Modelo Classico de Regressao Linear
Modelo Classico de Regressao Linear
Modelo Classico de Regressao Linear
onde:
Y é a variável dependente,
u é um distúrbio aleatório, e
1-1
Hipóteses básicas do MCRL:
ln Y = α + β ln X
(4) Homocedasticidade
Var(ui|X2i,...,Xki) = σ² (constante) para todo i
1-2
(6) Ausência de correlação entre regressores e
distúrbios
Cov(ui ,X2i) =...= Cov(ui ,Xki) = 0
1-3
O modelo (1.1) pode ser reescrito como
Y1 = β1 + β 2 X 21 + β 3 X 31 + ... + β k X k1 + u1
Y2 = β1 + β 2 X 22 + β 3 X 32 + ... + β k X k 2 + u 2
(1.2)
: : :
Yn = β1 + β 2 X 2 n + β 3 X 3n + ... + β k X kn + u n
y = Xβ + u (1.3)
onde:
Y1 1 X 21 .. X k1 β1 u1
Y 1 X .. X k 2 β u
2 22 , β = , u = 2
2
y = , X =
: 1 : : : :
Yn 1 X 2 n .. X kn β k u n
nx1 nxk kx1 nx1
X é a matriz de dados.
1-4
A matriz X é formada por k vetores coluna x1,...,xk.
Uma forma alternativa de representar o modelo é,
portanto:
u1 E (u1 ) 0
u E (u ) 0
E (u ) = E 2 = 2
= =0
: : :
n
u E (u )
n 0
1-5
(4)-(5) Homocedasticidade + ausência de
autocorrelação dos distúrbios
1-6
(7)-(8)-(10) O posto da matriz X (n x k) é k
As colunas de X são linearmente independentes
→ não há multicolinearidade perfeita
→ os valores observados de X1,...,Xk não são
todos iguais (caso contrário, qualquer coluna de X
seria um múltiplo de outra)
→ n ≥ k (número de observações ≥ número de
variáveis independentes)
1-7
1.2. Estimação pelo Método dos Mínimos
Quadrados Ordinários (MQO) [Johnston e Dinardo,
cap.3; Griffith et al., cap.5]
Dado o modelo
y = Xβ + u , (1.5)
yˆ = Xβ̂ (1.6)
e o vetor de resíduos
e = y − yˆ = y − Xβ̂ (1.7)
1-8
Note que o problema consiste em tentar reproduzir, da
melhor forma possível, o vetor y(n x 1) através de uma
combinação linear das colunas da matriz X(n x k).
y = Xb (1.8)
x1
y = x1b1+x2b2
x2
1-9
• Caso 2: y não está no espaço coluna de X
y = Xb + e (1.9)
Ex.:
x1, x2 são vetores 3x1 com a terceira coordenada
igual a zero.
y é um vetor com terceira coordenada não nula.
x1
yˆ = x 1b1 + x 2 b2 = Xb
x2
1-10
O Caso 2 é a situação típica na prática; isto é, as
variáveis independentes não conseguem explicar
totalmente a variável dependente, havendo sempre
uma diferença (resíduo) entre esta e sua estimativa.
Observe que:
Ex:
Na figura anterior, suponha um vetor adicional x3
no mesmo subespaço de x1 e x2. Então, ŷ não
tem uma única representação em termos dos
vetores xi’s.
1-11
A hipótese de que X tem posto cheio (= k) garante a
unicidade da solução. (Por quê?)
X’e = 0
X’(y – Xb) = 0
1-12
Vejamos as equações normais (1.10) em maior
detalhe:
n ∑ X 2i .. ∑ X ki b1 ∑ Yi
∑ X ∑ X 2i
2
.. ∑ X 2i X ki b2 ∑ X 2iYi
2i = (1.12)
: : : : : :
2
∑ X ki ∑ X 2i X ki .. ∑ X ki bk ∑ X kiYi
n ∑ X 2i b1 ∑ Yi
∑ X 2 = (1.13)
2i ∑ X 2i b2 ∑ X 2iYi
1-13
1.2.1 Exemplo: A geometria do ajuste por MQO
x1 = -1 y1 = 1
x2 = 1 y2 = 1
x3 = 2 y3 = 3
1-14
Por mínimos quadrados, ajustaremos uma reta a
essas três observações, representada pela equação:
Yi = β1 + β2 Xi , i = 1...3
1 1 − 1
1 = 1 1 β1
β
3 1 2 2
1 1 − 1
β1
y = 1, X = 1 1, β=
3 1 2 β 2
1-15
A mesma equação vetorial pode ser rescrita
1 1 − 1
1 = 1 β + 1 β
1 1
3 1 2
x1 = (1, 1, 1)
x1 = (-1, 1, 2)
1-16
Como o sistema não tem solução, lançamos mão de
um ajuste de mínimos quadrados. As estimativas b1 e
b2 para os parâmetros β1 e β2 consistirão em pesos de
uma combinação linear de x1 e x2.
