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 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
X 1i =

Portanto,

Manual de Solues Econometria Bsica Gujarati

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

1

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

1

r23.1 = ( 23.1 )( 32.1 ) = ( 3 )( 2 ) = 1

2

Da,
2
2
2
2
R1.23
= r122 + (1 r122 ) r13.2
= 1 . Analogamente, R2.13
= R3.12
= 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:

Manual de Solues Econometria Bsica Gujarati

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:

var( 2 ) =
var( 2 ) =

2
2i

2
1

2
2i

(1 r )
2
23

2
2i

(Nota: r23 = 0 )
2

(veja a Equao 3.3.1)

2
Repare que =

2
i

n3

12 =

2
i

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.

Manual de Solues Econometria Bsica Gujarati

(c) Falsa. Conforme observado no texto (veja a Equao 7.5.6), a varincia de um
estimador de MQO dada pela frmula var( j ) =

1
, e dela se pode

x 2j 1 R 2j

deduzir que um R j elevado pode ser contrabalanado por um baixo

2
j

ou um alto

(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,

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 =
=
.
(1 r 2 )
1+ r
2

(b) Pela Equao (7.11.1), pode-se ver, por exemplo, que

r12.3 =

r (1 r )
r
=
.
2
1 r
1+ r

Manual de Solues Econometria Bsica Gujarati

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).

10.20 Recorde que

r =
2
23

( x2i x3i ) 2

( x22i )( x32i )

Logo, (

Manual de Solues Econometria Bsica Gujarati

x ) = r ( x22i )( x32i ) .

2 i 3i

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 substitulos 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.

Manual de Solues Econometria Bsica Gujarati

(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)
t = (3,311)

(0,066)
(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
C
1,975260
LPIB
1,043167
LIPC
0,446142
R-quadrado
0,982318
R-quadrado ajustado

0,980958

E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson

0,124862
0,405356
20,76993
0,461405

Erro-padro
Estatstica-t
0,782070
2,525683
0,405783
2,570749
0,569840
0,782925
Varivel dependente mdia
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade (Estatstica-F)

Probabilidade
0,0180
0,0162
0,4407
12,49048
0,904848
-1,225512
-1,084068
722,2174
0,000000

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

provvel que haja multicolinearidade nos dados.

Manual de Solues Econometria Bsica Gujarati

(c) Seguem os resultados das regresses:
Varivel dependente: LIMPORTA
Mtodo: Mnimos quadrados
Data: 11/11/2000 Hora: 10:21
Amostra: 1970 1998
Observaes includas:
29
Varivel
Coeficiente
C
1,407426
LPIB
1,359628
R-quadrado
0,981901

Erro-padro
0,290493
0,035525

Estatstica-t
4,844960
38,27295

Probabilidade
0,0000
0,0000

Erro-padro
0,250312
0,055221

Estatstica-t
15,57499
34,50388

Probabilidade
0,0000
0,0000

Erro-padro
0,1080
0,0238

Estatstica-t
17,0680
58,6972

Probabilidade
0,0000
0,0000

Varivel dependente: LIMPORTA

Mtodo: Mnimos quadrados
Amostra: 1970 1998
Observaes includas:
29
Varivel
C
LIPC
R-quadrado

Coeficiente
3,898610
1,905351
0,977824

Varivel dependente: LPIB

Mtodo: Mnimos quadrados
Amostra: 1970 1998
Observaes includas:
29
Varivel
C
LIPC
R-quadrado

Coeficiente
1,8437
1,3988
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)
Mtodo: Mnimos quadrados
Data: 11/11/2000 Hora: 10:26

Manual de Solues Econometria Bsica Gujarati

Amostra: 1970 1998
Observaes includas:
29
Erro-padro
Estatstica-t
Varivel
Coeficiente
C
0,106099
0,494911
0,214380
LOG(PIB/IPC)
2,162167
0,135693
15,93429
R-quadrado
0,903881

Probabilidade
0,8319
0,0000

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
dependente
X2
X3
X4
X5
X6

R
0,9846
0,9482
0,9872
0,9889
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
Mtodo: Mnimos quadrados
Amostra: 1971 1986
Observaes includas:
16
Varivel
C
LX2
LX5
LX6
R-quadrado

Coeficiente
-22,10374
-1,037839
-0,294929
3,243886
0,684855

Erro-padro
Estatstica-t
8,373593
-2,639696
0,330227
-3,142805
0,073704
-4,001514
0,872231
3,719068
Varivel dependente mdia

