Multicolinearidade em regressões

Manual de Solues Econometria Bsica Gujarati
CAPTULO 10
MULTICOLINEARIDADE: O QUE ACONTECE SE OS REGRESSORES SO
CORRELACIONADOS?
10.1 Se Xk uma combinao linear perfeita das variveis explanatrias restantes,

ento existem (k-1) equaes com k incgnitas. Com mais incgnitas do que
equaes, solues nicas (ou singulares) no so possveis.
10.2 (a) No. A varivel X3i uma combinao linear exata de X2i, pois X3i = 2X2i 1.
(b) Reescrevendo a equao, obtemos:
Yi = 1 + 2 X 2i + 3 (2 X 2i 1) + ui = ( 1 3 ) + ( 2 + 2 3 ) X 2i + ui = 1 + 2 X 2i + ui , em que
1 = ( 1 3 ) e 2 = ( 2 + 2 2 ) . Podemos, portanto, estimar 1 e 2 singularmente,
mas no os originais, pois s temos duas equaes para resolver trs incgnitas.
10.3 (a) Embora os valores numricos do intercepto e dos coeficientes angulares de

PNBpc e TAF tenham mudado, os seus sinais so os mesmos. Alm disso, essas
variveis continuam sendo estatisticamente significativas. As mudanas devem ser
devidas incluso da varivel TFT, indicando que pode haver alguma colinearidade
entre os regressores.
(b) Como o valor t do coeficiente de TFT muito significativo (o valor p s 0,0032),

essa varivel, aparentemente, se encaixa no modelo. O sinal positivo desse coeficiente
tambm faz sentido porque quanto mais filhos tiver uma mulher, maiores so as
chances de aumentar a mortalidade infantil.
(c) Esta uma daquelas ocorrncias felizes em que, apesar da possvel

colinearidade, os coeficientes individuais so, assim mesmo, estatisticamente
significativos.
10.4 A relao pode ser reescrita assim:

2
X 1i = X 2i 3 X 3i = 12.3 X 2i + 13.2 X 3i
1 1

X 2i = 1 X 1i 3 X 3i = 21.3 X 1i + 23.1 X 3i
2 2

X 3i = 1 X 1i 2 X 2i = 31.2 X 1i + 32.1 X 2i
3 3
Portanto,

r12.3 = ( 12.3 )( 21.3 ) = ( 2 )( 1 ) = 1
1 2

r13.2 = ( 13.2 )( 31.2 ) = ( 3 )( 1 ) = 1
1 3

r23.1 = ( 23.1 )( 32.1 ) = ( 3 )( 2 ) = 1
2 3
Da,
2
R1.23 = r122 + (1 r122 ) r13.2
2
= 1 . Analogamente, R2.13
2
= R3.12
2
= 1.
O grau de multicolinearidade perfeito.
10.5 (a) Sim. Dados de sries temporais econmicas tendem a evoluir na mesma
direo, como acontece com as variveis defasadas de renda neste caso.
(b) Como vimos sucintamente no Captulo 10 e mais a fundo no Captulo 17, a

transformao de primeira diferena pode minorar o problema.
10.6 Quando a varivel riqueza excluda do modelo, ocorre erro de especificao, e o

coeficiente da varivel renda fica tendencioso. O que se observa, ento, na equao
(10.6.4) uma estimativa tendenciosa do coeficiente de renda. A natureza do vis
a seguinte:
Dado que Yi = 1 + 2 X 2i + 3 X 3i + ui , vem que b12 = 2 + 3b32 , em que b12 o

coeficiente angular na regresso de Y contra X2, e b32 na de X3 contra X2. De acordo
com os dados informados, temos que
2 = 0,9415; 3 = -0,0424; b32 = 10,191 e b12 = 0,5091. Portanto, o vis em b12
( 3 )(b32 ) = (0,0424) (10,191) = 0,4321.
10.7 Como dissemos na Questo 10.5, as variveis em Economia so muitas vezes

influenciadas por fatores tais como ciclos econmicos e tendncias. Espera-se,
portanto, colinearidade na anlise de regresso com variveis como PIB e oferta de
moeda.
10.8 (a) Sim, porque o coeficiente de correlao entre X2 e X3 zero.

