respex_850203904_3
DESCRIPTION
EconometriaTRANSCRIPT
Solutions to Exercises in Chapter 3
PAGE 13Captulo 3
Solues dos Exerccios
Solues para os Exerccios do Captulo 3
3.1(a)
linear nos parmetros e ,
no linear nas variveis.
(b)
no linear nos parmetros e .
(c)
forma no linear; esse modelo pode ser escrito numa forma linear nos parmetros, que o modelo log-linear,
(d)
no linear.
(e)
modelo log-linear, que linear nos parmetros e .
(f)
no linear nos parmetros e ; contudo, este modelo pode ser escrito como um modelo log-log
em que A transformao por logaritmo converteu o modelo em um que linear nos parmetros ( e .
3.2(a)
(b)
(c)Veja a Figura 3.1.
(d)As quantidades b1 e b2 so as estimativas de mnimos quadrados para os parmetros (1 e (2 no modelo linear , em que et um termo de erro aleatrio. O valor b1 uma estimativa do intercepto; ele sugere que quando xt = 0, yt = 1. O valor b2 uma estimativa da inclinao; ele sugere que quando xt aumenta em 1 unidade, a mudana correspondente em yt ser de 1 unidade.
(e)Veja a Figura 3.1.
3.3Observe que
ou
. Assim,
est sobre a reta ajustada.
3.4Considere a reta ajustada
. Tirando a mdia em relao a T, ns obtemos
=
Do Exerccio 3.3, ns tambm temos
. Assim,
.
3.5(a)Seu computador deveria produzir os seguintes resultados:
(b)Estritamente falando, o coeficiente de intercepto, b1 = 0,4656, d o nvel de produto quando o insumo utilizado zero. Contudo, pelo fato de que no factual utilizar zero de insumo, essa interpretao deve ser tratada com cuidado; seria esperado que, quando o insumo utilizado fosse zero, o produto seria zero. O coeficiente de inclinao, b2 = 0,29246, indica que, para uma variao de 1 unidade no insumo utilizado, existiria uma mudana correspondente de 0,29 no produto.
(c)Veja a Figura 3.2.
(d)Nos termos da rao utilizada, o custo total (TC) TC = 6x. Contudo, na economia, uma funo de custo total convencionalmente se relaciona com o produto. Como
Figura 3.2 Funo de produo estimada para o exemplo da rao para aves
e a funo de custo total em termos do produto se torna
A funo de custo marginal (MC) correspondente dada por
Utilizando as estimativas de mnimos quadrados para (1 e (2, obtidas na parte (a), ns temos
= (9,552 + 20,52y
e MC = 20,52.
(e)Do item (d), a relao entre custo total da rao e produo dada por
onde
e
Resolvendo para os parmetros da funo de produo (1 e (2 em termos dos parmetros da funo de custo (1 e (2, ns temos
e
Assim, as estimativas dos parmetros da funo de produo podem ser encontradas, aplicando os mnimos quadrados para a funo de custo com o intuito de obter as estimativas
e
e, ento, utilizar as expresses acima de (1 e (2 para obter as estimativas
e
. Seguindo esse procedimento com os dados disponveis, ns temos
= (8,1273 e
= 20,007 e, assim,
e
Observe que essas estimativas diferem ligeiramente das estimativas de mnimos quadrados b1 = 0,466 e b2 = 0,292, obtidas diretamente da funo de produo. Isso ocorre porque a aplicao do mtodo de mnimos quadrados para a funo de custo um problema diferente da aplicao do mtodo de mnimos quadrados para a funo de produo.
3.6(a)
yt = ln qtxt = ln pt
6,7934660,207014
6,9196840,139762
6,9660240,095310
6,9846700,182322
6,5220930,300105
6,6052980,223144
6,6957990,246860
7,150701-0,010050
6,8522430,198851
6,7730800,223144
6,5792510,262364
6,9994220,048790
(b)O clculo dos valores para b1 e b2 tipicamente feito no computado. Alguns resultados intermedirios e as estimativas so:
= 14,24835
= 0,4661609
= 557,3354
= 81,75173
= 2,117616T = 12
(c)O valor b2 = (1,93 uma estimativa da elasticidade da demanda por lanches. Ela sugere que um aumento de 1% no preo, diminuir a quantidade demandada em 1,93%.
(d) Se a demanda elstica ((2 < (1), ento uma queda no preo, aumentar a receita total; com uma demanda inelstica ((2 > (1), uma reduo nos preos, diminuir a receita total. Nossa estimativa de b2 = (1,93, sugere que o Sanduichov deveria diminuir os preos.
3.7Se o intercepto no modelo de regresso linear simples zero, o modelo passa a ser
Para simplificar a notao do subscrito, ns colocamos (2 = (.