e = y − yˆ = y − Xb
x1 ' (y − Xb) = 0
⇒ X' (y − Xb) = 0
x 2 ' (y − Xb) = 0
X' Xb = X' y
∴ b = (X' X ) X' y
−1
1-17
SOLUÇÃO:
3 2 5
X' X = X' y =
2 6 6
−1
3 2 5 9 7
b= ⇒ b = 4
2 6 6 7
1 − 1 5 7
9 7
yˆ = 1 1 ⇒ yˆ = 13 7
47
1 2 17 7
1 5 7 2 7
e = 1 − 13 7 ⇒ e = − 6 7
3 17 7 4 7
1-18
Há 2 formas de visualizar geometricamente essa
solução. A primeira, que você conheceu em
Econometria, é através do diagrama de dispersão,
agora com a reta de regressão obtida por MQO:
e3 = 3 – 17/7 = 4/7
e2 = 1 – 13/7 = -6/7
e1 = 1 – 5/7 = 2/7
X
1 5 7 2 7
y = 1 yˆ = 13 7 e = − 6 7
3 17 7 4 7
1-19
A segunda forma de visualizar esta, e qualquer outra
estimação por mínimos quadrados, é a que você
aprende agora em TPE.
y = (1, 1, 3)
e = (2/7, -6/7, 4/7)
x1 = (1, 1, 1)
Espaço-
coluna de X
y^ = (5/7, 13/7, 17/7)
x1 = (-1, 1, 2)
1-20
1.2.2 Duas matrizes importantes
onde
P = X(X'X)−1 X'
e = y − Xb = y − X(X'X)−1 X' y
= (I − X(X'X)−1 X' )y (1.15)
= My
onde
M = I − X(X' X) X'
−1
1-21
Note que M = I – P e, evidentemente:
Py + My = (P + I – P)y = y
M=I-P
P ŷ
1-22
1.2.3. Decomposição da soma dos quadrados
y = yˆ + e (1.18)
∑ (Yi − Y ) 2 =∑ Yi 2 − 2Y ∑ Yi +nY 2
= ∑ Yi 2 − nY 2 (1.20)
= y' y − nY 2
1-23
Temos, então,
R2 =
SQE
SQT
(
R 2 = 1 − 1 − R2 ) nn −− 1k
EXEMPLO – Para o triângulo retângulo do ex. (1.2.1),
a aplicação do Teorema de Pitágoras e o R2 são:
1 2 1 2
(12
)
+ 12 + 32 =
7 2
5(+ 13 2
+ 17 2
+
7
)2
(
2 + 62 + 42 )
483 56
11 = +
49 49
2 483 49 − 5 2 3 1,52
R = 2
= = 57%
11 − 5 3 2,67
1-24
1.3 Teorema de Frisch-Waugh-Lovell
X 11 X 21 X 31 X 41
X= : : : :
X 1n X 2n X 3n X 4 n
X1 X2
1-25
Já sabemos como estimar por MQO os coeficientes b1
e b2 da regressão de y em X1 e X2. O Teorema de
Frisch-Waugh-Lovell nos fornece uma forma
alternativa de fazer isso, que tem uma interpretação
muito interessante.