Conseqentemente, os termos do produto cartesiano anulam-se nas frmulas para os
coeficientes (Equaes 7.4.7 e 7.4.8), que ficam assim iguais quelas para os
coeficientes e (Equao 3.1.8).
(b) Ser uma combinao, como demonstramos a seguir:
1 = Y 2 X 2 3 X
1 = Y 2 X 2 = Y 2 X 2
1 = Y 3 X 3 = Y 3 X 3
Logo, 1 = 1 + 1 Y .
(c) No, pelas seguintes razes:
2 2
var( 2 ) = = (Nota: r23 = 0 )
2
x 2
2i (1 r )
2
23 x 2
2i
2
var( 2 ) = 1
(veja a Equao 3.3.1)
x 2
2i
Repare que =
2 u 2
i
12 =
u
2
i
.
n3 n2
10.9 (a) O coeficiente de correlao entre trabalho e capital relativamente alto e

aproximadamente igual a 0,698.
(b) No. Apesar da correlao entre as duas variveis, os coeficientes da regresso so

estatisticamente significativos no nvel de 5%. Excluir uma varivel nessas condies
acarretaria vis de especificao.
(c) Se for excluda a varivel trabalho, o coeficiente do capital ser tendencioso. O vis
pode ser calculado como no Exerccio 10.6 e vale ( 2 )(b23 ) = (1,4988)(0,1319) =
0,1975.
10.10 (a) No, porque a multicolinearidade diz respeito associao linear entre
variveis, e nesse caso ela no-linear.
(b) No h razo para exclu-las. So terica e estatisticamente significativas neste

exemplo.
(c) Se uma das variveis for excluda, haver vis de especificao que aparecer nos
coeficientes das variveis remanescentes.
10.11 No. Variveis devem ser includas com fundamento terico, e no apenas para
aumentar a SQE ou o R. Alm disso, se as variveis estiverem correlacionadas, sua
incluso ou excluso alterar os valores dos outros coeficientes.
10.12 (a) Falsa. Se existir relao linear exata entre variveis, no poderemos sequer
estimar os coeficientes ou seus erros-padro.
(b) Falsa. Deve-se conseguir obter um ou mais valores t significativos.

(c) Falsa. Conforme observado no texto (veja a Equao 7.5.6), a varincia de um

2 1
estimador de MQO dada pela frmula var( j ) = , e dela se pode
x 2j 1 R 2j
2
deduzir que um R j elevado pode ser contrabalanado por um baixo 2 ou um alto
x 2
j .
(d) Incerta. Se houver somente dois regressores no modelo, um alto coeficiente de

correlao entre pares de variveis pode indicar multicolinearidade. Se um ou mais
regressores entrarem de forma no-linear, as correlaes entre pares podem levar a
respostas enganosas.
(e) Incerta. No h mal nenhum se a colinearidade observada persistir nos valores das
amostras futuras. Mas se esse no for o caso ou se o objetivo for uma estimao
precisa, ento a multicolinearidade pode ser um problema.
(f) Falsa. Veja a resposta (c).
(g) Falsa. FIV e TOL fornecem a mesma informao.
(h) Falsa. Normalmente se obtm R elevados em modelos com muita correlao entre
os regressores.
(i) Verdadeira. Como se pode ver pela frmula dada em (c), se a variabilidade de X3
2
for pequena, R j tender a ser pequeno e no caso extremo de no haver variabilidade
em X3, x
2
3i ser igual a zero, caso em que a varincia de 3 estimado ser infinita.
10.13 (a) Reportando-nos Equao (7.11.15), vemos que se todos os r forem zero,
R ser zero, ipso facto.
(b) No ser explicada pelo modelo nenhuma variao do regressando se este no

tiver correlao com nenhum dos regressores.
10.14 (a) Se todas as correlaes de ordem zero, ou simples, forem iguais a r, a

