Lista de exercicios

1.a) A multicolineariade implica uma forte relação entre as variáveis explicativas do modelo. Na multicolinearidade os pressupostos são acerca da magnitude dos erros, detectamos multicolinearidade em um modelo cujo o R2 é alto e as estatísticas t não são significantes. Passa a ser um problema, pois os coeficientes estimados não são viesados e causa coeficientes não significantes. (Lembre que quanto maior o R² e o prob, maior o problema)
b) Os erros heteroscedásticos e autocorrelacionados mostram que os betas continuarão linear e não tendencioso, mas o estimador não possui variância mínima e constante na classe dos estimadores não viesados, logo deixa de ser eficiente.
c) Quando a variância for conhecida: é feita a correção por meio dos Mínimos Quadrados Ponderados (aplica-se MQO nas variáveis transformadas), pois os estimadores assim obtidos são MELNV. Quando a variância for desconhecida (Variâncias e erros-padrão consistentes em heteroscedasticidade segundo White), valido para grandes amostras.

2)
a)
Dependent Variable: LOG(PCOBRE) | | Method: Least Squares | | | Date: 12/03/12 Time: 11:44 | | | Sample: 1951 1980 | | | Included observations: 30 | | | | | | | | | | | | | Variable | Coefficient | Std. Error | t-Statistic | Prob. | | | | | | | | | | | LOG(INDPRODIND) | 0.467509 | 0.165987 | 2.816541 | 0.0093 | LOG(PCOBRENALONDO) | 0.279443 | 0.114726 | 2.435745 | 0.0223 | LOG(PREDCONSTANO) | -0.005152 | 0.142947 | -0.036038 | 0.9715 | LOG(PALUMINIO) | 0.441449 | 0.106508 | 4.144737 | 0.0003 | C | -1.500441 | 1.003020 | -1.495923 | 0.1472 | | | | | | | | | | | R-squared | 0.936090 | Mean dependent var | 3.721145 | Adjusted R-squared | 0.925864 | S.D. dependent var | 0.447149 | S.E. of regression | 0.121749 | Akaike info criterion | -1.222692 | Sum squared resid | 0.370573 | Schwarz criterion | -0.989159 | Log likelihood | 23.34039 | F-statistic | 91.54312 |