1-26
Tal resultado significa que o vetor de coeficientes de
um regressor num modelo de regressão múltipla pode
ser obtido de duas formas alternativas:
1-27
1.4 Distribuição do Estimador de MQO
Z ~ N(µ,σ2)
então
aZ + c ~ N(aµ + c, a2σ2)
z ~ N(µ, Σ)
Az + c ~ N(Aµ + c, AΣA’)
1-28
Primeiro, adotemos a hipótese de normalidade dos
distúrbios:
2
u ~ N(0, σ I )
obtemos
1-29
Esta é uma distribuição normal multivariada; para cada
elemento,
bk ~ N( β k ,σ 2 ( X' X) −kk1 )
Observações importantes:
1. MQO é não-viesado
1-30
1.4.1 Estimação de σ 2
1-31
1.5 Teste de hipóteses lineares
Dado o modelo
y = Xβ + u
(i) H0 : β2 = 0
(ii) H 0 : β 2 = −1
(iii) H 0 : β 2 + β 3 = 1
(iv) H 0 : β 2 = β 4 ou H 0 : β 2 − β 4 = 0
(v) H 0 : β 2 = β 3 = ... = β k = 0
(vi) H 0 : β 2 = β 3 = 0
Rβ = r (1.20)
1-32
restrição linear sobre o vetor β . Logo, q é o número de
restrições a serem testadas.
(i) H0 : β2 = 0
β1
β
2
[0 1 0 .. 0] β 3 = 0
:
β k
R β = r
1xk kx1 1x1
(ii) H 0 : β 2 = −1
β1
β
2
[0 1 0 .. 0] β 3 = −1
:
β k
1-33
(iii) H 0 : β 2 + β 3 = 1
β1
β
2
[0 1 1 0 .. 0] β 3 = 1
:
β k
(iv) H 0 : β 2 − β 3 = 0
β1
β
2
[0 1 − 1 0 .. 0] β 3 = 0
:
β k
(v) H 0 : β 2 = β 3 = ... = β k = 0
0 1 0 0 .. 0 β 1 0
0 0 1 0 .. 0 β 2 0
0 0 0 1 .. 0 β 3 = 0
: : : : . : : :
0 0 0 0 .. 1 β k 0
R β = r
(k-1) x k kx1 (k-1) x 1
1-34
(vi) H 0 : β 2 = β 3 = 0
β1
β
0 1 0 0 .. 0 0
2
0 0 1 0 .. 0 β 3 = 0
:
β k
H 0 : Rβ − r = 0 (1.21)
1-35
Se o vetor β é irremediavelmente desconhecido, o
vetor (Rβ - r) também o é. Por isso, testamos a
hipótese nula através do estimador de MQO. Dado o
estimador b, podemos computar o vetor (Rb - r).
Espaço
vetorial de
dimensão q
(Rb – r) (número de
hipóteses a
(Rβ - r) se testar).
1-36
Para testar H0, investigaremos a distribuição do
quadrado do comprimento de (Rb – r), sob H0.
b ~ N(β , σ 2 ( X' X) −1 ),
segue:
Var (Rb − r ) =
= RVar (b)R'
E finalmente,
1-37
Se então (Rb – r) é uma normal multivariada com
média 0, o seu comprimento ao quadrado, dado por
(Rb – r)’(Rb – r)
z ~ N( 0,Σ )
então
z’ Σ −1 z ~ χ 2 (q )
1-38
Infelizmente, não podemos parar aqui. A equação
(1.23) não pode ser usada na prática devido à
presença do parâmetro desconhecido σ 2 .
e' e
2
~ χ 2 (n − k ) (1.24)
σ
1-39
Usando a definição de s2,
Ex:
(i) H0 : β2 = 0
Rb − r = b2
s 2 R(X' X)−1 R' = Var (b2 )
b22
~ F (1, n - k)
Var (b2 )
b2
~ t (n - k)
d . p.(b2 )
1-40
(ii) H 0 : β 2 + β 3 = 1
Rb − r = b2 + b3 − 1
(b2 + b3 − 1) 2
var(b2 + b3 ) ~ F(1, n - k)
(b2 + b3 − 1)
var(b2 + b3 ) ~ t (n - k)
1-41
(v) H 0 : β 2 = β 3 = ... = β k = 0
b2
b
Rb − r = 3 = b 2
:
bk
R 2 (k − 1)
F= ~ F(k - 1, n - k) (1.28)
(1 − R 2 ) (n − k )
1-42
1.6 O Estimador de Mínimos Quadrados Restrito
1. Estimam-se os parâmetors;
1-43
O Apêndice 1.H mostra a derivação formal do
estimador restrito. Aqui, nos limitamos a apresentar a
