1

ECONOMETRIA I
1) No Cap. 3, refazer o exemplo da pg. 23 (item 3.2.2) Funo
investimento
Ns consideramos um exemplo baseado em dados macroeconmicos na tabela do
apndice F3.1. Para estimar uma equao de investimento, ns primeiro convertemos o
investimento e a srie do PIB da tabela F3.1 em termos reais dividindo pelo ndice de preos e
ento escalamos as duas sries que esto medidas em trilhes de dlares. As outras duas
variveis so tendncia de tempo, taxa de juros e a taxa de inflao computada como
percentagem de mudana do ndice de inflao. Produzindo a matriz listada na tabela 3.1.
Considerando primeiro uma regresso do investimento real sobre uma constante, a tendncia
de tempo e o PIB real que corresponde a x1, x2 e x3.
Inserindo as variveis especficas do exemplo, ns temos:
b1n + b2iTi + b3iGi = iYi
b1iTi + b2Ti2 b3iTiGi = iTiYi
b1iGi + b2iTiGi + b3iGi2 = iGiYi
Uma soluo pode ser obtida primeiro dividindo a primeira equao por n e
rearranjando para obter:
b1 = Y - b2T - b3G
= 0.20333 - b2 x 8 - b3 x 1.2873
Este resultado mostra a natureza da soluo para a inclinao, que pode ser
calculado da soma dos quadrados e atravs do produto dos desvios das variveis.
b2 = -0.0171984
b3 = 0.653723
Com esta soluo o intercepto pode ser calculado:
b1 = - 0.500639
Suponha que ns apenas regressemos o investimento sobre a constante e o PIB,
omitindo a tendncia de tempo. Pelo menos algumas das correlaes que ns observamos nos
dados ser explicada porque ambos investimento e PIB real tem uma obvia tendncia de
tempo.
Regresso Bivariada da varivel y sobre a constante e a varivel x, ns
encontramos que a inclinao nesta regresso reduzida seria:
byg = igiyi / igi2 = 0.184078

iti2igi2.

Agora dividimos ambos o numerador e o denominador na expresso por

Por manipulao e usando a definio de correlao da amostra entre G e T.r2gt.
byg.t = 0.653723
Professora Dra. Marina Silva Cunha

ECONOMETRIA I

A inclinao na regresso mltipla difere da regresso simples por incluir uma

correo que calcula a influencia de uma varivel adicional t sobre ambos Y e G. Para um
notvel exemplo deste efeito, na regresso simples do investimento real sobre a tendncia de
tempo byt = 0.0057286, um nmero positivo que reflete uma tendncia de aumento nos dados.
Mas na regresso mltipla depois de calcularmos a influencia do PIB sobre o investimento
real, a inclinao sobre a tendncia de tempo - 0.0171984, indicando uma tendncia de
reduo.
. *1) Y = b1 + b2t + b3g
. *Investimento real(Y) sobre a tendncia(T) e produto real (G).
. regress y t g
Source |
SS
df
MS
-------------+-----------------------------Model |
.01568779
2 .007843895
Residual | .000665543
12 .000055462
-------------+-----------------------------Total | .016353333
14 .001168095

Number of obs
F( 2,
12)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
141.43
0.0000
0.9593
0.9525
.00745

-----------------------------------------------------------------------------y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------t | -.01 71984
.0021642
-7.95
0.000
-.0219139
-.012483
g |
.6537234
.0603897
10.83
0.000
.5221457
.7853012
_cons | -.5006391
.0609325
-8.22
0.000
-.6333997
-.3678785
-----------------------------------------------------------------------------. matrix list e(b)
e(b)[1,3]
y1

t
-.01719844

g
.65372345

_cons
-.5006391

.
. *2) Y = b1 + b3G,
. *Investimento real (Y) sobre o Produto real (G)
. regress y g
Source |
SS
df
MS
-------------+-----------------------------Model | .012185318
1 .012185318
Residual | .004168014
13 .000320616
-------------+-----------------------------Total | .016353333
14 .001168095

Number of obs
F( 1,
13)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
38.01
0.0000
0.7451
0.7255
.01791

-----------------------------------------------------------------------------y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------g |
.1840785
.0298592
6.16
0.000
.1195717
.2485852
_cons |
-.033637
.0387157
-0.87
0.401
-.1172772
.0500032
-----------------------------------------------------------------------------. matrix list e(b)
e(b)[1,2]
y1

g
.18407845

_cons
-.03363699

.
. *3) Calculando byg-t (estimador da regresso de y e g na presena de t)
. * Foram realizadas regresses parciais
. quietly regress y t
. matrix list e(b)
e(b)[1,2]
y1

t
.00572857

_cons
.15750476

Professora Dra. Marina Silva Cunha

ECONOMETRIA I

. quietly regress t g
. matrix list e(b)
e(b)[1,2]
y1

g
27.307411

_cons
-27.15374

. regress g t
Source |
SS
df
MS
-------------+-----------------------------Model | .344401449
1 .344401449
Residual |
.0152079
13 .001169838
-------------+-----------------------------Total | .359609349
14 .025686382

Number of obs
F( 1,
13)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
294.40
0.0000
0.9577
0.9545
.0342

-----------------------------------------------------------------------------g |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------t |
.0350714
.002044
17.16
0.000
.0306556
.0394873
_cons |
1.006762
.0185844
54.17
0.000
.9666127
1.046911
-----------------------------------------------------------------------------.
.
.
.
.

*4) Y = b1 + b2t + b3g + b4 r + b5p

* Investimento real (y) sobre a tendncia (t), produto (g),
* taxa de juros (r) e a inflacao (p)
regress y t g r p

Source |
SS
df
MS
-------------+-----------------------------Model | .015902522
4 .003975631
Residual | .000450811
10 .000045081
-------------+-----------------------------Total | .016353333
14 .001168095

Number of obs
F( 4,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
88.19
0.0000
0.9724
0.9614
.00671

-----------------------------------------------------------------------------y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------t | -.0165804
.0019718
-8.41
0.000
-.0209738
-.012187
g |
.6703836
.0549972
12.19
0.000
.5478423
.7929249
r | -.0023259
.0012189
-1.91
0.085
-.0050417
.0003899
p |
-.000094
.0013475
-0.07
0.946
-.0030964
.0029084
_cons | -.5090709
.0551276
-9.23
0.000
-.631903
-.3862389
-----------------------------------------------------------------------------. matrix list e(b)
e(b)[1,5]
y1

t
-.0165804

g
.67038361

r
-.00232593

p
-.00009401

_cons
-.50907094

.
end of do-file

2) No cap. 3, refazer o exemplo da pg. 35 (exemplo 3.2) Funo consumo

Exemplo 3.2
Os dados plotados na figura 2.1 so listados no Apndice Tabela F2.1. Por estes
dados onde y C e x X, temos y mdio = 273.2727, x mdio = 323.2727, ento o SST =
12,618.182, b = 0.6848014, SSR = 5,768.2068, e SSE = 6,849.975. Ento R= 0,457135.
Como pode ser visto o R no bom. Agora omitindo os anos de Guerra de 1942 a 1945
obtm-se um R = 0.93697. Alternativamente, criando uma varivel WAR que igual a 1 nos
anos de Guerra e zero caso contrrio e incluindo no modelo o R aumenta para 0.94639.
Professora Dra. Marina Silva Cunha

ECONOMETRIA I

. summarize
Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------y |
11
1945
3.316625
1940
1950
x |
11
323.2727
35.07162
241
371
c |
11
273.2727
35.52208
226
325
war |
11
.3636364
.504525
0
1
. *Regresso sem a varivel binria - como se todos os periodos fossem normais
. regress c x
Source |
SS
df
MS
-------------+-----------------------------Model | 5768.20676
1 5768.20676
Residual | 6849.97506
9
761.10834
-------------+-----------------------------Total | 12618.1818
10 1261.81818

Number of obs
F( 1,
9)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

11
7.58
0.0224
0.4571
0.3968
27.588

-----------------------------------------------------------------------------c |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x |
.6848014
.2487525
2.75
0.022
.1220841
1.247519
_cons |
51.89511
80.84397
0.64
0.537
-130.9867
234.7769
-----------------------------------------------------------------------------. *Uso da varivel binria "war", sendo 1 nos anos de 1942-1945 e 0 nos demais
. *Regresso com a varivel binria "war" desconsiderando os anos de guerra
. regress c x if war==0
Source |
SS
df
MS
-------------+-----------------------------Model | 8164.52512
1 8164.52512
Residual | 549.189162
5 109.837832
-------------+-----------------------------Total | 8713.71429
6 1452.28571

Number of obs
F( 1,
5)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

7
74.33
0.0003
0.9370
0.9244
10.48

-----------------------------------------------------------------------------c |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x |
.853061
.0989443
8.62
0.000
.5987167
1.107405
_cons |
15.90735
31.64252
0.50
0.637
-65.43234
97.24705
-----------------------------------------------------------------------------. *Uso da varivel binria "war", sendo 1 nos anos de 1942-1945 e 0 nos demais
. *Regresso com a varibel binria "war" considerando todos os anos
. regress c x war
Source |
SS
df
MS
-------------+-----------------------------Model | 11941.7257
2 5970.86283
Residual | 676.456151
8 84.5570189
-------------+-----------------------------Total | 12618.1818
10 1261.81818

Number of obs
F( 2,
8)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

11
70.61
0.0000
0.9464
0.9330
9.1955

-----------------------------------------------------------------------------c |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x |
.8575111
.0853405
10.05
0.000
.6607155
1.054307
war | -50.68974
5.932373
-8.54
0.000
-64.36981
-37.00966
_cons |
14.4954
27.29948
0.53
0.610
-48.45731
77.44812
-----------------------------------------------------------------------------end of do-file

3) No cap. 3, fazer a aplicaes das pags. 41-42 (STATA).