Equao (7.11.5) se reduz a
2r 2 (1 r ) 2r 2
R =
2
= .
(1 r 2 ) 1+ r
r (1 r ) r
(b) Pela Equao (7.11.1), pode-se ver, por exemplo, que r12.3 = = .
1 r 2
1+ r
10.15 (a) Se houver multicolinearidade perfeita, (XX) passa a ser uma matriz
singular e, portanto, no pode ser invertida. Conseqentemente, os coeficientes e seus
erros-padro so indefinidos.
(b) Pode-se testar isso examinado o determinante de (XX). Se for zero, existe
colinearidade perfeita.
10.16 (a) Como no caso de colinearidade perfeita a matriz (XX) no pode ser
invertida, a de varincia-covarincia indefinida.
(b) Se a colinearidade alta, a matriz de varincia-covarincia definida, mas as

varincias (dadas pelos elementos da diagonal principal) tendero a ser muito grandes
conforme o determinante de (XX) for se aproximando de zero e medida que a
colinearidade for crescendo.
10.17 (a) Se o determinante de R for zero, existir colinearidade perfeita.
(b) Se o determinante for pequeno, a colinearidade ser menos que perfeita.
(c) Se o determinante for 1, as variveis sero ortogonais (veja o Exerccio 10.18).
10.18 (a) S haver elementos na diagonal principal.
(b) Obtenha a matriz (XX), sua inversa e (Xy).
(c) No haver elementos fora da diagonal, isto , elementos de covarincia.
(d) No. Como todos os regressores so ortogonais, todos os termos de covarincia

(isto , produto cruzado) sero zero.
10.19 (a) Como o terceiro regressor (Mt Mt-1) uma combinao linear de Mt e Mt-1 ,
poder haver um problema de colinearidade.
(b) Se reespecificarmos o modelo assim:
GNPt = 1 + ( 2 + 4 ) M t + ( 3 4 ) M t 1 + ui = 1 + 1M t + 2 M t 1 + ui , poderemos
estimar singularmente 1, 1 e 2, mas no 2, 3 e 4.
(c) Todos os parmetros poderiam ser estimados singularmente, pois no haveria mais
colinearidade perfeita.
(d) A resposta a mesma de (c).
( x2i x3i ) 2
10.20 Recorde que r =
2
.
( x22i )( x32i )
23
Logo, ( x x ) = r ( x22i )( x32i ) .
2 i 3i
2 2
23
Substitua essa expresso nos denominadores das Equaes (7.4.7) e (7.4.8) e

simplifique.
10.21 Quando existe colinearidade perfeita, r23 = 1. Portanto, os denominadores em

(7.4.12) e (7.4.15) sero zero, e, conseqentemente, indefinidas as varincias.
10.22 Como ep ( 2 + 3 ) = [var( 2 ) + var( 3 ) + 2 cov( 2 , 3 ) , e tendo em vista que os

valores de covarincia so dados, verificar o que se pede mera questo de substitu-
los na equao.
10.23 (a) Ceteris paribus, a varincia do coeficiente estimado de k diminui medida

que k2 cresce, o que permitir uma estimao mais precisa de k .
(b) A varincia indefinida quando a colinearidade perfeita.
(c) Verdadeiro. Conforme aumenta R, diminui (1-R), o que reduzir a varincia do

coeficiente estimado.
10.24 (a) Dados o relativamente alto R de 0,97, o valor F significativo e o

(economicamente falando) insignificante e impropriamente sinalizado coeficiente de log
K, pode ser que haja colinearidade no modelo.
(b) A priori, espera-se que o impacto do capital sobre a produo seja positivo, o que
no ocorre nesse caso devido provavelmente colinearidade nos regressores.
(c) uma funo de produo tipo Cobb-Douglas, pois podemos escrever o modelo

dado como Y = 1 K 2 L 3 e 4 t .
(d) Em mdia, ao longo do perodo estudado, um incremento de 1% no ndice de uso

real de mo-de-obra leva a um aumento de 0,91% do ndice de produto real. No
modelo, a varivel t representa o tempo, que com freqncia tomado como varivel
instrumental para mudana tecnolgica. O coeficiente de 0,47 indica que ao longo do
perodo estudado, a taxa de crescimento do produto real (como medida pelo ndice de
produto) foi de 4,7%, em mdia.
(e) Implicitamente, a equao assume que h retornos de escala constantes, ou seja,