fórmula a ser utilizada nas aplicações:
(e'* e* − e' e) q
F= ~ F(q, n - k) (1.29)
e' e (n − k )
ou
( R 2 − R 2* ) q
F= 2
~ F(q, n - k) (1.30)
(1 − R ) ( n − k )
Ex.:
Para testar H 0 : β 2 = 1 no modelo
ln Y = β1 + β 2 ln L + β 3 ln K + ε
ln Y = β1 + ln L + β 3 ln K + ε
ln Y − ln L = β1 + β 3 ln K + ε
1-44
Aplicação:
Teste de Chow para Mudança Estrutural
[Johnston e Dinardo, 4.5]
• Modelo irrestrito:
y 1 X1 0 β 1
y = 0 X 2 β 2
+u
2
Estimador de MQO:
−1
b 1 X'1 X 1 0 X'1 y (X'1 X 1 ) −1 X'1 y
b = 0 =
X'2 X 2 X'2 y (X'2 X 2 ) −1 X'2 y
2
1-45
• Modelo restrito:
H 0 :β 1 = β 2
y 1 X1
y = X β + u
2 2
(e'* e* − e' e) k
F= ~ F(k, n - 2k)
e' e ( n − 2k )
1-46
Ex.: Emprego nos EUA (E) em função de uma
constante, do deflator do PIB (D), PIB (Y), Forças
Armadas (F) e tempo (t):
E = β1 + β 2 D + β 3Y + β 4 F + β 5t
1-47
1.7 Problemas de especificação (Greene 8.4)
y = Xβ + u
y = X1β 1 + X 2β 2 + u (1.31)
y = X1β 1 + u (1.32)
1-48
O estimador de MQO de (1.32) é
1-49
O que acontece com a variância do estimador de
MQO quando omitimos variáveis relevantes?
e1' e1
s2 =
n − k1
1-50
1.7.2 Inclusão de variáveis irrelevantes
y = X1β 1 + u (1.35)
y = X1β 1 + X 2β 2 + u
(1.36)
= Xβ + u
onde
X = [X1 X2 ]
β
β = 1
β 2
β β
E (b) = β = 1 = 1
β 2 0
1-51
Tais resultados parecem indicar que a inclusão de
variáveis irrelevantes não causa nenhum problema de
estimação.
1-52
APÊNDICE 1.A
Problema:
∂ (e' e)
= −2 X' y + 2 X' Xβ̂ = 0
∂β̂
b = ( X' X) −1 X' y
∂ 2 (e' e)
= 2 X' X é positiva definida
∂β̂ 2
1-53
Pergunta: A condição de segunda ordem é satisfeita?
Resposta: Sim.
Prova:
• d'(X’X)d = 0 se e somente se Xd = 0
1-54
Pergunta: (X’X)-1 existe?
Resposta: Sim.
Prova:
(X’X)d = 0 ⇒ d'(X’Xd) = 0
⇒ X’X é não-singular
1-55
APÊNDICE 1.B
x
1
ix = : = i i' x
n
x
1
= ii' x
n
x1 − x
: = x − ix = x − 1 ii' x
n
n
x − x
1
= Ix − ii' x
n
1
= I − ii' x
n
= Ax
1-56
Observe que
1 1 1 1
1 − − − .. −
n n n n
1 1 1
− 1− 1 − .. −
n n n n
1 1
A= − − : : :
n n
1
: : : 1− 1 −
n n
−1 −
1
.. −
1
1− 1
n n n n
∑ ( x1 − x ) 2 = (x − ix )' (x − ix )
= (Ax)' Ax
= x' A' Ax
= x' Ax
y = Xb + e
Ay = AXb + Ae
1-57
e, então, proceder à decomposição da soma dos
quadrados:
1-58
APÊNDICE 1.C
Teorema de Frisch-Waugh-Lovell
y = Xβ + u = X 1β 1 + X 2β 2 + u
y = X 1b 1 + X 2 b2 + e
M 1 y = M 1 X 1b 1 + M 1 X 2 b 2 + M 1e
(1.C1)
= M 1 X 2b 2 + e
Rearrumando,
(M 1 X 2 )' (M 1 y ) = (M 1 X 2 )' (M 1 X 2 )b 2
1-59
ou seja, o vetor b2 obtido da regressão de y sobre X =
[X1 X2] é idêntico ao obtido através do seguinte
procedimento:
1-60
APÊNDICE 1.D
ou
Observe que:
• b 2 ' X 2 ' M 1 X 2b 2 ≥ 0
1-61
Aplicação 2: Coeficientes de correlação parcial
x 2 ' M ∗y
r12.34...k =
x 2 ' M ∗ x 2 y ' M ∗y
y ' M ∗y s1.34...k
b2 = r12.34...k = r12.34...k
x 2 ' M ∗x 2 s2.34...k
1-62