Os dados listados na Tabela 3.5 so extrados do estudo de Koop e Tobias ( 2004 )
das relaes entre salrios, educao, capacidade e caractersticas familiares. O conjunto de
dados um painel de 2,178 indivduos com um total de 17,919 observaes.
Professora Dra. Marina Silva Cunha

ECONOMETRIA I

. *consideracoes: Y = wage; X1 = educ, exp, abil; X2 = mothered, fathered, sibs

. *a)Regresso de Y sobre X1
. regress wage educ exp ability
Source |
SS
df
MS
-------------+-----------------------------Model | .171377058
3 .057125686
Residual | .763316463
11 .069392406
-------------+-----------------------------Total | .934693521
14 .066763823

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
15
=
0.82
= 0.5080
= 0.1834
= -0.0394
= .26342

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.014539
.0490215
0.30
0.772
-.0933566
.1224346
exp |
.07103
.0480342
1.48
0.167
-.0346924
.1767525
ability |
.0266154
.0991173
0.27
0.793
-.1915404
.2447711
_cons |
1.66364
.6185532
2.69
0.021
.3022133
3.025066
-----------------------------------------------------------------------------.
. *b)Regresso de Y sobre X1 e X2
. regress wage educ exp ability mothered fathered sibs
Source |
SS
df
MS
-------------+-----------------------------Model | .482427232
6 .080404539
Residual |
.45226629
8 .056533286
-------------+-----------------------------Total | .934693521
14 .066763823

Number of obs
F( 6,
8)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
1.42
0.3140
0.5161
0.1532
.23777

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.0258221
.0446859
0.58
0.579
-.0772238
.1288681
exp |
.1033913
.0473454
2.18
0.061
-.0057875
.21257
ability |
.0307435
.1212013
0.25
0.806
-.2487472
.3102343
mothered |
.1016307
.070175
1.45
0.186
-.0601932
.2634546
fathered |
.0016443
.0446491
0.04
0.972
-.1013167
.1046054
sibs |
.0591692
.069018
0.86
0.416
-.0999866
.218325
_cons |
.0489959
.9488077
0.05
0.960
-2.138959
2.23695
-----------------------------------------------------------------------------. *c)Regresso de cada varivel x2 sobre as variveis x1
. regress mothered educ exp ability
Source |
SS
df
MS
-------------+-----------------------------Model | 6.55275053
3 2.18425018
Residual | 18.3805828
11 1.67096207
-------------+-----------------------------Total | 24.9333333
14 1.78095238

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
1.31
0.3211
0.2628
0.0618
1.2927

-----------------------------------------------------------------------------mothered |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | -.0837141
.2405547
-0.35
0.734
-.6131716
.4457433
exp | -.2859633
.2357097
-1.21
0.250
-.8047569
.2328303
ability |
.5028718
.4863813
1.03
0.323
-.5676462
1.57339
_cons |
13.76043
3.03532
4.53
0.001
7.079742
20.44113
-----------------------------------------------------------------------------. regress fathered educ exp ability
Source |
SS
df
MS
-------------+-----------------------------Model | 7.32880185
3 2.44293395
Residual | 40.0045315
11 3.63677559
-------------+-----------------------------Total | 47.3333333
14 3.38095238

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
15
=
0.67
= 0.5870
= 0.1548
= -0.0757
=
1.907

-----------------------------------------------------------------------------fathered |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+----------------------------------------------------------------

Professora Dra. Marina Silva Cunha

ECONOMETRIA I
educ |
.0267585
.354886
0.08
0.941
-.7543403
.8078573
exp |
.0011246
.3477382
0.00
0.997
-.7642422
.7664913
ability |
.8727106
.7175494
1.22
0.249
-.706605
2.452026
_cons |
11.99981
4.477951
2.68
0.021
2.143909
21.85572
-----------------------------------------------------------------------------. regress sibs educ exp ability
Source |
SS
df
MS
-------------+-----------------------------Model | 8.59734061
3
2.8657802
Residual | 13.8026594
11 1.25478722
-------------+-----------------------------Total |
22.4
14
1.6

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
2.28
0.1357
0.3838
0.2158
1.1202

-----------------------------------------------------------------------------sibs |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | -.0476471
.2084566
-0.23
0.823
-.506457
.4111628
exp | -.0557793
.2042581
-0.27
0.790
-.5053484
.3937897
ability | -.9577689
.4214816
-2.27
0.044
-1.885444
-.0300942
_cons |
3.319784
2.630305
1.26
0.233
-2.469479
9.109047
-----------------------------------------------------------------------------.
. *d)Regresso de Y sobre X1 e X2, omitindo a constante.
. regress wage educ exp ability mothered fathered sibs, noconstant
Source |
SS
df
MS
-------------+-----------------------------Model | 64.0950841
6
10.682514
Residual | .452417043
9
.05026856
-------------+-----------------------------Total | 64.5475011
15 4.30316674

Number of obs
F( 6,
9)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
212.51
0.0000
0.9930
0.9883
.22421

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.0272969
.0324092
0.84
0.421
-.0460178
.1006116
exp |
.1041425
.0424856
2.45
0.037
.0080334
.2002515
ability |
.028621
.1075159
0.27
0.796
-.2145969
.2718389
mothered |
.1039024
.0515562
2.02
0.075
-.0127259
.2205307
fathered |
.0017645
.0420454
0.04
0.967
-.0933489
.0968778
sibs |
.0589675
.0649773
0.91
0.388
-.0880214
.2059563
-----------------------------------------------------------------------------. *e)Regresso de Y sobre X1 e X2, mantendo a constante
. regress wage educ exp ability mothered fathered sibs
Source |
SS
df
MS
-------------+-----------------------------Model | .482427232
6 .080404539
Residual |
.45226629
8 .056533286
-------------+-----------------------------Total | .934693521
14 .066763823

Number of obs
F( 6,
8)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
1.42
0.3140
0.5161
0.1532
.23777

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.0258221
.0446859
0.58
0.579
-.0772238
.1288681
exp |
.1033913
.0473454
2.18
0.061
-.0057875
.21257
ability |
.0307435
.1212013
0.25
0.806
-.2487472
.3102343
mothered |
.1016307
.070175
1.45
0.186
-.0601932
.2634546
fathered |
.0016443
.0446491
0.04
0.972
-.1013167
.1046054
sibs |
.0591692
.069018
0.86
0.416
-.0999866
.218325
_cons |
.0489959
.9488077
0.05
0.960
-2.138959
2.23695
-----------------------------------------------------------------------------.
.
.
.
.

*f) Comparar os resultados dos resultados obtidos na letra "c)" e a

* a letra "e)".
*Alternativamente a), b), c) podem ser executadas da seguinte forma:
global x1 "educ exp ability"

. global x2 "mothered fathered sibs"

. *a)Regresso de Y sobre X1

Professora Dra. Marina Silva Cunha

ECONOMETRIA I
. regress wage $x1
Source |
SS
df
MS
-------------+-----------------------------Model | .171377058
3 .057125686
Residual | .763316463
11 .069392406
-------------+-----------------------------Total | .934693521
14 .066763823

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
15
=
0.82
= 0.5080
= 0.1834
= -0.0394
= .26342

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.014539
.0490215
0.30
0.772
-.0933566
.1224346
exp |
.07103
.0480342
1.48
0.167
-.0346924
.1767525
ability |
.0266154
.0991173
0.27
0.793
-.1915404
.2447711
_cons |
1.66364
.6185532
2.69
0.021
.3022133
3.025066
-----------------------------------------------------------------------------.
. *b)Regresso de Y sobre X1 e X2
. regress wage $x1 $x2
Source |
SS
df
MS
-------------+-----------------------------Model | .482427232
6 .080404539
Residual |
.45226629
8 .056533286
-------------+-----------------------------Total | .934693521
14 .066763823

Number of obs
F( 6,
8)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
1.42
0.3140
0.5161
0.1532
.23777

-----------------------------------------------------------------------------wage |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.0258221
.0446859
0.58
0.579
-.0772238
.1288681
exp |
.1033913
.0473454
2.18
0.061
-.0057875
.21257
ability |
.0307435
.1212013
0.25
0.806
-.2487472
.3102343
mothered |
.1016307
.070175
1.45
0.186
-.0601932
.2634546
fathered |
.0016443
.0446491
0.04
0.972
-.1013167
.1046054
sibs |
.0591692
.069018
0.86
0.416
-.0999866
.218325
_cons |
.0489959
.9488077
0.05
0.960
-2.138959
2.23695
-----------------------------------------------------------------------------. *c)Regresso de cada varivel x2 sobre as variveis x1
. regress mothered $x1
Source |
SS
df
MS
-------------+-----------------------------Model | 6.55275053
3 2.18425018
Residual | 18.3805828
11 1.67096207
-------------+-----------------------------Total | 24.9333333
14 1.78095238

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
1.31
0.3211
0.2628
0.0618
1.2927

-----------------------------------------------------------------------------mothered |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | -.0837141
.2405547
-0.35
0.734
-.6131716
.4457433
exp | -.2859633
.2357097
-1.21
0.250
-.8047569
.2328303
ability |
.5028718
.4863813
1.03
0.323
-.5676462
1.57339
_cons |
13.76043
3.03532
4.53
0.001
7.079742
20.44113
-----------------------------------------------------------------------------. regress fathered $x1
Source |
SS
df
MS
-------------+-----------------------------Model | 7.32880185
3 2.44293395
Residual | 40.0045315
11 3.63677559
-------------+-----------------------------Total | 47.3333333
14 3.38095238

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
15
=
0.67
= 0.5870
= 0.1548
= -0.0757
=
1.907

-----------------------------------------------------------------------------fathered |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ |
.0267585
.354886
0.08
0.941
-.7543403
.8078573
exp |
.0011246
.3477382
0.00
0.997
-.7642422
.7664913
ability |
.8727106
.7175494
1.22
0.249
-.706605
2.452026
_cons |
11.99981
4.477951
2.68
0.021
2.143909
21.85572

Professora Dra. Marina Silva Cunha

ECONOMETRIA I
-----------------------------------------------------------------------------. regress sibs $x1
Source |
SS
df
MS
-------------+-----------------------------Model | 8.59734061
3
2.8657802
Residual | 13.8026594
11 1.25478722
-------------+-----------------------------Total |
22.4
14
1.6

