3171 R 2
2 2
s s
x y 39294 2039.3
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
ln(x)
3
0
1 2 3 4 5 6 7 8 9 10
-1 x
-2
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
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
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
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.
d yˆt 1
Equação 2: ˆ 2 0,0038
dt t
d yˆt
Equação 3: 2 ˆ 2 t 0,0392
dt
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.
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
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
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
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 )
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
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
ambos os casos, confirmando que H 0 é rejeitada. Nós concluímos que, para ambos os
casos, os erros não são normalmente distribuídos.
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
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.
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
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
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
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
(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
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
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
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
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
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
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