APÊNDICE 1.E
Teorema de Gauss-Markov
A matriz de variância-covariância de b é:
b 0 = C0 y
b0 é não-viesado se C0X = I:
E (b 0 ) = E (C 0 y) = E (C 0 Xβ + C 0 u) = C 0 Xβ
A matriz de variância-covariância de b0 é:
1-63
Seja
Logo,
Var (b 0 ) = σ 2 [(D + (X' X)−1 X' )(D + (X' X)−1 X' )' ]
= σ 2 [DX(X'X)−1 + (X' X)−1 X' X(X'X)−1 + DD'+(X' X)−1 X' D' ]
= σ 2 (X' X)−1 + σ 2 DD'
= Var (b) + σ 2 DD'
1-64
APÊNDICE 1.F
Estimação de σ 2
e = My = M(Xβ + u) = Mu
1-65
Seja
e' e
s2 =
n−k
2
Logo, s2 é um estimador não-viesado de σ :
e' e
E (s 2 ) = E =σ
2
n−k
1-66
APÊNDICE 1.G
Teste de H 0 : β 2 = β 3 = ... = β k = 0
A estatística de teste
A A 12
A = 11
A 21 A 22
é dada por
A 11 −1 + A 11 −1 A 12 B 22 A 21 A 11 −1
−1
−1
− A 11 A 12 B 22
A = −1 (1.G2)
− B 22 A 21 A 11 B 22
−1
onde B 22 = ( A 22 − A 21 A 11 A 12 ) −1
i' n i' X 2
X' X = ' [i X 2 ] = ' '
X 2 X 2 i X 2 X 2
1-67
C = (X '2 X 2 − X '2 i n −1 i' X 2 ) −1 = (X '2 AX 2 ) −1
Por conseguinte,
SQE (k − 1)
F= ~ F(k - 1, n - k)
SQR (n − k )
ou
R 2 (k − 1)
F= ~ F(k - 1, n - k)
(1 − R 2 ) (n − k )
1-68
APÊNDICE 1.H
Formalmente, o problema é
∂φ
= −2X' y + 2 X' Xb* − 2R'λ = 0
∂b *
∂φ
= −2(Rb * − r) = 0
∂λ
Obtemos
Resolvendo para b*
Rb * = Rb + R ( X' X) −1 R' λ
1-69
λ = [R(X' X)−1 R' ]-1 (r - Rb)
Substituindo em (1.H2),
e* = y − Xb*
= y − Xb − X(b* − b)
= e − X(b* − b)
Usando (1.H3),
1-70
Logo, podemos rescrever a estatística do teste
H 0 : Rb = r usando (1.H4):
(e'* e* − e' e) q
F= ~ F(q, n - k) (1.H5)
e' e (n − k )
1-71
APÊNDICE 1.I
onde
1-72
Outro problema diz respeito à estimação de σ 2 -
necessária para a realização de testes de hipótese. O
estimador usual seria
e1' e1
s2 =
n − k1
e1 = M 1y = M 1 (X1β 1 + X 2β 2 + u) = M 1 X 2β 2 + M 1u
1-73
EXERCÍCIOS
1.1
Usando as definições de y e X na página 1.4, mostre que (1.10) e (1.12) são equivalentes.
1.2
Yi = β1 + β 2 X i + ui
era dado por
∑ (Yi − Y )( X i − X)
b2 =
∑ (Xi − X )2
b1 = Y − b2 X
Mostre que as fórmulas acima podem ser obtidas a partir de (1.13).
1.3
1.4
1.5
1-74
1.6
1.7
1 b 1 c
y 1 = 1 y 2 = 1 X = 0 d e1 = 0 e2 = y2
a 1 0 e
(c) Caso a resposta ao item anterior seja positiva, encontre a solução única. Caso a
resposta seja negativa, apresente uma possível solução. (0,5 ponto)
1-75
1.8
Yi = β1 + β 2 Li + β 3Ci + ui
País Y L C
Dinamarca 6 1 1
México 2 1 -1
Chile 3 0 1
Colômbia -1 0 -1
Rússia 2 0 0
Argentina 2 0 0
Brasil 1 0 0
Grécia 1 0 0
Egito 0 -1 0
Indonésia 0 -1 0
Infelizmente, o economista não pode rodar a regressão, pois seu computador contraiu um
vírus que apagou todo o HD (inclusive o Eviews...). O economista precisa entregar a seu
superior um relatório com os resultados da regressão; entretanto, como ele não teve aula
de TPE, não sabe como realizar os cálculos manualmente. Você certamente poderá
ajudá-lo!