Number of obs
F( 3,
11)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

15
2.28
0.1357
0.3838
0.2158
1.1202

-----------------------------------------------------------------------------sibs |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------educ | -.0476471
.2084566
-0.23
0.823
-.506457
.4111628
exp | -.0557793
.2042581
-0.27
0.790
-.5053484
.3937897
ability | -.9577689
.4214816
-2.27
0.044
-1.885444
-.0300942
_cons |
3.319784
2.630305
1.26
0.233
-2.469479
9.109047
-----------------------------------------------------------------------------end of do-file

4) No cap. 4, refazer o exemplo da pg. 53 (exemplo 4.3) - Equao de

rendimentos
A tabela do apndice F4.1 contm 753 observaes usadas no estudo do
comportamento da oferta de trabalho de mulheres casadas de Mroz ( 1987 ). Dos 753
indivduos da amostra, 428 eram participantes do mercado de trabalho formal. Para estes
indivduos, construmos uma equao semilog da equao de rendimentos como sugerido no
exemplo 2.2;
ln earnings = 1 + 2 age + 3 age2 + 4 education + 5 kids +

onde os rendimentos ( earnings ) so salrio horrio vezes horas trabalhadas,

educao ( education ) medida em anos de escolaridade e crianas ( kids ) uma varivel
binria que igual a 1 se h crianas com menos de 18 anos na famlia. H 428 observaes e
5 parmetros ento a estatstica t tem 423 graus de liberdade. Para um nvel de significncia
de 95%, o valor do padro normal de 1,96 apropriado quando os graus de liberdade so
maiores do que este. Isto significa que todas as variveis so estatisticamente significantes e
seus sinais so consistentes com as expectativas. Interpretamos a varivel escolaridade
implicando que um ano adicional de escolaridade est associado com um aumento de 6.7% no
rendimento. O quadrado da idade sugere que para um dado nvel de escolaridade e tamanho
da famlia os rendimentos atingem seu pico aproximadamente aos 43 anos de idade e depois
comeam a declinar.
. *O exercicio 4 usa a base de dado F41
.
. use F41.dta, clear
.
. *Criando a variavel de ganhos
. gen earn = whrs* ww
.
. *criando ln da variavel de ganhos
. *(trabalhando com rendimentos transforma em ln)
. gen lnearn=ln(earn)
(325 missing values generated)

Professora Dra. Marina Silva Cunha

ECONOMETRIA I

.
. *Criando a variavel binaria = 1 se o individuo ter filho menor de 18 anos
. gen kids=1 if kl6>0 | k618>0
(229 missing values generated)
. replace kids=0 if kids==.
(229 real changes made)
.
. *Criando a variavel idade ao quadrado.
. gen wa2=wa^2
.
. *Arrumando o "label" das variaveis criadas
. label variable earn "earnings = whrs* ww"
. label variable lnearn "ln earnings"
. label variable kids "dummy variable = 1 there are children under 18 in the
household"
. label variable wa2 "wifes age squared"
.
. *Rodando o modelo
. regress lnearn wa wa2 we kids
Source |
SS
df
MS
-------------+-----------------------------Model | 25.6254667
4 6.40636666
Residual | 599.458161
423 1.41715877
-------------+-----------------------------Total | 625.083628
427 1.46389608

Number of obs
F( 4,
423)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

428
4.52
0.0014
0.0410
0.0319
1.1904

-----------------------------------------------------------------------------lnearn |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------wa |
.2005573
.0838603
2.39
0.017
.0357226
.365392
wa2 | -.0023147
.0009869
-2.35
0.019
-.0042545
-.0003749
we |
.0674727
.0252486
2.67
0.008
.0178444
.117101
kids | -.3511953
.1475326
-2.38
0.018
-.6411836
-.061207
_cons |
3.240096
1.76743
1.83
0.067
-.2339424
6.714135
-----------------------------------------------------------------------------.
. *Matriz de varincia-covarincia-estimada (vce)
. estat vce
Covariance matrix of coefficients of regress model
e(V) |
wa
wa2
we
kids
_cons
-------------+-----------------------------------------------------------wa | .00703254
wa2 | -.00008232
9.739e-07
we | .00005085 -4.976e-07
.00063749
kids | -.0026412
.00003841 -.00005462
.02176587
_cons | -.14409007
.00166174 -.00926092
.02674867
3.1238075
.
end of do-file

5) No cap. 4, refazer o exemplo da pg. 55 (exemplo 4.4) Demanda por gasolina

Usando dados do mercado de gasolina discutidos no Exemplo 2.3, ns estimamos
a seguinte equao de demanda usando as 52 observaes:
ln (G/Pop) = 1 + 2 ln PG + 3 ln(income/Pop) + 4 ln Pnc + 5 ln Puc + .
As estimativas por mnimos quadrados ordinrios dos parmetros do modelo com
seus respectivos erros padres e estatsticas t esto apresentadas na rotina abaixo.
Professora Dra. Marina Silva Cunha

10

ECONOMETRIA I

Para formar um intervalo de confiana para a elasticidade da renda, nos

precisamos do valor crtico da distribuio t com n k = 52 5 = 47 graus de liberdade. O
valor crtico para 95% de 2.012. Portanto um intervalo de confiana para 95 por cento em
3 1.095874 2.012 (0.07771) = [0.9395, 1.2522].
Ns estamos interessados em quanto a demanda por gasolina inelstica em
relao a renda. A hiptese a ser testada que 3 menor que 1. Para um teste unilateral, nos
ajustamos a regio crtica e usamos o ponto crtico t da distribuio. Valores da amostra que
so muito inconsistentes com a hiptese colocam dvidas sobre ela. Considera-se a hiptese
testada:
H0: 3 < 1 versus H1: 3 1.
A estatstica correta :
t=

= 1.234.

O valor crtico para um teste unilateral da distribuio t com 47 graus de liberdade

1.678, que maior do que 1.234. Ns conclumos que os dados so consistentes com a
hiptese que a elasticidade da renda menor que um, ento no rejeitamos a hiptese nula.
. *O Exercicio 5 usa a base de dados F22
. use F22.dta, clear
.
.
.
.
.
.
.
.
.
.
.

*criao das variveis

gen g=gasexp/(pop*gasp)
gen lng= ln(g)
gen pg= ln(gasp)
gen incomepop = income/pop
gen lnincomepop= ln(income)
gen gpop= gasexp/pop
gen lngpo= ln(gpop)
gen lnpnc= ln(pnc)
gen lnpuc= ln(puc)

. *Arrumando o "label" das variaveis criadas

.
.
.
.
.
.
.
.
.

label
label
label
label
label
label
label
label
label

variable
variable
variable
variable
variable
variable
variable
variable
variable

g "gasexp/(pop*gasp)"
lng "ln g"
pg "ln gasp "
incomepop "income/pop"
lnincomepop "ln income"
gpop "gasexp/pop"
lngpo "ln gpop"
lnpnc "ln pnc"
lnpuc "ln puc"

. *regresso
. regress lng pg lnincomepop lnpnc lnpuc
Source |
SS
df
MS
-------------+-----------------------------Model | 2.78770665
4 .696926662
Residual | .120870673
47 .002571716
-------------+-----------------------------Total | 2.90857732
51 .057030928

Number of obs
F( 4,
47)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
271.00
0.0000
0.9584
0.9549
.05071

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.0212072
.0437697
-0.48
0.630
-.1092604
.0668461
lnincomepop |
1.095874
.077709
14.10
0.000
.9395438
1.252205
lnpnc | -.3736126
.1570719
-2.38
0.021
-.6896006
-.0576247

Professora Dra. Marina Silva Cunha

11

ECONOMETRIA I
lnpuc |
.0200343
.1033047
0.19
0.847
-.187788
.2278566
_cons | -21.21109
.7532228
-28.16
0.000
-22.72638
-19.69581
-----------------------------------------------------------------------------.
end of do-file

6) No cap. 4, refazer o exemplo da pg. 57 (exemplo 4.5) Funo investimento

A estatstica F para testar a hiptese que as quatro inclinaes na equao de
rendimentos so todas equivalentes a zero :
F [4, 423] =

= 4.521,

que bem maior que o valor critico para 95% de confiana de 2.37. Ns
conclumos que os dados so inconsistentes com a hiptese que todas as inclinaes na
equao de rendimentos so iguais a zero.
Ns poderamos ter esperado o resultado obtido, dado as substanciais
estatsticas t achadas anteriormente. Mas esse caso no sempre necessariamente verdadeiro.
Exemplos podem ser achados onde os coeficientes individualmente so estatisticamente
significativos, enquanto que conjuntamente no o so. Este caso pode ser considerado
patolgico, porm o oposto, quando nenhum dos coeficientes significativamente diferente
de zero enquanto o R2 altamente significativo, relativamente comum. O problema que a
interao entre as variveis pode obscurecer as suas contribuies individuais para o modelo,
porm seu efeito conjunto pode ainda ser significativo.
. test wa wa2 we kids
(
(
(
(

1)
2)
3)
4)

wa = 0
wa2 = 0
we = 0
kids = 0
F(

4,
423) =
Prob > F =

4.52
0.0014

7) No cap. 4, refazer o exemplo da pg. 60 (exemplo 4.6) Utilizar dados do

Gujarati p. 298, estime a regresso da pag. 299 do livro do Gujarati, a matriz de
correlao, com o comando correl e a regresso com as correes da pg. 300 do
Gujarati.
Analisando os dados coletados por Longley. Embora coletados originalmente para
testar a exatido computacional dos estimadores de mnimos quadrados em vrios programas
de computador, os dados de Longley se tornaram um instrumento para ilustrar vrios
problemas economtricos, incluindo a multicolinearidade. Os dados so reproduzidos na
Tabela 10.7. So sries temporais relativas aos anos de 1947 a 1962 e se referem a Y=
nmero de pessoas empregadas, em milhares; X1 = deflator implcito dos preos no PNB; X2
= PNB, em milhes de US$; X3 = nmero de desempregados, em milhares de pessoas; X4 =
nmero de pessoas nas foras armadas; X5 = populao no institucionalizada com mais de 14
anos; e X6 = ano igual a 1 para 1947, 2 para 1948 e assim por diante at 16 em 1962.