( 2 + 3 ) = 1 . Uma eventual vantagem da transformao pode ser a reduo do
problema da colinearidade.
(f) Dado que o coeficiente da relao capital/mo-de-obra estatisticamente

insignificante, o problema da colinearidade, ao que tudo indica, no foi resolvido.
(g) Como mencionado em (e), o autor est tentando saber se h retornos de escala
constantes. O teste F visto no Captulo 8 poderia ser utilizado para descobrirmos se a
restrio vlida. Mas como as variveis dependentes so diferentes nos dois
modelos, precisamos das somas dos quadrados dos resduos restritas e irrestritas para
usar a verso R desse teste.
(h) De acordo com (g), os valores de R no so comparveis. Para torn-los

comparveis, poderamos adotar os procedimentos vistos no Captulo 7.
10.25 (a), (b), (c) & (d) Em essncia, todas essas opinies nos dizem que a
multicolinearidade , muito freqentemente, um problema de deficincia de dados.
Problemas
10.26 (a) Os resultados da regresso do modelo modificado so:
Yi = 20,995 + 0,710Zi
ep = (6,341) (0,066)
t = (3,311) (10,771) r = 0,906
3 = (0,75)(0,710) = 0,532. Portanto, 4 = (0,625)(0,710) = 0,444.
(b) A varivel Z pode ser interpretada como uma mdia ponderada dos diferentes tipos
de renda.
10.27 (a) Os resultados do Eviews 3 para a regresso so os seguintes:
Varivel dependente: LIMPORTA

Mtodo: Mnimos quadrados
Data: 11/11/2000 Hora: 10:16
Amostra: 1970 1998
Observaes includas:
29
Varivel Coeficiente Erro-padro Estatstica-t Probabilidade
C 1,975260 0,782070 2,525683 0,0180
LPIB 1,043167 0,405783 2,570749 0,0162
LIPC 0,446142 0,569840 0,782925 0,4407
R-quadrado 0,982318 Varivel dependente mdia 12,49048
Desvio-padro da varivel
R-quadrado ajustado 0,980958 0,904848
dependente
E.P. da regresso 0,124862 Critrio info Akaike -1,225512
Soma quad resduos 0,405356 Critrio Schwarz -1,084068
Verossimilhana Log 20,76993 Estatstica-F 722,2174
Estat Durbin-Watson 0,461405 Probabilidade (Estatstica-F) 0,000000
(b) A julgar pelo alto R e pelo valor t insignificante do coeficiente de ln IPC,

provvel que haja multicolinearidade nos dados.
(c) Seguem os resultados das regresses:

Data: 11/11/2000 Hora: 10:21
Amostra: 1970 1998
Observaes includas:
29
C 1,407426 0,290493 4,844960 0,0000
LPIB 1,359628 0,035525 38,27295 0,0000
R-quadrado 0,981901

Amostra: 1970 1998

Observaes includas:
29
C 3,898610 0,250312 15,57499 0,0000
LIPC 1,905351 0,055221 34,50388 0,0000
R-quadrado 0,977824
Varivel dependente: LPIB