(a)A funo da soma de quadrados passa a ser
(b)Para encontrar o valor de ( que minimiza S((), ns obtemos
Igualando essa derivada a zero, ns temos
ou
(c)Do exerccio 3.5, ns temos
= 142,6064
= 418,53
= 1240
Assim, a funo da soma de quadrados
S(() = 142,6064 ( 837,06 ( + 1240 (2
Da Figura 3.4 ns podemos visualizar que o valor minimizante aproximadamente b = 0,34. Essa a estimativa de mnimos quadrados porque, do item (b)
(d)Quando (2 = 0, mas (1 ( 0, o modelo passa a ser
A funo da soma de quadrados passa a ser
Para conseguir o valor minimizante, ns temos
Igualando essa derivada a zero
ou
Quando ns temos somente um intercepto e nenhuma varivel explanatria, o estimador de mnimos quadrados para o intercepto a mdia amostral
. Para os dados na Tabela 3.2, a funo da soma de quadrados
S((1) = 142,6064 ( 84,16 (1 + 15
Da Figura 3.5, ns vemos que o valor minimizante
= 2,8053.
3.8(a)Os grficos de u contra q e de ln(u) contra ln(q) aparecem nas Figuras 3.6 e 3.7. Os dois grficos so bastante similares em natureza.
(b)
b1 = 6,0191b2 = (0,3857
Como ln(u1) = (1, uma estimativa de u1
Esse resultado sugere que 411,2 foi o custo de produo da primeira unidade. A estimativa b2 = (0,3857 sugere que o aumento de 1% na produo acumulada diminuir os custos em 0,386%. Os nmeros parecem sensatos.
3.9(a)O modelo um modelo de regresso simples porque ele pode ser escrito como
em que y = rj ( rf , x = rm ( rf , (1 = (j e (2 = (j.
(b)A estimativa beta da Mobil Oil b2 = 0,7147. Esse valor sugere que a ao da Mobil Oil defensiva.
(c)b1 =
= 0,00424. Esse pequeno valo parece consistente com a teoria financeira.
(d) Dado (j = 0, a estimativa beta da Mobil b2 = 0,7211. A restrio (j = 0 levou a apenas uma pequena diminuio no beta.
3.10Quando xt = c, o denominador na equao 3.3.8a
O numerador
Assim, o estimador de mnimos quadrados no pode ser calculado quando para todos os t.
3.11As observaes de y e x e a reta estimada de mnimos quadrados no item (b) esto colocadas no grfico da Figura 3.8. A reta retirada do item (a) depender da escolha subjetiva de cada estudante sobre a posio da reta. Por essa razo, ela foi omitida.
(b)Clculos preliminares apresentam:
As estimativas de mnimos quadrados so
Figura 3.8 Observaes e reta ajustada para o Exerccio 3.11
Figura 3.9 Grfico dos resduos contra x para o Exerccio 3.11
(c)
O valor previsto de y quando
Ns observamos que Assim, o valor previsto na mdia amostral a mdia amostral da varivel dependente . A reta de mnimos quadrados estimada passa atravs do ponto .
(d)Os valores dos resduos de mnimos quadrados, calculados de , so:
A soma desses termos
(e) Os resduos de mnimos quadrados so colocados no grfico contra x na Figura 3.9. Eles parecem apresentar um padro cclico. Contudo, com somente seis pontos difcil extrair qualquer concluso geral.
3.12(a)Se o modelo de regresso simples passa a ser
(b)Graficamente, a implicao de colocarmos que a mdia do modelo de regresso linear simples passa atravs da origem (0, 0).
(c)Os estimadores de mnimos quadrados em (3.3.8) no so mais apropriados se ns sabemos que porque, nesse caso, uma funo diferente da soma de quadrados do mtodo de mnimos quadrados precisa ser minimizada.
(d)Para simplificar a notao ns colocamos A funo da soma de quadrados passa a ser
Um grfico da funo quadrtica aparece na Figura 3.10. O valor mnimo dessa funo aproximadamente 12 e ocorre quando, aproximadamente, A significncia desse valor que ele a estimativa de mnimos quadrados.
(e)Para encontrar o valor de ( que minimiza ns obtemos
Igualando essa derivada a zero, ns temos
ou
Assim, a estimativa de mnimos quadrados
o qual est em acordo com o valor aproximado de 1,95 que ns obtemos geometricamente.
(f)O valor gerado pelo computador tambm
(g)A reta da regresso ajustada colocada no grfico na Figura 3.11. Observe que o ponto no est sobre a reta ajustada nesse caso.