Professora Dra. Marina Silva Cunha

12

ECONOMETRIA I

Os dados da rotina abaixo sugerem que h um problema de colinearidade, j que o

valor de R muito alto, mas algumas variveis ( X1, X2, X3 ) so estatisticamente
insignificantes. Vrias dessas correlaes so bastante altas, sugerindo que pode haver um
problema srio de colinearidade. Naturalmente, no podemos esquecer a advertncia feita de
que essas correlaes entre pares de variveis podem ser uma condio suficiente, mas no
necessria para a existncia de multicolinearidade.
Para esclarecer a natureza do problema da multicolinearidade, calculemos as
regresses auxiliares, isto , a regresso de cada varivel X contra os X restantes. Como os
valores de R das regresses auxiliares so muito altos ( com a possvel exceo da regresso
de X4 contra as demais variveis ), parece que h um grave problema de colinearidade. Os
fatores de tolerncia confirmam essa informao. Quanto mais prximo de zero estiver o fator
de tolerncia, maior a evidncia de colinearidade.
Aplicando a regra de Klein, vemos que os valores de R obtidos nas regresses
auxiliares so maiores que o valor do R geral ( isto , aquele obtido na regresso de Y contra
todas as variveis X ), 0,9954, em trs das seis regresses auxiliares,sugerindo, mais uma vez,
que os dados de Longley esto afetados pelo problema da multicolinearidade.
Agora que verificamos que h um problema de multicolinearidade, que aes
"corretivas" podemos aplicar? Primeiro, poderamos expressar o PNB no em termos
nominais, mas em termos reais, o que fazemos dividindo o PNB nominal pelo deflator
implcito dos preos. Segundo, como a populao no institucionalizada de mais de 14 anos
aumenta ao longo do tempo devido ao crescimento populacional natural, ela estar altamente
correlacionada com o tempo, a varivel X6 do modelo. Portanto, em vez de incluir as duas
variveis, podemos manter a varivel X5 a abandonar a X6. Terceiro, no h razes fortes para
incluir X3, nmero de empregados; talvez a taxa de desemprego seja uma medida melhor das
condies do mercado de trabalho. Mas no temos os dados relativos taxa de desemprego.
Embora o valor de R tenha diminudo ligeiramente em relao ao original, ainda
muito alto. Agora, todos os coeficientes estimados so significativos e seus sinais fazem
sentido do ponto de vista econmico.

. * o exercicio 7 usa a base de dados T10-7

. use T10-7.dta, clear
.
. *Regressao
. regress y x1 x2 x3 x4 x5 x6
Source |
SS
df
MS
-------------+-----------------------------Model |
184172402
6 30695400.3
Residual | 836424.056
9 92936.0062
-------------+-----------------------------Total |
185008826
15 12333921.7

Number of obs
F( 6,
9)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
330.29
0.0000
0.9955
0.9925
304.85

-----------------------------------------------------------------------------y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x1 |
1.506187
8.491493
0.18
0.863
-17.7029
20.71528
x2 | -.0358192
.033491
-1.07
0.313
-.1115811
.0399427

Professora Dra. Marina Silva Cunha

13

ECONOMETRIA I
x3 |
-2.02023
.4883997
-4.14
0.003
-3.125067
-.915393
x4 | -1.033227
.2142742
-4.82
0.001
-1.517949
-.548505
x5 | -.0511041
.2260732
-0.23
0.826
-.5625172
.460309
x6 |
1829.151
455.4785
4.02
0.003
798.7875
2859.515
_cons |
77270.12
22506.71
3.43
0.007
26356.41
128183.8
-----------------------------------------------------------------------------.
. *Correlao
. correlate x1 x2 x3 x4 x5 x6
(obs=16)
|
x1
x2
x3
x4
x5
x6
-------------+-----------------------------------------------------x1 |
1.0000
x2 |
0.9916
1.0000
x3 |
0.6206
0.6043
1.0000
x4 |
0.4647
0.4464 -0.1774
1.0000
x5 |
0.9792
0.9911
0.6866
0.3644
1.0000
x6 |
0.9911
0.9953
0.6683
0.4172
0.9940
1.0000
.
. *Regresses parciais
. regress x1 x2 x3 x4 x5 x6
Source |
SS
df
MS
-------------+-----------------------------Model | 173397.547
5 34679.5095
Residual | 1288.89024
10 128.889024
-------------+-----------------------------Total | 174686.438
15 11645.7625

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
269.06
0.0000
0.9926
0.9889
11.353

-----------------------------------------------------------------------------x1 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x2 |
.0025613
.0009484
2.70
0.022
.0004481
.0046746
x3 |
.0319216
.0151299
2.11
0.061
-.00179
.0656331
x4 |
.008802
.0074785
1.18
0.266
-.0078611
.0254651
x5 | -.0175496
.006331
-2.77
0.020
-.0316561
-.0034432
x6 | -9.992189
16.66535
-0.60
0.562
-47.12491
27.14054
_cons |
2044.583
533.3698
3.83
0.003
856.1613
3233.005
-----------------------------------------------------------------------------. regress x2 x1 x3 x4 x5 x6
Source |
SS
df
MS
-------------+-----------------------------Model | 1.4811e+11
5 2.9621e+10
Residual | 82856688.7
10 8285668.87
-------------+-----------------------------Total | 1.4819e+11
15 9.8794e+09

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
16
= 3575.03
= 0.0000
= 0.9994
= 0.9992
= 2878.5

-----------------------------------------------------------------------------x2 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x1 |
164.6571
60.96993
2.70
0.022
28.80766
300.5066
x3 |
-13.7898
1.500185
-9.19
0.000
-17.13242
-10.44718
x4 | -2.998116
1.787322
-1.68
0.124
-6.980518
.9842857
x5 |
5.62436
1.180367
4.76
0.001
2.994339
8.254381
x6 |
10902.88
2570.756
4.24
0.002
5174.877
16630.88
_cons |
-480986
148413.8
-3.24
0.009
-811672.6
-150299.5
-----------------------------------------------------------------------------. regress x3 x1 x2 x4 x5 x6
Source |
SS
df
MS
-------------+-----------------------------Model | 12708738.6
5 2541747.72
Residual |
389612.84
10
38961.284
-------------+-----------------------------Total | 13098351.4
15 873223.429

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
65.24
0.0000
0.9703
0.9554
197.39

-----------------------------------------------------------------------------x3 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+----------------------------------------------------------------

Professora Dra. Marina Silva Cunha

14

ECONOMETRIA I
x1 |
9.649428
4.573555
2.11
0.061
-.5410873
19.83994
x2 | -.0648431
.0070542
-9.19
0.000
-.0805609
-.0491253
x4 | -.2713815
.1090108
-2.49
0.032
-.5142727
-.0284903
x5 |
.350986
.0954316
3.68
0.004
.138351
.5636209
x6 |
768.5517
167.0507
4.60
0.001
396.3396
1140.764
_cons | -28518.24
11446.89
-2.49
0.032
-54023.49
-3012.989
-----------------------------------------------------------------------------. regress x4 x1 x2 x3 x5 x6
Source |
SS
df
MS
-------------+-----------------------------Model | 5240403.53
5 1048080.71
Residual | 2024157.91
10 202415.791
-------------+-----------------------------Total | 7264561.44
15 484304.096

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
5.18
0.0133
0.7214
0.5820
449.91

-----------------------------------------------------------------------------x4 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x1 |
13.82322
11.74472
1.18
0.266
-12.34565
39.99208
x2 | -.0732429
.0436636
-1.68
0.124
-.1705314
.0240457
x3 |
-1.40991
.5663444
-2.49
0.032
-2.671804
-.1480157
x5 |
.1993171
.3276332
0.61
0.557
-.5306952
.9293294
x6 |
1167.779
561.677
2.08
0.064
-83.71492
2419.274
_cons | -11881.24
33002.42
-0.36
0.726
-85415.22
61652.74
-----------------------------------------------------------------------------. regress x5 x1 x2 x3 x4 x6
Source |
SS
df
MS
-------------+-----------------------------Model |
723991849
5
144798370
Residual | 1818385.01
10 181838.501
-------------+-----------------------------Total |
725810234
15 48387348.9

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
796.30
0.0000
0.9975
0.9962
426.43

-----------------------------------------------------------------------------x5 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x1 | -24.75928
8.931925
-2.77
0.020
-44.66084
-4.857707
x2 |
.123433
.0259045
4.76
0.001
.0657142
.1811519
x3 |
1.638107
.4453946
3.68
0.004
.6457062
2.630508
x4 |
.1790548
.2943265
0.61
0.557
-.4767455
.8348551
x6 | -782.0409
587.1614
-1.33
0.212
-2090.318
526.2363
_cons |
95694.37
8682.033
11.02
0.000
76349.59
115039.1
-----------------------------------------------------------------------------. regress x6 x1 x2 x3 x4 x5
Source |
SS
df
MS
-------------+-----------------------------Model | 339.552031
5 67.9104061
Residual | .447969291
10 .044796929
-------------+-----------------------------Total |
340
15 22.6666667

Number of obs
F( 5,
10)
Prob > F
R-squared
Adj R-squared
Root MSE

=
16
= 1515.96
= 0.0000
= 0.9987
= 0.9980
= .21165

-----------------------------------------------------------------------------x6 |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------x1 | -.0034729
.0057922
-0.60
0.562
-.0163788
.009433
x2 |
.0000589
.0000139
4.24
0.002
.000028
.0000899
x3 |
.0008837
.0001921
4.60
0.001
.0004557
.0013116
x4 |
.0002584
.0001243
2.08
0.064
-.0000185
.0005354
x5 | -.0001927
.0001447
-1.33
0.212
-.000515
.0001296
_cons |
8.305049
15.40358
0.54
0.602
-26.01627
42.62636
-----------------------------------------------------------------------------.
. *Criando varivel
. generate RGNP = x2/x1
.
. *Arrumando o "label" da variavel criada