Amostra: 1970 1998

Observaes includas:
29
C 1,8437 0,1080 17,0680 0,0000
LIPC 1,3988 0,0238 58,6972 0,0000
R-quadrado 0,9922
A regresso auxiliar de LPIB contra LIPC mostra que h alta correlao entre as duas
variveis, indicando a possibilidade de haver problemas de colinearidade com os
dados.
(d) No caso, a melhor soluo seria expressar as importaes e o PIB em termos reais
dividindo-os pelo IPC, conforme observado no captulo do livro-texto. Os resultados do
Eviews 3 so os seguintes:
Varivel dependente:
LOG(IMPORTA / IPC)
Data: 11/11/2000 Hora: 10:26
Amostra: 1970 1998
Observaes includas:
29
C 0,106099 0,494911 0,214380 0,8319
LOG(PIB/IPC) 2,162167 0,135693 15,93429 0,0000
R-quadrado 0,903881
10.28 (a) Como h cinco variveis explanatrias, haver cinco regresses auxiliares.
Por economia de espao, apresentamos a seguir somente os valores R obtidos com
essas regresses:
Varivel
R
dependente
X2 0,9846
X3 0,9482
X4 0,9872
X5 0,9889
X6 0,9927
(b) Como os R esto uniformemente altos em todas as regresses auxiliares, parece

que h um problema de multicolinearidade com os dados.
(c) provvel que haja na equao excesso de variveis para substitutos da carne de
frango. Poderamos usar como regressores apenas o preo composto dos substitutos, o
da carne de frango e a renda disponvel, o que j foi feito no Exerccio 7.19.
(d) Criar uma varivel de preo relativo, digamos, o preo da carne bovina dividido
pelo da suna, poderia amenizar o problema da colinearidade.
10.29 (a) & (c) Pelo exame dos coeficientes de correlao entre as possveis variveis
explanatrias, observamos uma correlao muito alta entre o IPC geral e o IPC de
carros novos (0,997), e entre este e a RPD (0,991). Os outros so relativamente altos,
mas podem permanecer no modelo por razes tericas. A RPD tambm est
estreitamente ligada ao nvel de emprego, e a correlao entre as duas 0,972.
Podemos, portanto, excluir o IPC geral e a RPD e estimar o seguinte modelo:
Varivel dependente: LY
Amostra: 1971 1986

Observaes includas:
16
C -22,10374 8,373593 -2,639696 0,0216
LX2 -1,037839 0,330227 -3,142805 0,0085
LX5 -0,294929 0,073704 -4,001514 0,0018
LX6 3,243886 0,872231 3,719068 0,0029
dependente
Nota: Nesta tabela, a letra L significa logaritmo de.
Ao que tudo indica, no h problemas de colinearidade nesse modelo.
(b) Incluindo todas as variveis X, obtemos os seguintes resultados:
Varivel dependente: LOG(Y)

Amostra: 1971 1986

Observaes includas:
16
C 3,254859 19,11656 0,170264 0,8682
LOG(X2) 1,790153 0,873240 2,050012 0,0675
LOG(X3) -4,108518 1,599678 -2,568341 0,0280
LOG(X4) 2,127199 1,257839 1,691154 0,1217
LOG(X5) -0,030448 0,121848 -0,249884 0,8077
LOG(X6) 0,277792 2,036975 0,136375 0,8942
dependente
Como suspeitvamos, so evidentes os problemas de colinearidade desse modelo.
10.30 Vamos, primeiro, apresentar a matriz de correlao dos regressores:
TAXA GE GMO NEIN ATIVOS IDADE Dependentes

TAXA 1,000000 0,571693 0,058992 0,701787 0,778932 0,044173 -0,60135
GE 0,571693 1,000000 - 0,234426 0,274094 - -0,69288
0,040994 0,015300
GMO 0,058992 - 1,000000 0,359094 0,292243 0,775494 0,05021
0,040994
NEIN 0,701787 0,234426 0,359094 1,000000 0,987510 0,502432 -0,52083
ATIVOS 0,778932 0,274094 0,292243 0,987510 1,000000 0,417086 -0,51355
IDADE 0,044173 - 0,775494 0,502432 0,417086 1,000000 -0,04836
0,015300
Dependentes - - 0,050212 - - - 1,000000
0,601358 0,692881 0,520832 0,513552 0,048360
Escolaridade 0,881271 0,549108 - 0,539173 0,630899 - -0,60257
0,298555 0,331067
Nota: Nesta tabela, considere a ltima linha como a ltima coluna.
Como mostra a tabela, as correlaes aos pares, ou simples, variam desde valores
muito baixos (-0,0409 entre GM e GMO, por exemplo) a valores comparativamente
altos (0,8812 entre Escolaridade e Taxa, por exemplo).
(a) Regressando a varivel Horas contra todos os regressores, obtemos os seguintes