(h)Os resduos de mnimos quadrados, obtidos de so:
A soma desses termos Observe que esse valor no igual a zero, como seria o caso para
SHAPE \* MERGEFORMAT
Figura 3.10 Soma dos quadrados para Figura 3.11 Regresso ajustada: .
3.13(a)Se o modelo de regresso linear simples passa a ser
(b)Graficamente, implica que a mdia da funo para uma reta horizontal que constante para todos os valores de x; isto
(c)
implica que no existe relao entre y e x.
(d)As frmulas em (3.3.8) no so apropriadas se sabemos que porque elas so obtidas pela minimizao de uma funo da soma de quadrados que inclui .
(e)A funo de soma de quadrados passa a ser
Essa funo quadrtica colocada em um grfico na Figura 3.12. O valor de que minimiza a estimativa de mnimos quadrados. Do grfico podemos visualizar que esse valor aproximadamente
(f)Para encontrar a frmula para a estimativa de mnimos quadrados de , ns derivamos , produzindo
Igualando essa derivada a zero
ou
Quando ns temos apenas o intercepto e nenhuma varivel explanatria, o estimador de mnimos quadrados para o intercepto a mdia amostral Esse valor , que est prximo do valor que ns obtemos geometricamente.
SHAPE \* MERGEFORMAT
Figura 3.12 Funo da soma de quadrados para para o Exerccio 3.13
SHAPE \* MERGEFORMAT
Figura 3.13 Grfico da reta de regresso das vendas-propaganda para o Exerccio 3.14
3.14(a)O relatrio do consultor implica que as estimativas de mnimos quadrados satisfazem as seguintes equaes
Resolvendo essas duas equaes, temos
(b) Um grfico da reta de regresso ajustada aparece na Figura 3.13.
3.15(a)A estimativa do intercepto uma estimativa do nmero de refrigerantes vendidos quando a temperatura 0 grau Fahrenheit. Um problema comum para interpretar o intercepto estimado que ns freqentemente no dispomos de qualquer dado prximo de Se ns no temos nenhuma observao na regio onde a temperatura 0, ento a relao estimada pode no ser uma boa aproximao para a realidade daquela regio. Claramente, impossvel vender (240 refrigerantes e, assim, essa estimativa no deveria ser aceita como razovel.
O coeficiente angular estimado uma estimativa do aumento de refrigerantes vendidos quando a temperatura se eleva em 1 grau Fahrenheit. Essa estimativa faz sentido. Algum esperaria que o nmero de refrigerantes vendidos aumentasse com a elevao da temperatura.
(b)Se a temperatura for de 80 graus, o nmero predito de refrigerantes vendidos
(c)Se nenhum refrigerante for vendido, e
ou
.
Assim, essa equao prediz que nenhum refrigerante ser vendido abaixo de 40(F.
(d) Um grfico da reta de regresso estimada aparece na Figura 3.14.
Figura 13.4 Grfico da reta de regresso para as vendas de refrigerantes e temperatura para o Exerccio 3.15
3.16(a)
VarivelMdiaDesvio PadroMnimoMximo
price (preo)821331228852000111002
sqft1794,6200,021402,02100,0
(b)O grfico na Figura 3.15 sugere uma relao positiva entre preo da casa e tamanho.
(c)A equao estimada
O coeficiente 46,005 sugere que o preo da casa aumenta aproximadamente $ 46 para cada p quadrado de tamanho da casa. O intercepto, se tomado literalmente, sugere que uma casa como zero p quadrado de tamanho custaria $ (426. O modelo no deveria ser levado a srio perto dos valores de zero para o tamanho da casa, j que so valores sem significado.
(d)Um grfico dos resduos contra o tamanho da casa aparecem na Figura 3.16. Parece existir uma ligeira tendncia para o aumento da magnitude dos resduos quando o tamanho das casas aumenta.
(e)O valor predito de uma casa com 2000 ps quadrados de rea til
SHAPE \* MERGEFORMAT
Figura 3.15 Preo contra ps quadrados Figura 3.16 Resduos contra ps quadradosy
EMBED Equation.2
0,292
1
0,466
x
0,35
0,3
0,25
0,2
0,15
0,1
0,05
0
-0,05
7,2
7,0
6,8
6,6
6,4
Figura 3.3 Observaes sobre Y=ln(q) e X= ln(p)
Y
X
Figura 3.6 Dados da Curva de Aprendizado.
15
20
25
30
1000
2000
3000
4000
q
u
Figura 3.5 Funo da Soma de Quadrados.