Professora Dra. Marina Silva Cunha

15

ECONOMETRIA I
. label var RGNP "PNB, em termos reais (x2/x1)"
.
. *Regressao
. regress

y RGNP x4 x5

Source |
SS
df
MS
-------------+-----------------------------Model |
181568361
3 60522787.1
Residual |
3440464.6
12 286705.383
-------------+-----------------------------Total |
185008826
15 12333921.7

Number of obs
F( 3,
12)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

16
211.10
0.0000
0.9814
0.9768
535.45

-----------------------------------------------------------------------------y |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------RGNP |
97.36499
17.91551
5.43
0.000
58.33046
136.3995
x4 | -.6879658
.3222373
-2.13
0.054
-1.390061
.0141289
x5 | -.2995369
.1417612
-2.11
0.056
-.608408
.0093342
_cons |
65720.39
10624.8
6.19
0.000
42570.94
88869.85
-----------------------------------------------------------------------------.
.
.
end of do-file

8) No cap. 4, refazer o exemplo da pg. 69 (exemplo 4.7) Demanda por gasolina

Uma verso dinmica do modelo da demanda por gasolina no exemplo 4.4
poderia ser usada para separa os impactos a curto e longo prazo de mudanas na renda e nos
preos. O modelo seria:
ln(G/pop)t = 1 + 2 ln PG,t + 3 ln(income/Pop)t + 4 ln Pnc,t + 5 ln Puc,t +
ln(G/Pop)t-1 + t.
Nesse modelo, as elasticidades do preo e da renda em curto prazo so 2 e 3. As
elasticidades de longo prazo so 2), respectivamente. Para estimar as
elasticidades de longo prazo, ns iremos estimar os parmetros por mnimos quadrados e
ento computar essas duas funes no-lineares das estimativas. Poderemos usar o mtodo
delta para estima os erros padres.
As estimativas por mnimos quadrados dos parmetros do modelo com os erros
padres e as estatsticas t so apresentadas na rotina abaixo. As estimativas das elasticidades
de curto prazo esto dadas na tabela. As duas elasticidades estimadas para longo prazo so f2
= b2/(1 c) = -0.069532/(1 0.830971) = -0.411358 e f3 = 0.164047/(1 0.830971) =
0,970522. Para computar as estimativas dos erros padres, nos precisamos das derivadas
parciais dessas funes com respeito aos seis parmetros no modelo:
g2 = 2/ = [0, 1/(1 ), 0, 0, 0, 2/(1 )] = [0, 5.91613, 0, 0, 0, 2.43365],

g3 = 3/ = [0, 0, 1/(1 ), 0, 0, 3/(1 )] = [0, 0, 5.91613, 0, 0,

5.74174].
. *O Exercicio 8 usa a base de dados F22
. use F22.dta, clear
.
. *Criando variveis
. range t 1 52 52
. tsset t

Professora Dra. Marina Silva Cunha

16

ECONOMETRIA I
time variable:
delta:

t, 1 to 52
1 unit

. gen g=gasexp/(pop*gasp)
. gen lng= ln(g)
. gen pg= ln(gasp)
. gen incomepop = income/pop
. gen lnincomepop= ln(income)
. gen lnpnc= ln(pnc)
. gen lnpuc= ln(puc)
. gen gpop= gasexp/pop
. gen lngpo= ln(gpop)
. gen defg=l.lng
(1 missing value generated)
. *Arrumando o "label" das variaveis criadas
.
.
.
.
.
.
.
.
.
.
.

label
label
label
label
label
label
label
label
label
label
label

variable
variable
variable
variable
variable
variable
variable
variable
variable
variable
variable

t "tendencia"
g "gasexp/(pop*gasp)"
lng "ln g"
pg "ln gasp "
incomepop "income/pop"
lnincomepop "ln income"
gpop "gasexp/pop"
lngpo "ln gpop"
lnpnc "ln pnc"
lnpuc "ln puc"
defg "(G/pop)t-1"

. regress lng pg lnincomepop lnpuc lnpnc defg

Source |
SS
df
MS
-------------+-----------------------------Model | 2.59056415
5
.51811283
Residual | .012735088
45 .000283002
-------------+-----------------------------Total | 2.60329924
50 .052065985

Number of obs
F( 5,
45)
Prob > F
R-squared
Adj R-squared
Root MSE

=
51
= 1830.77
= 0.0000
= 0.9951
= 0.9946
= .01682

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.0695317
.0147326
-4.72
0.000
-.0992047
-.0398587
lnincomepop |
.1640462
.0550263
2.98
0.005
.0532175
.2748748
lnpuc |
.1270093
.0357704
3.55
0.001
.054964
.1990546
lnpnc | -.1783946
.0551726
-3.23
0.002
-.2895179
-.0672714
defg |
.8309713
.0457633
18.16
0.000
.7387994
.9231433
_cons |
-3.12318
.9958266
-3.14
0.003
-5.128878
-1.117483
-----------------------------------------------------------------------------.
. estat vce
Covariance matrix of coefficients of regress model
e(V) |
pg lnincome~p
lnpuc
lnpnc
defg
_cons
-------------+-----------------------------------------------------------------------pg | .00021705
lnincomepop | .00001622
.00302789
lnpuc | -.00004055 -.00060623
.00127952
lnpnc | -.00021705 -.00024708 -.00167822
.00304401
defg | -.0001109 -.00218807
.0000857
.00068115
.00209428
_cons | -.00120876 -.05260159
.00916719
.00510155
.04391455
.99167066
.
.
end of do-file

9) No cap. 4 fazer a aplicao 1) itens a-e

G = 1, 105878 + 0,0002157 income - 0,0110838 gasp + 0,0005774 pnc
Professora Dra. Marina Silva Cunha

17

ECONOMETRIA I
0,0058746 puc + 0,0069073 ppt + 0,0012289 pd + 0,0126905 pn
0,0280278 ps + 0,0725037 t
Os sinais esto dentro das expectativas da Teoria Econmica. Um aumento na
renda per capita tende aumentar G; pois, os indivduos tendem a gastar a renda excedente.
Uma queda no preo da gasolina tende a aumentar G, equivale a um aumento da renda. Um
aumento no preo dos carros novos tende a aumentar G; pois, aumenta o consumo agregado.
Se cair o preo do carro usado G tende a aumentar; pois, camadas da populao que antes no
tinham acesso a carros, agora passam a ter. Um aumento no preo do transporte pblico tende
aumentar G; pois, uma parcela de usurios troca o transporte pblico por carros, prprio ou
adquirem um (novo ou usado). Um aumento do preo agregado nos bens durveis e bens nodurveis tende aumentar G; pois, um aumento geral nos preos gerais implica em aumento de
custos, inclusive nos custos de produo de G. Uma queda no preo agregado dos servios
tendem aumentar G; pois, um aumento da demanda por servios pode gerar um aumento na
demanda por G. Um aumento em t (passagem do tempo) G aumenta.
. *O Exercicio 9 usa a base de dados F22
. use F22.dta, clear
.
. *criar a varivel g
. generate g = 1000000* gasexp/( gasp* pop)
.
. *criar variavel temporal
. generate t = year - 1952
.
. *a) Regresso
. regress g income gasp pnc puc ppt pd pn ps t
Source |
SS
df
MS
-------------+-----------------------------Model | 56.7083042
9 6.30092268
Residual |
.49854905
42 .011870215
-------------+-----------------------------Total | 57.2068532
51
1.121703

Number of obs
F( 9,
42)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
530.82
0.0000
0.9913
0.9894
.10895

-----------------------------------------------------------------------------g |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------income |
.0002157
.0000518
4.17
0.000
.0001113
.0003202
gasp | -.0110838
.0039781
-2.79
0.008
-.019112
-.0030557
pnc |
.0005774
.0128441
0.04
0.964
-.0253432
.0264979
puc | -.0058746
.0048703
-1.21
0.234
-.0157033
.0039541
ppt |
.0069073
.0048361
1.43
0.161
-.0028524
.016667
pd |
.0012289
.0118818
0.10
0.918
-.0227495
.0252072
pn |
.0126905
.012598
1.01
0.320
-.0127333
.0381142
ps | -.0280278
.0079962
-3.51
0.001
-.0441649
-.0118907
t |
.0725037
.0141828
5.11
0.000
.0438816
.1011257
_cons |
1.105878
.5693784
1.94
0.059
-.0431744
2.25493
-----------------------------------------------------------------------------. matrix list e(b)
e(b)[1,10]
income
gasp
ps
t
y1
.00021575 -.01108384
.0280278
.07250369
y1

pnc

puc

ppt

pd

pn

.00057737

-.00587463

.00690727

.00122886

.01269047

_cons
1.1058778
.
. *b) b4 - b5 = 0
. lincom pnc-puc

Professora Dra. Marina Silva Cunha

18

ECONOMETRIA I
( 1)

pnc - puc = 0

-----------------------------------------------------------------------------g |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------(1) |
.006452
.0130374
0.49
0.623
-.0198585
.0327625
-----------------------------------------------------------------------------.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

*c)calculo da elasticidade - feito manualmente

*d) Regresso mltipla (com tendncia (t),
*exceto a varivel despesa com gasolina (gasp),
*e as demais variveis transformadas)
* com criao prvias das variveis ln
generate
generate
generate
generate
generate
generate
generate
generate
generate

lng = ln(g)
lnincome = ln(income)
lngasp = ln(gasp)
lnpnc = ln(pnc)
lnpuc = ln(puc)
lnppt = ln(ppt)
lnpd = ln(pd)
lnpn = ln(pn)
lnps = ln(ps)

*Arrumando o "label" das variaveis criadas

label
label
label
label
label
label
label
label
label
label
label

variable
variable
variable
variable
variable
variable
variable
variable
variable
variable
variable

g "1000000* gasexp/( gasp* pop)"

t "tendencia"
lng "ln g"
lnincome "ln income"
lngasp "ln gasp"
lnpnc "ln pnc"
lnpuc "ln puc"
lnppt "ln ppt"
lnpd "ln pd"
lnpn "ln pn"
lnps "ln ps"

regress lng lnincome lngasp lnpnc lnpuc lnppt lnpd lnpn lnps t

Source |
SS
df
MS
-------------+-----------------------------Model | 2.87044868
9 .318938742
Residual | .038128217
42 .000907815
-------------+-----------------------------Total |
2.9085769
51
.05703092