resultados:
Varivel dependente: HORAS

Amostra: 1 35
Observaes includas:
35
C 1904,578 251,9333 7,559849 0,0000
TAXA -93,75255 47,14500 -1,988600 0,0574
GE 0,000225 0,038255 0,005894 0,9953
GMO -0,214966 0,097939 -2,194896 0,0373
NEIN 0,157208 0,516406 0,304427 0,7632
ATIVOS 0,015572 0,025405 0,612970 0,5452
IDADE -0,348636 3,722331 -0,093661 0,9261
Dependentes 20,72803 16,88047 1,227930 0,2305
Escolaridade 37,32563 22,66520 1,646826 0,1116
dependente
E.P. da regresso 30,62279 Critrio info Akaike 9,898400
Soma quad resduos 24381,63 Critrio Schwarz 10,29835
Verossimilhana Log -164,2220 Estatstica-F 15,38050
A interpretao simples e direta. Ento, ceteris paribus, se os salrios mdios por

hora (TAXA) subirem um dlar, em mdia, o nmero mdio de horas trabalhadas
durante o ano (HORAS) cai cerca de 93 horas.
(c) Por economia de espao, calcularemos FIV e TOL somente da taxa do regressor.
Regressando TAXA contra todos os outros regressores, obtemos um valor R de
0,9416. Pela Equao (7.5.6) podemos verificar que o FIV para esse regressor cerca
de 2224, e o inverso desse nmero a TOL, que vale 0,00045.
(d) Nem todas as variveis do modelo so necessrias. Uma ou mais podem ser
excludas aplicando os testes de diagnstico apresentados no livro, ou podemos usar
uma combinao linear delas.
(e) Embora os resultados sejam variados, talvez haja alguma evidncia de que valha a
pena experimentar o imposto de renda negativo.
10.31 Este para ser feito em aula.
10.32 Os resultados do Eviews para a regresso so os seguintes:
Varivel dependente: Y
Amostra: 1947 1961
Observaes includas:
15
C -3017441 939728,1 -3,210973 0,0124
X1 -20,51082 87,09740 -0,235493 0,8197
X2 -0,027334 0,033175 -0,823945 0,4338
X3 -1,952293 0,476701 -4,095429 0,0035
X4 -0,958239 0,216227 -4,431634 0,0022
X5 0,051340 0,233968 0,219430 0,8318
X6 1585,156 482,6832 3,284049 0,0111
R-quadrado 0,9955
R-quadrado ajustado 0,9921
E.P. da regresso 295,6219
Soma quad resduos 699138,2
Estatstica-F 295,7710
Estat Durbin-Watson 2,492491
Comparando esses resultados com os da Seo 10.10, vemos que a excluso de uma
nica observao pode alterar as magnitudes e/ou os sinais de alguns dos coeficientes,
o que fundamenta o argumento apresentado no texto de que, em casos de alta
colinearidade, pequenas mudanas nos dados podem levar a diferenas considerveis
nos resultados.

Multicolinearidade em regressões

Загружено:

Сведения о документе

Оригинальное название

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Multicolinearidade em regressões

Загружено:

Авторское право:

Доступные форматы

Manual de Solues Econometria Bsica Gujarati

10.1 Se Xk uma combinao linear perfeita das variveis explanatrias restantes,

(b) Reescrevendo a equao, obtemos:

10.3 (a) Embora os valores numricos do intercepto e dos coeficientes angulares de

(b) Como o valor t do coeficiente de TFT muito significativo (o valor p s 0,0032),

(c) Esta uma daquelas ocorrncias felizes em que, apesar da possvel

10.4 A relao pode ser reescrita assim:

O grau de multicolinearidade perfeito.