0
40
80
120
160
0
0,7
1,4
2,1
2,8
3,5
4,2
4,9
5,6
S(
)
10
15
20
25
30
35
40
1,6
1,8
2,0
2,2
2,4
BETA
SQ
29,0
29,5
30,0
30,5
31,0
7,0
7,2
7,4
7,6
7,8
BETA1
SQ_BETA1
4000
5000
6000
7000
8000
9000
0
100
200
300
400
500
600
PROPAG
VENDAS
*MDIAS SEMANAIS
-300
-200
-100
0
100
200
300
0
20
40
60
80
TEMP
REFRIG
40000
60000
80000
100000
120000
1200
1400
1600
1800
2000
2200
SQFT
PREO
-30000
-20000
-10000
0
10000
20000
30000
1200
1400
1600
1800
2000
2200
SQFT
RESID
ln(u)
ln(q)
8,2
7,8
7,4
7,0
3,3
3,0
2,7
Figura 3.7 Dados da Curva de Aprendizado em Logs.
_908631507.unknown
_1018271158.unknown
_1018358179.unknown
_1018445677.unknown
_1018775547.unknown
_1018775631.unknown
_1018775754.unknown
_1018776015.unknown
_1018786466.unknown
_1018867947.unknown
_1018868293.unknown
_1018787934.unknown
_1018785439.unknown
_1018775800.unknown
_1018775677.unknown
_1018775696.unknown
_1018775660.unknown
_1018775601.unknown
_1018775616.unknown
_1018775573.unknown
_1018775003.unknown
_1018775094.unknown
_1018775159.unknown
_1018775213.unknown
_1018775249.unknown
_1018775127.unknown
_1018775082.unknown
_1018446058.unknown
_1018774766.unknown
_1018774800.unknown
_1018774832.unknown
_1018446128.unknown
_1018774711.unknown
_1018446089.unknown
_1018445903.unknown
_1018446005.unknown
_1018445795.unknown
_1018359263.unknown
_1018360625.unknown
_1018445538.unknown
_1018445580.unknown
_1018445435.unknown
_1018360405.unknown
_1018360492.unknown
_1018359765.unknown
_1018358874.unknown
_1018359164.unknown
_1018359207.unknown
_1018359123.unknown
_1018358431.unknown
_1018358480.unknown
_1018358247.unknown
_1018274346.unknown
_1018357498.unknown
_1018358075.unknown
_1018358096.unknown
_1018357656.unknown
_1018357337.unknown
_1018357378.unknown
_1018357442.unknown
_1018274653.unknown
_1018274114.unknown
_1018274242.unknown
_1018274305.unknown
_1018274188.unknown
_1018272692.unknown
_1018273993.unknown
_1018272072.unknown
_1012014378.unknown
_1012014549.unknown
_1012014664.unknown
_1012014733.unknown
_1012014779.unknown
_1018177511.unknown
_1018177675.unknown
_1012014909.unknown
_1012015200.unknown
_1012014865.unknown
_1012014764.unknown
_1012014677.unknown
_1012014696.unknown
_1012014671.unknown
_1012014642.unknown
_1012014658.unknown
_1012014652.unknown
_1012014563.unknown
_1012014482.unknown
_1012014497.unknown
_1012014518.unknown
_1012014489.unknown
_1012014469.unknown
_1012014475.unknown
_1012014430.unknown
_1012014462.unknown
_1012013246.unknown
_1012014293.unknown
_1012014319.unknown
_1012014370.unknown
_1012014308.unknown
_1012013540.unknown
_1012014164.unknown
_1012013473.unknown
_1012012955.unknown
_1012013155.unknown
_1012013234.unknown
_1012012974.unknown
_1012013114.unknown
_908785883.unknown
_1004428364.unknown
_1012012922.unknown
_1004432425.unknown
_999326567.unknown
_908631508.unknown
_906893640.unknown
_906893654.unknown
_906893661.unknown
_906893664.unknown
_908631504.unknown
_908631506.unknown
_906893665.unknown
_908631503.unknown
_906893663.unknown
_906893657.unknown
_906893658.unknown
_906893656.unknown
_906893650.unknown
_906893652.unknown
_906893653.unknown
_906893651.unknown
_906893647.unknown
_906893648.unknown
_906893641.unknown
_906893628.unknown
_906893633.unknown
_906893635.unknown
_906893637.unknown
_906893634.unknown
_906893630.unknown
_906893632.unknown
_906893629.unknown
_906893616.unknown
_906893621.unknown
_906893626.unknown
_906893627.unknown
_906893625.unknown
_906893619.unknown
_906893620.unknown
_906893618.unknown
_906893611.unknown
_906893613.unknown
_906893614.unknown
_906893612.unknown
_906893606.unknown
_906893609.unknown
_906893610.unknown
_906893608.unknown
_906893594.unknown
_906893597.unknown
_906893593.unknown
_906893592.unknown