Probabilidade
0,0216
0,0085
0,0018
0,0029
9,204273

Manual de Solues Econometria Bsica Gujarati

Desvio-padro
da
varivel
R-quadrado ajustado
0,606069
dependente
E.P. da regresso
0,075053 Critrio info Akaike
Soma quad resduos
0,067595 Critrio Schwarz
Verossimilhana Log
21,03144 Estatstica-F
Estat Durbin-Watson
1,309678 Probabilidade (Estatstica-F)

0,119580
-2,128930
-1,935783
8,692569
0,002454

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)
Mtodo: Mnimos quadrados
Amostra: 1971 1986
Observaes includas:
16
Varivel
C
LOG(X2)
LOG(X3)
LOG(X4)
LOG(X5)
LOG(X6)
R-quadrado

Coeficiente
3,254859
1,790153
-4,108518
2,127199
-0,030448
0,277792
0,854803

R-quadrado ajustado

0,782205

E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson

0,055806
0,031143
27,23099
1,793020

Erro-padro
Estatstica-t
19,11656
0,170264
0,873240
2,050012
1,599678
-2,568341
1,257839
1,691154
0,121848
-0,249884
2,036975
0,136375
Varivel dependente mdia
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade (Estatstica-F)

Probabilidade
0,8682
0,0675
0,0280
0,1217
0,8077
0,8942
9,204273
0,119580
-2,653874
-2,364153
11,77442
0,000624

Como suspeitvamos, so evidentes os problemas de colinearidade desse modelo.

10.30 Vamos, primeiro, apresentar a matriz de correlao dos regressores:
TAXA
GE

TAXA
1,000000
0,571693

GE
0,571693
1,000000

GMO

0,058992

NEIN
ATIVOS
IDADE

0,701787
0,778932
0,044173

Dependentes

0,601358
0,881271

0,040994
0,234426
0,274094
0,015300
0,692881
0,549108

Escolaridade

GMO
0,058992
0,040994
1,000000

NEIN
0,701787
0,234426

ATIVOS
0,778932
0,274094

0,359094

0,359094
0,292243
0,775494
0,050212
-

Dependentes
-0,60135
-0,69288

0,292243

IDADE
0,044173
0,015300
0,775494

1,000000
0,987510
0,502432

0,987510
1,000000
0,417086

0,502432
0,417086
1,000000

-0,52083
-0,51355
-0,04836

0,520832
0,539173

0,513552
0,630899

0,048360
-

1,000000

0,05021

-0,60257

Manual de Solues Econometria Bsica Gujarati

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
Mtodo: Mnimos quadrados
Amostra: 1 35
Observaes includas:
35
Varivel
C
TAXA
GE
GMO
NEIN
ATIVOS
IDADE
Dependentes
Escolaridade
R-quadrado

Coeficiente
1904,578
-93,75255
0,000225
-0,214966
0,157208
0,015572
-0,348636
20,72803
37,32563
0,825555

R-quadrado ajustado

0,771879

E.P. da regresso
Soma quad resduos
Verossimilhana Log
Estat Durbin-Watson

30,62279
24381,63
-164,2220
1,779824

Erro-padro
Estatstica-t
251,9333
7,559849
47,14500
-1,988600
0,038255
0,005894
0,097939
-2,194896
0,516406
0,304427
0,025405
0,612970
3,722331
-0,093661
16,88047
1,227930
22,66520
1,646826
Varivel dependente mdia
Desvio-padro
da
varivel
dependente
Critrio info Akaike
Critrio Schwarz
Estatstica-F
Probabilidade (Estatstica-F)

Probabilidade
0,0000
0,0574
0,9953
0,0373
0,7632
0,5452
0,9261
0,2305
0,1116
2137,086
64,11542
9,898400
10,29835
15,38050
0,000000

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.

Manual de Solues Econometria Bsica Gujarati

10.31 Este para ser feito em aula.
10.32 Os resultados do Eviews para a regresso so os seguintes:
Varivel dependente: Y
Mtodo: Mnimos quadrados
Amostra: 1947 1961
Observaes includas:
15
Varivel
Coeficiente
C
-3017441
X1
-20,51082
X2
-0,027334
X3
-1,952293
X4
-0,958239
X5
0,051340
X6
1585,156
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

Erro-padro
939728,1
87,09740
0,033175
0,476701
0,216227
0,233968
482,6832

Estatstica-t
-3,210973
-0,235493
-0,823945
-4,095429
-4,431634
0,219430
3,284049

Probabilidade
0,0124
0,8197
0,4338
0,0035
0,0022
0,8318
0,0111

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.