(b) Como vimos sucintamente no Captulo 10 e mais a fundo no Captulo 17, a

10.6 Quando a varivel riqueza excluda do modelo, ocorre erro de especificao, e o

Dado que Yi = 1 + 2 X 2i + 3 X 3i + ui , vem que b12 = 2 + 3b32 , em que b12 o

( 3 )(b32 ) = (0,0424) (10,191) = 0,4321.

10.7 Como dissemos na Questo 10.5, as variveis em Economia so muitas vezes

10.8 (a) Sim, porque o coeficiente de correlao entre X2 e X3 zero.

(c) No, pelas seguintes razes:

10.9 (a) O coeficiente de correlao entre trabalho e capital relativamente alto e

(b) No. Apesar da correlao entre as duas variveis, os coeficientes da regresso so

(b) No h razo para exclu-las. So terica e estatisticamente significativas neste

(b) Falsa. Deve-se conseguir obter um ou mais valores t significativos.

(c) Falsa. Conforme observado no texto (veja a Equao 7.5.6), a varincia de um

(d) Incerta. Se houver somente dois regressores no modelo, um alto coeficiente de

(f) Falsa. Veja a resposta (c).

(g) Falsa. FIV e TOL fornecem a mesma informao.

(b) No ser explicada pelo modelo nenhuma variao do regressando se este no

10.14 (a) Se todas as correlaes de ordem zero, ou simples, forem iguais a r, a

(b) Se a colinearidade alta, a matriz de varincia-covarincia definida, mas as

10.17 (a) Se o determinante de R for zero, existir colinearidade perfeita.

(b) Se o determinante for pequeno, a colinearidade ser menos que perfeita.

(c) Se o determinante for 1, as variveis sero ortogonais (veja o Exerccio 10.18).

10.18 (a) S haver elementos na diagonal principal.

(b) Obtenha a matriz (XX), sua inversa e (Xy).

(c) No haver elementos fora da diagonal, isto , elementos de covarincia.

(d) No. Como todos os regressores so ortogonais, todos os termos de covarincia

(b) Se reespecificarmos o modelo assim:

(d) A resposta a mesma de (c).

Substitua essa expresso nos denominadores das Equaes (7.4.7) e (7.4.8) e

10.21 Quando existe colinearidade perfeita, r23 = 1. Portanto, os denominadores em

10.22 Como ep ( 2 + 3 ) = [var( 2 ) + var( 3 ) + 2 cov( 2 , 3 ) , e tendo em vista que os

10.23 (a) Ceteris paribus, a varincia do coeficiente estimado de k diminui medida

(b) A varincia indefinida quando a colinearidade perfeita.

(c) Verdadeiro. Conforme aumenta R, diminui (1-R), o que reduzir a varincia do

10.24 (a) Dados o relativamente alto R de 0,97, o valor F significativo e o

(d) Em mdia, ao longo do perodo estudado, um incremento de 1% no ndice de uso

(e) Implicitamente, a equao assume que h retornos de escala constantes, ou seja,

(f) Dado que o coeficiente da relao capital/mo-de-obra estatisticamente

(h) De acordo com (g), os valores de R no so comparveis. Para torn-los

10.26 (a) Os resultados da regresso do modelo modificado so:

10.27 (a) Os resultados do Eviews 3 para a regresso so os seguintes:

Varivel dependente: LIMPORTA

(b) A julgar pelo alto R e pelo valor t insignificante do coeficiente de ln IPC,

(c) Seguem os resultados das regresses:

Varivel dependente: LIMPORTA

Varivel dependente: LIMPORTA

Amostra: 1970 1998

Varivel dependente: LPIB

Amostra: 1970 1998

(b) Como os R esto uniformemente altos em todas as regresses auxiliares, parece

Amostra: 1971 1986

Nota: Nesta tabela, a letra L significa logaritmo de.

Ao que tudo indica, no h problemas de colinearidade nesse modelo.

(b) Incluindo todas as variveis X, obtemos os seguintes resultados:

Varivel dependente: LOG(Y)

Amostra: 1971 1986