Number of obs
F( 9,
42)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
351.33
0.0000
0.9869
0.9841
.03013

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnincome |
.9929907
.2503763
3.97
0.000
.4877109
1.49827
lngasp |
.0605177
.0540101
1.12
0.269
-.0484792
.1695146
lnpnc | -.1547138
.2669637
-0.58
0.565
-.6934683
.3840408
lnpuc | -.4890899
.0851996
-5.74
0.000
-.6610297
-.31715
lnppt |
.0192726
.136449
0.14
0.888
-.2560926
.2946378
lnpd |
1.732055
.2598871
6.66
0.000
1.207582
2.256529
lnpn | -.7295301
.2650689
-2.75
0.009
-1.264461
-.1945995
lnps | -.8679929
.3529119
-2.46
0.018
-1.580198
-.1557878
t |
.0379721
.0075137
5.05
0.000
.0228088
.0531354
_cons | -7.287192
2.520568
-2.89
0.006
-12.37391
-2.200479
-----------------------------------------------------------------------------.
. *Anlise do fator de inflao (VIF) com as variveis
. *originais e aps obter a logaritma
.
. quietly regress g income gasp pnc puc ppt pd pn ps t
. estat vif
Variable |
VIF
1/VIF
-------------+---------------------pn |
1614.88
0.000619
ps |
1229.94
0.000813

Professora Dra. Marina Silva Cunha

19

ECONOMETRIA I
pnc |
974.93
0.001026
pd |
820.65
0.001219
ppt |
481.06
0.002079
income |
354.84
0.002818
puc |
265.78
0.003762
t |
198.49
0.005038
gasp |
64.62
0.015476
-------------+---------------------Mean VIF |
667.24
.
. quietly regress lng lnincome lngasp lnpnc lnpuc lnppt lnpd lnpn lnps t
. estat vif
Variable |
VIF
1/VIF
-------------+---------------------lnps |
4992.04
0.000200
lnpn |
1616.82
0.000618
lnpd |
981.54
0.001019
lnppt |
816.07
0.001225
lnpnc |
763.93
0.001309
t |
728.42
0.001373
lnincome |
427.95
0.002337
lnpuc |
221.66
0.004511
lngasp |
75.55
0.013236
-------------+---------------------Mean VIF |
1180.44
.
.

. *e) Correlao das variveis preo

.
. correl pnc puc ppt pd pn ps
(obs=52)
|
pnc
puc
ppt
pd
pn
ps
-------------+-----------------------------------------------------pnc |
1.0000
puc |
0.9939
1.0000
ppt |
0.9807
0.9824
1.0000
pd |
0.9933
0.9878
0.9585
1.0000
pn |
0.9885
0.9822
0.9899
0.9773
1.0000
ps |
0.9785
0.9769
0.9975
0.9563
0.9936
1.0000
.
.
.
end of do-file

10) No cap. 4 fazer a aplicao 2) item a. (Table 4.3)

2. Chistensen e Greene (1976) estimaram uma funo de custo Cobb-Douglas
generalizada para gerao de eletricidade na forma

+[

Professora Dra. Marina Silva Cunha

20

ECONOMETRIA I

indicam o preo unitrio de capital, trabalho e combustvel,

respectivamente a produo e o custo total. Conforme a teoria da produo destacada

necessita-se impor a restrio de que a funo custo homognea de grau um nos trs preos.
Isto feito com a restrio
ou
. Inserindo este resultado na
funo custo e rearranjando produzimos a equao estimada,

+[

a) Foram extrados dados de 158 firmas do estudo de Christensen and Greene

representados na tabela F4.3. Usando todas as 158 observaes, calcule as estimativas dos
parmetros na funo custo e estime a matriz de covarincia assinttica.

. *criao de variveis
.
.
.
.
.
.
.
.

generate
generate
generate
generate
generate
generate

lncost = ln(cost)
lnq = ln(q)
hlnq2 = 0.5*lnq*lnq
lnpk = ln(pk)
lnpl = ln(pl)
lnpf = ln(pf)

*Arrumando o "label" das variveis criadas

. label variable lncost "ln cost"

. label variable lnq "ln q"
. label variable hlnq2 "1/2 lnq squared"
. label variable lnpl "ln pl"
. label variable lnpk "ln pk"
. label variable lnpf "ln pf"
. *regresso sem restrio nos preos (123 observaes)
. regress lncost hlnq2 lnpk lnpl lnpf if id <184
Source |
SS
df
MS
-------------+-----------------------------Model | 293.060974
4 73.2652434
Residual | 4.75580037
118 .040303393
-------------+-----------------------------Total | 297.816774
122
2.4411211

Number of obs
F( 4,
118)
Prob > F
R-squared
Adj R-squared
Root MSE

=
123
= 1817.84
= 0.0000
= 0.9840
= 0.9835
= .20076

-----------------------------------------------------------------------------lncost |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------hlnq2 |
.1159011
.0014216
81.53
0.000
.113086
.1187163
lnpk | -.0259452
.12603
-0.21
0.837
-.2755189
.2236286
lnpl |
.3789541
.1226855
3.09
0.003
.1360035
.6219048
lnpf |
.6241747
.0699078
8.93
0.000
.4857382
.7626113
_cons | -6.467459
1.219985
-5.30
0.000
-8.883361
-4.051558
-----------------------------------------------------------------------------.
. *matriz de varincia-covarincia
. estat vce
Covariance matrix of coefficients of regress model
e(V) |
hlnq2
lnpk
lnpl
lnpf
_cons
-------------+-----------------------------------------------------------hlnq2 | 2.021e-06
lnpk | -.00002248
.01588356

Professora Dra. Marina Silva Cunha

21

ECONOMETRIA I
lnpl | -.00003157
.00179289
.01505173
lnpf | 1.069e-06 -.00098362 -.00256715
.00488711
_cons | .00030489
-.0799313 -.13292029
.01062797
1.4883623
-------------------------------------------------------------------------. *criao de variveis
.
.
.
.
.

generate lncostpf = ln(cost/pf)

generate lnpkpf = ln(pk/pf)
generate lnplpf = ln(pl/pf)
*arrumando o "label" das variveis criadas

. label variable lncostpf "ln cost/pf"

. label variable lnpkpf "ln pk/pf"
. label variable lnplpf "ln pl/pf"
. *a)regresso com as restries no preo (158 observaes)
. regress lncostpf lnq hlnq2 lnpkpf lnplpf
Source |
SS
df
MS
-------------+-----------------------------Model | 370.580472
4 92.6451179
Residual | 2.90489638
153 .018986251
-------------+-----------------------------Total | 373.485368
157 2.37888769

Number of obs
F( 4,
153)
Prob > F
R-squared
Adj R-squared
Root MSE

=
158
= 4879.59
= 0.0000
= 0.9922
= 0.9920
= .13779

-----------------------------------------------------------------------------lncostpf |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnq |
.4027455
.0314831
12.79
0.000
.3405477
.4649432
hlnq2 |
.0608951
.0043253
14.08
0.000
.0523501
.0694402
lnpkpf |
.1620339
.0404056
4.01
0.000
.0822091
.2418587
lnplpf |
.1524447
.0465973
3.27
0.001
.0603874
.244502
_cons | -6.818163
.2524392
-27.01
0.000
-7.31688
-6.319447
-----------------------------------------------------------------------------.
. *matriz de varincia-covarincia
. estat vce
Covariance matrix of coefficients of regress model
e(V) |
lnq
hlnq2
lnpkpf
lnplpf
_cons
-------------+-----------------------------------------------------------lnq | .00099119
hlnq2 | -.00013358
.00001871
lnpkpf | .00010023 -.00001493
.00163261
lnplpf | -.00019957
.00002454 -.00101981
.00217131
_cons | -.00238382
.00031042
.00399459 -.01047129
.06372555
---------------------------------------------------------------------------

11) No cap. 5, refazer o exemplo da pg. 91(exemplo 5.2) (Table F5.2)

Os dados na tabela 5.2 vm sendo usados em vrios estudos de funo de produo.
Regresses de mnimos quadrados do logaritmo natural da produo (valor adicionado) sobre uma
constante e sobre os logs de trabalho e capital resultam na estimao de uma funo de produo
Cobb-Douglas so apresentados na rotina abaixo. Foram construdos muitos testes de hipteses
baseados nestes resultados. Uma generalizao do modelo Cobb-Douglas o modelo translog que sua
regresso tambm apresentada na rotina em questo.
O modelo Cobb-Douglas obtido pela restrio

. Os resultados

das duas regresses so representados na rotina abaixo. A estatstica F para a hiptese de um modelo
Cobb-Douglas

Professora Dra. Marina Silva Cunha

22

ECONOMETRIA I

O valor crtico da tabela F 3,07, ento ns no devemos rejeitar a hiptese que o modelo
Cobb-Douglas apropriado.
A hiptese dos retornos constantes de escala tambm PE testada nos estudos de produo.
Essa hiptese equivalente para a restrio de que a soma dos dois coeficientes da funo de produo
Cobb-Douglas igual a 1. Para os dados anteriores,

Que substancialmente menor do que o valor crtico de 4,26 a 95 por cento. Ns no

podemos rejeitar a hiptese; os dados so consistentes com a hiptese de retornos constantes de escala.