Suponha que, após você ter terminado seus cálculos, o economista consiga recuperar
seu HD e decida conferir suas respostas usando o Eviews.
1-76
1.9
Em certo país, com o objetivo de testar algumas hipóteses sobre os determinantes dos
gastos dos municípios em educação e saúde, estima-se por MQO uma regressão dos
gastos municipais (G) em função de uma constante (C), das receitas tributárias do
município (R) e de uma variável dummy (D) que assume valor 1 se o município é
governado por um partido “de esquerda”, e zero em caso contrário. Sabemos que:
• O vetor de coeficientes estimados para C,R,D é b’=[ -0.7527, 0.4753, 2.3764 ]
• O número de municípios com governo de esquerda é 10
• A soma das receitas de todos os municípios é 200, sendo que os municípios de
esquerda têm 25% desse total
• A soma dos quadrados das receitas de todos os municípios é 2114
• A soma dos gastos de todos os municípios é 100
• A soma dos quadrados dos gastos de todos os municípios é 504
• Os valores na diagonal da matriz inversa de X’X são [0.338, 0.00267, 0.2329]
Responda:
1.10
Ci = β1 + β 2 Ri + β 3 Pi + β 4 Di + ui
1 1 0 0 0
2 −1
0 2 0 0 1
b= (X ' X ) = s2 =
1 0 0 1 0 3
4 0 0 0 3
1-77
1.11
i D = β1 + β 2i* + ε
A regressão foi estimada para a amostra completa de países e para duas subamostras,
classificadas de acordo com o tipo de regime cambial adotado pelos países: (1) câmbio
fixo; (2) câmbio flexível. As matrizes relevantes, em cada subamostra, são:
10 60 60
X1' X1 = X1' y1 = y1' y1 = 490
60 420 420
10 60 60
X2 ' X2 = X2'y 2 = y 2 ' y 2 = 430
60 420 390
1-78
1.12
− 1 0,05 0,1 0
b = − 2 = 0,1 0,4 0
−1
e' e = 74 (X' X )
3 0 0 0,5
1.13
Li = β1 + β 2 Ei + ui
onde Li é o lucro por cliente do banco i, Ei é o volume de empréstimos do banco e ui é um
distúrbio aleatório.
Entretanto, segundo o economista B, não seria correto estimar tal regressão para a
amostra total de bancos, pois bancos com diferentes tamanhos devem apresentar
desempenhos muito diferentes – e, portanto, os parâmetros não podem ser considerados
constantes ao longo da amostra. O mais correto, segundo ele, seria estimar regressões
diferentes para bancos com tamanhos diferentes.
Suponha que seja possível dividir a amostra em duas partes, a primeira correspondente
aos bancos de pequeno porte e a segunda aos bancos de grande porte, cujas
observações geram as seguintes matrizes:
10 10 10
X2 ' X2 = X2 'y 2 = y 2 'y 2 = a
10 11 100
onde X inclui um intercepto.
a) Calcule o vetor de coeficientes de MQO para a amostra inteira e para cada uma
das subamostras. Interprete os resultados.
b) Calcule a soma dos quadrados dos resíduos para cada subamostra. Qual é o
intervalo de valores possíveis para a?
1-79
c) Para quais valores de a poderíamos dizer, com 95% de confiança, que o
procedimento sugerido pelo economista B é realmente mais correto?
1.14
Yi = β 1 + β 2 J i + β 3 Pi + u i , u i ~ N (0, σ 2 ) (1)
onde, para cada país i, Yi é a taxa de crescimento do PIB, Ji é a taxa de juros nominal e Pi
é a taxa de inflação.
100 0 0 100
X' X = 0 10 0 X' y = - 15 y' y = 220,5
0 0 1 1
(d) Um terceiro economista, tentando conciliar as idéias dos outros dois, sugere estimar
por MQO uma equação contendo simultaneamente as variáveis nominais e reais, isto
é:
Yi = β1 + β 2 J i + β 3 Pi + β 4 JRi + ui (3)
1-80