. *criao de variveis
. generate lnvalueadd = ln(valueadd)
. generate lnlabor = ln(labor)
.
.
.
.

generate
generate
generate
generate

lncapital = ln(capital)
hlnlabor2 = 0.5*lnlabor*lnlabor
hlncapital2 = 0.5*lncapital*lncapital
lnlablncap = lnlabor*lncapital

. *Arrumando o "label" das variaveis criadas

.
.
.
.
.
.

label
label
label
label
label
label

variable
variable
variable
variable
variable
variable

lnvalueadd "ln valueadd"

lnlabor "ln labor"
lncapital "ln capital"
hlnlabor2 "1/2 lnlabor squared"
hlncapital2 "1/2 lncapital squared"
lnlablncap "lnlabor x lncapital"

. *Regresso Translog
. regress lnvalueadd

lnlabor lncapital hlnlabor2 hlncapital2 lnlablncap

Source |
SS
df
MS
-------------+-----------------------------Model | 14.3832713
5 2.87665426
Residual | .679926211
21 .032377439
-------------+-----------------------------Total | 15.0631975
26
.57935375

Number of obs
F( 5,
21)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

27
88.85
0.0000
0.9549
0.9441
.17994

-----------------------------------------------------------------------------lnvalueadd |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnlabor |
3.61365
1.548071
2.33
0.030
.3942591
6.833041
lncapital |
-1.89312
1.016259
-1.86
0.077
-4.006547
.2203065

Professora Dra. Marina Silva Cunha

23

ECONOMETRIA I
hlnlabor2 | -.9640604
.7073833
-1.36
0.187
-2.435145
.5070238
hlncapital2 |
.0852921
.2926086
0.29
0.774
-.5232209
.693805
lnlablncap |
.3123918
.4389265
0.71
0.484
-.6004058
1.225189
_cons |
.944193
2.910755
0.32
0.749
-5.109053
6.997438
------------------------------------------------------------------------------

. *matriz de variancia-covariancia Translog

. estat vce

Covariance matrix of coefficients of regress model

e(V) |
lnlabor
lncapital
hlnlabor2 hlncapit~2 lnlablncap
_cons
-------------+-----------------------------------------------------------------------lnlabor | 2.3965251
lncapital | -1.2310116
1.0327828
hlnlabor2 | -.66580101
.52305032
.50039116
hlncapital2 | .03476768
.02636902
.14674241
.0856198
lnlablncap | .18311127 -.22554088 -.28803269 -.11604012
.19265648
_cons | -2.3879085 -.33129048 -.08760035 -.23317457
.36354542
8.4724922
--------------------------------------------------------------------------------------

. *regressao Cobb-Douglas
. regress lnvalueadd

lnlabor lncapital

Source |
SS
df
MS
-------------+-----------------------------Model | 14.2115637
2 7.10578187
Residual |
.85163374
24 .035484739
-------------+-----------------------------Total | 15.0631975
26
.57935375

Number of obs
F( 2,
24)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

27
200.25
0.0000
0.9435
0.9388
.18837

-----------------------------------------------------------------------------lnvalueadd |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnlabor |
.6029994
.125954
4.79
0.000
.3430432
.8629556
lncapital |
.3757102
.085346
4.40
0.000
.1995648
.5518556
_cons |
1.170644
.326782
3.58
0.002
.4961988
1.845089
------------------------------------------------------------------------------

. *matriz de variancia-covariancia Coob-Douglas

. estat vce

Covariance matrix of coefficients of regress model

Professora Dra. Marina Silva Cunha

24

ECONOMETRIA I

e(V) |
lnlabor
lncapital
_cons
-------------+-----------------------------------lnlabor |
.0158644
lncapital | -.0096162
.00728393
_cons | -.0198354
.00118885
.1067865

-----------------------------------------------------------------------

12) No cap. 5, refazer a aplicao 3, demanda por gasolina (Table F2.2)

apenas o item a)
O modelo de consumo de gasolina sugerido na parte d das Aplicaes 1 na captulo 4
pode ser escrito como

a) Faa o teste de hiptese de que os trs ndices de preos agregados no so

determinantes significativos da demanda por gasolina
. *criar a varivel g
. generate float g = 1000000* gasexp/( gasp* pop)
.
.
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
. generate t = year - 1952
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
.
.
.
.
.
.
.
.
.

generate
generate
generate
generate
generate
generate
generate
generate
generate

lng = ln(g)
lnincome = ln(income)
lngasp = ln(gasp)
lnpnc = ln(pnc)
lnpuc = ln(puc)
lnppt = ln(ppt)
lnpd = ln(pd)
lnpn = ln(pn)
lnps = ln(ps)

.
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
.
.
.
.
.
.
.
.
.
.
.

label
label
label
label
label
label
label
label
label
label
label

variable
variable
variable
variable
variable
variable
variable
variable
variable
variable
variable

g "1000000* gasexp/( gasp* pop)"

t "tendencia"
lng "ln g"
lnincome "ln income"
lngasp "ln gasp"
lnpnc "ln pnc"
lnpuc "ln puc"
lnppt "ln ppt"
lnpd "ln pd"
lnpn "ln pn"
lnps "ln ps"

Professora Dra. Marina Silva Cunha

25

ECONOMETRIA I
.
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
. regress lng lnincome lngasp lnpnc lnpuc lnppt lnpd lnpn lnps t
Source |
SS
df
MS
-------------+-----------------------------Model | 2.87044868
9 .318938742
Residual | .038128217
42 .000907815
-------------+-----------------------------Total |
2.9085769
51
.05703092

Number of obs
F( 9,
42)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
351.33
0.0000
0.9869
0.9841
.03013

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnincome |
.9929907
.2503763
3.97
0.000
.4877109
1.49827
lngasp |
.0605177
.0540101
1.12
0.269
-.0484792
.1695146
lnpnc | -.1547138
.2669637
-0.58
0.565
-.6934683
.3840408
lnpuc | -.4890899
.0851996
-5.74
0.000
-.6610297
-.31715
lnppt |
.0192726
.136449
0.14
0.888
-.2560926
.2946378
lnpd |
1.732055
.2598871
6.66
0.000
1.207582
2.256529
lnpn | -.7295301
.2650689
-2.75
0.009
-1.264461
-.1945995
lnps | -.8679929
.3529119
-2.46
0.018
-1.580198
-.1557878
t |
.0379721
.0075137
5.05
0.000
.0228088
.0531354
_cons | -7.287192
2.520568
-2.89
0.006
-12.37391
-2.200479
-----------------------------------------------------------------------------. gen r1 = 0.9869
.
.
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
. *Regresso mltipla excluindo as variveis de preo agregado - para obter R2:
. regress lng lnincome lngasp lnpnc lnpuc lnppt t
Source |
SS
df
MS
-------------+-----------------------------Model | 2.80714027
6 .467856712
Residual | .101436623
45 .002254147
-------------+-----------------------------Total |
2.9085769
51
.05703092

Number of obs
F( 6,
45)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
207.55
0.0000
0.9651
0.9605
.04748

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------lnincome |
1.649092
.2026545
8.14
0.000
1.240925
2.057259
lngasp | -.0537336
.042511
-1.26
0.213
-.1393551
.0318879
lnpnc | -.0319892
.2057429
-0.16
0.877
-.4463767
.3823984
lnpuc | -.0739298
.1054897
-0.70
0.487
-.286397
.1385374
lnppt | -.0615358
.1234373
-0.50
0.621
-.3101513
.1870796
t | -.0128761
.0052534
-2.45
0.018
-.023457
-.0022952
_cons | -13.13966
2.09171
-6.28
0.000
-17.35258
-8.926744
-----------------------------------------------------------------------------. gen r0 = 0.9651
.
. *teste considerando R2 encontrados
. gen F=((r1-r0)/2)/((1-r1)/(52-10))
. list r0 r1 F

1.
2.
3.
4.
5.

+--------------------------+
|
r0
r1
F |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|

Professora Dra. Marina Silva Cunha

26

ECONOMETRIA I
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
47.
48.
49.
50.
51.
52.

| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
|--------------------------|
| .9651
.9869
34.94646 |
| .9651
.9869
34.94646 |
+--------------------------+

.
.
end of do-file

13) No cap. 6, refazer o exemplo 6.7, demanda por gasolina (Table F2.2)

6.7 Quebra estrutural no mercado de gasolina

Professora Dra. Marina Silva Cunha

27

ECONOMETRIA I

A figura 6.5 da pgina 120 mostra a graficamente a distribuio de preos e

quantidades no mercado de gasolina americano no perodo de 1953 a 2004. Os primeiros 21
pontos esto prximos do eixo x e sugerem um mercado ordenado. Os restantes claramente
refletem o tumulto subseqente neste mercado.
Ser utilizado o teste de Chow para examinar este mercado. O modelo que ser
utilizado o sugerido no exemplo 2.3 com a adio de uma tendncia de tempo.

Os trs preos na equao so para , carros novos, e carros usados.

a
renda per capita, e
o consumo de gasolina per capita. O resultado da regresso para as quatro
formas funcionais so apresentados na sada abaixo. Usando os dados para a amostra completa, de
1953 a 2004, e para dois sub-perodos, 1953 a 1973 e 1974 a 2004, obtemos trs regresses estimadas.
A estatstica para testar a restrio de que os coeficientes nas duas equaes so os mesmo

O valor crtico tabelado 2,467, ento, de acordo com nossas expectativas, ns

devemos rejeitar a hiptse que o vetor de coeficientes so os mesmo nos dois perodos.
Usando todo o conjunto de 52 observaes para rodar o modelo, a soma dos quadrados dos
resduos
. Quando o
observaes para 1974, 1975, 1980 e 1981
serem removidos da amostra, a soma dos quadrados dos resduos cai para
. A estatstica 0,496. Porque valor crtico tabelado para

2,594, ns no conseguimos rejeitar a hiptese de estabilidade. A concluso para esse ponto

deve ser que embora algo tenha certamente mudado no mercado, a hiptese de um
desequilbrio temporrio no parece ser uma explicao adequada.
Um caminho alternativo para calcular essa estatstica pode ser mais conveniente.
Considere o arranjo original, com todas as 52 observaes. Agora adicionamos na regresso
quatro variveis binrias, schok, schok1, schok2, schok3. Cada uma delas recebe o calor 1
para os anos 1974, 1975, 1980 e 1981, respectivamente e zero para todas os outros 51 anos.
Ns calculamos a regresso com as seis variveis originais mais as quatro variveis dummy.
A soma dos quadrados do resduo nessa regresso 0,0973936 (precisamente o mesmo
quando as 4 observaes so deletados da amostra), ento a estatstica para testar a hiptese
de que os quatros coeficientes so zero

Professora Dra. Marina Silva Cunha

28

ECONOMETRIA I

A estatstica para testar a restrio de que os coeficientes nas duas equaes so

os mesmos excluindo o termo constante baseado na soma dos quadrados do resduo das trs
ltimas regresses apresentadas nas sadas abaixo.

O valor crtico tabelado 2.449, ento esta hiptese rejeitada. Os dados sugerem
que o modelo para os dois perodos so sistematicamente diferentes, alm de um simples
deslocamento no termo constante.
A razo F destes resultados da estimao do modelo sujeito a restrio que as duas
elasticidades preo dos automveis e o coeficiente de tendencia de tempo so imutveis

O valor crtico de F tabelado 2.839, ento esta hiptese tambm rejeitada.

Note, entretanto, que este valor muito menor do que aquele que obtivemos anteriormente.
Este fato sugere que a diferena nos modelos entre os dois perodos explicada por
mudanas na constante e nas elasticidades de preo e renda.
O teste estatstico para o resultado da regresso da tabela 6.7 da um valor de
158.753. O valor de 5% crtico da tabela de qui-quadrado para 6 graus de liberdade 12.59.
Ento, com base no teste de Wald, ns mais uma vez rejeitaramos a hiptese que o mesmo
vetor de coeficientes se aplica aos dois subperodos 1953 a 1973 e 1974 a 2004. devemos
enfatizar que a estatstica Wald somente valida para grandes amostras , nossas amostras de
21 e 31 observaes fortemente padronizada. Ns testamos a hiptese de que o modelo de
regresso para o mercado de gasolina mudou em 1973 e com base no teste F ( teste de Chow )
rejeitamos fortemente a hiptse de estabilidade do modelo.

. gen g=gasexp/(pop*gasp)
. gen lng= ln(g)
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
.
.
.
.
.
.
.

gen
gen
gen
gen
gen
gen
gen

pg= ln(gasp)
incomepop = income/pop
lnincomepop= ln(income)
gpop= gasexp/pop
lngpo= ln(gpop)
lnpnc= ln(pnc)
lnpuc= ln(puc)

end of do-file

Professora Dra. Marina Silva Cunha

29

ECONOMETRIA I
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
.
.
.
.
.
.
.
.
.
.

*Arrumando o "label" das variaveis criadas

label variable g "gasexp/(pop*gasp)"
label variable lng "ln g"
label variable pg "ln gasp "
label variable incomepop "income/pop"
label variable lnincomepop "ln income"
label variable gpop "gasexp/pop"
label variable lngpo "ln gpop"
label variable lnpnc "ln pnc"
label variable lnpuc "ln puc"

end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
. gen t= _n
. regress lng pg lnincomepop lnpnc lnpuc t
Source |
SS
df
MS
-------------+-----------------------------Model | 2.80658066
5 .561316133
Residual | .101996656
46 .002217319
-------------+-----------------------------Total | 2.90857732
51 .057030928

Number of obs
F( 5,
46)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
253.15
0.0000
0.9649
0.9611
.04709

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.0539223
.0421606
-1.28
0.207
-.1387871
.0309426
lnincomepop |
1.624962
.1951747
8.33
0.000
1.232096
2.017828
lnpnc | -.0834322
.1765335
-0.47
0.639
-.4387756
.2719112
lnpuc | -.0846749
.1024172
-0.83
0.413
-.29083
.1214801
t | -.0139261
.0047732
-2.92
0.005
-.0235341
-.0043181
_cons | -26.67868
2.000292
-13.34
0.000
-30.70506
-22.6523
-----------------------------------------------------------------------------.
.
end of do-file
. do "C:\Users\Lucca\AppData\Local\Temp\STD01000000.tmp"
. *regresso 1953 a 1973
.
. regress lng pg lnincomepop lnpnc lnpuc t if year<1974
Source |
SS
df
MS
-------------+-----------------------------Model | .798213665
5 .159642733
Residual | .002022414
15 .000134828
-------------+-----------------------------Total | .800236078
20 .040011804

Number of obs
F( 5,
15)
Prob > F
R-squared
Adj R-squared
Root MSE

=
21
= 1184.05
= 0.0000
= 0.9975
= 0.9966
= .01161

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.0322579
.1579237
-0.20
0.841
-.3688644
.3043486
lnincomepop |
.8481922
.1158819
7.32
0.000
.6011958
1.095189
lnpnc |
.6987538
.1184026
5.90
0.000
.4463846
.951123
lnpuc | -.2905282
.0538216
-5.40
0.000
-.4052463
-.1758102
t |
.0100634
.0027363
3.68
0.002
.0042311
.0158957
_cons | -22.16467
1.054708
-21.01
0.000
-24.41272
-19.91661
-----------------------------------------------------------------------------.
. *regresso 1974 a 2004
.
. regress lng pg lnincomepop lnpnc lnpuc t if year>1973
Source |
SS
df
MS
-------------+-----------------------------Model | .144173775
5 .028834755
Residual | .007127823
25 .000285113

Number of obs =
F( 5,
25) =
Prob > F
=
R-squared
=

31
101.13
0.0000
0.9529

Professora Dra. Marina Silva Cunha

30

ECONOMETRIA I
-------------+-----------------------------Total | .151301598
30 .005043387

Adj R-squared =
Root MSE
=

0.9435
.01689

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.1240219
.0185093
-6.70
0.000
-.1621424
-.0859013
lnincomepop |
.3738983
.1490876
2.51
0.019
.0668467
.6809499
lnpnc | -.0011458
.0841047
-0.01
0.989
-.1743628
.1720711
lnpuc | -.0216715
.0475906
-0.46
0.653
-.1196862
.0763432
t |
.0044919
.0029221
1.54
0.137
-.0015263
.0105101
_cons |
-15.3283
1.415023
-10.83
0.000
-18.24259
-12.414
-----------------------------------------------------------------------------.
. *regresso excluindo os anos 1974, 1975, 1980 e 1981
. gen schok=0
. gen schok1=0
. gen schok2=0
. gen schok3=0
.
. regress lng pg lnincomepop lnpnc lnpuc t schok schok1 schok2 schok3
note: schok omitted because of collinearity
note: schok1 omitted because of collinearity
note: schok2 omitted because of collinearity
note: schok3 omitted because of collinearity
Source |
SS
df
MS
-------------+-----------------------------Model | 2.80658066
5 .561316133
Residual | .101996656
46 .002217319
-------------+-----------------------------Total | 2.90857732
51 .057030928

Number of obs
F( 5,
46)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
253.15
0.0000
0.9649
0.9611
.04709

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.0539223
.0421606
-1.28
0.207
-.1387871
.0309426
lnincomepop |
1.624962
.1951747
8.33
0.000
1.232096
2.017828
lnpnc | -.0834322
.1765335
-0.47
0.639
-.4387756
.2719112
lnpuc | -.0846749
.1024172
-0.83
0.413
-.29083
.1214801
t | -.0139261
.0047732
-2.92
0.005
-.0235341
-.0043181
schok | (omitted)
schok1 | (omitted)
schok2 | (omitted)
schok3 | (omitted)
_cons | -26.67868
2.000292
-13.34
0.000
-30.70506
-22.6523
-----------------------------------------------------------------------------.
. *regresso com dummy 0 no primeiro perodo e 1 no segundo perodo
. gen g2= (year>1973)
. regress lng pg lnincomepop lnpnc lnpuc t g2
Source |
SS
df
MS
-------------+-----------------------------Model | 2.81649573
6 .469415955
Residual | .092081589
45 .002046258
-------------+-----------------------------Total | 2.90857732
51 .057030928

Number of obs
F( 6,
45)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
229.40
0.0000
0.9683
0.9641
.04524

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.1132024
.0486377
-2.33
0.024
-.2111638
-.0152411
lnincomepop |
1.456223
.20256
7.19
0.000
1.048246
1.8642
lnpnc |
-.104403
.1698546
-0.61
0.542
-.4465077
.2377017
lnpuc | -.0864638
.0983906
-0.88
0.384
-.2846327
.111705
t | -.0092319
.005057
-1.83
0.075
-.0194173
.0009535
g2 |
.084167
.0382362
2.20
0.033
.0071554
.1611786
_cons | -24.90091
2.084405
-11.95
0.000
-29.09911
-20.7027

Professora Dra. Marina Silva Cunha

31

ECONOMETRIA I
-----------------------------------------------------------------------------.
. *regresso com dummy 1 no primeiro perodo e 0 no segundo perodo
. gen g3=(year<1974)
.
. regress lng pg lnincomepop lnpnc lnpuc t g3
Source |
SS
df
MS
-------------+-----------------------------Model | 2.81649573
6 .469415955
Residual | .092081589
45 .002046258
-------------+-----------------------------Total | 2.90857732
51 .057030928

Number of obs
F( 6,
45)
Prob > F
R-squared
Adj R-squared
Root MSE

=
=
=
=
=
=

52
229.40
0.0000
0.9683
0.9641
.04524

-----------------------------------------------------------------------------lng |
Coef.
Std. Err.
t
P>|t|
[95% Conf. Interval]
-------------+---------------------------------------------------------------pg | -.1132024
.0486377
-2.33
0.024
-.2111638
-.0152411
lnincomepop |
1.456223
.20256
7.19
0.000
1.048246
1.8642
lnpnc |
-.104403
.1698546
-0.61
0.542
-.4465077
.2377017
lnpuc | -.0864638
.0983906
-0.88
0.384
-.2846327
.111705
t | -.0092319
.005057
-1.83
0.075
-.0194173
.0009535
g3 |
-.084167
.0382362
-2.20
0.033
-.1611786
-.0071554
_cons | -24.81674
2.099516
-11.82
0.000
-29.04538
-20.5881
-----------------------------------------------------------------------------.
end of do-file
.

Professora Dra. Marina Silva Cunha