ANPEC

QUESTÃO 09 (2001)
A partir de uma amostra de n elementos, foi estimada uma regressão linear simples, pelo método de mínimos
quadrados, obtendo-se os resultados:

Yˆt  ˆ  ˆ1 X t 
ˆ 0

R 12  K1
A seguir, a mesma regressão foi estimada sabendo-se que a reta de regressão da população passa pela origem das
coordenadas (termo constante = 0), obtendo-se os resultados:

Yˆt  ˆ 2 X t

R 22  K 2
Pode-se afirmar que:

Ⓞ ̂ 1 = ̂ 2

① s  2 (desvio padrão de  2 )  s 1 (desvio padrão de  1 )

ˆ X passa pelo ponto médio da amostra ( X , Y )

② A reta  2

③ (K2 / K1) > 1

④ A soma dos resíduos de mínimos quadrados de ambas equações estimadas é zero.

QUESTÃO 12 (2005)
Um pesquisador estima o seguinte modelo de regressão simples: Yi   0  1 X i  ei . Outro pesquisador estima o
mesmo modelo, mas com escalas diferentes para Yi e X i . O segundo modelo é: Yi   0  1 X i  ei , em que:
* * * * *

Yi *  w1Yi , X i*  w2 X i e w1 e w2 são constantes maiores que zero.

Ⓞ Os estimadores de Mínimos Quadrados Ordinários de  0 e 1 são iguais aos de  0* e 1* .
Se ̂ *2 é a variância estimada de ei e ̂ 2 é a variância estimada de ei , então ˆ *2  w12ˆ 2 .
*
①

② As variâncias dos estimadores dos parâmetros do primeiro modelo são maiores do que as variâncias dos estimadores
do segundo modelo.
③ Os coeficientes de determinação são iguais nos dois modelos.
* *
④ A transformação de escala de ( Yi , X i ) para ( Yi , X i ) não afeta as propriedades dos estimadores de Mínimos
Quadrados Ordinários dos parâmetros.
QUESTÃO 11 (2000)
Considere o seguinte modelo de regressão linear clássico, relacionando as variáveis quantidade
demandada (Q) e preço do produto (P). Admita que as duas variáveis sejam medidas em Reais, e que a
estimação será efetuada por MQO (ln é logaritmo natural)

lnQi = 1 + 2 lnPi + ui i = 1,2,..., 100.

É correto afirmar que:

(0) Variando-se o preço em 1%, a quantidade demandada variará 102%, ceteris paribus.
(1) Ignorando-se o termo aleatório, se o preço ultrapassar determinado limite, será possível obter
quantidades demandadas negativas.
(2) Se mudarmos as unidades de Q e P para dólares americanos, então a estimativa de 2 na
nova equação será igual a sua estimativa obtida na equação em Reais.
(3) Se a variável ln Y (Y = renda) for acrescentada ao modelo o coeficiente R 2 desta nova
regressão será maior ou igual ao coeficiente R2 da regressão original.
(4) Se o coeficiente R2 ajustado da regressão com a variável ln Y for maior do que o coeficiente R 2
ajustado da regressão original, então necessariamente, o coeficiente de ln Y é estatisticamente significante,
ao nível de significância de 5%, em um teste bi-lateral.

QUESTÃO 12 (2001)

No modelo clássico de regressão linear: Yi  1   2 X i  ui

Ⓞ A hipótese de que o erro é normalmente distribuído é necessária para que os estimadores de mínimos quadrados
ordinários também sejam normalmente distribuídos.
① Se a hipótese cov(u i , u j | X i , X j )  0 , i  j for violada, os estimadores de mínimos quadrados ordinários serão
viesados e não eficientes.

② As hipóteses de que o erro é normalmente distribuído e de que cov(u i , u j | X i , X j )  0 , i  j asseguram que ui e

u j se distribuem independentemente.

③ A hipótese Var (  i | X i )  
2
é necessária para que os estimadores de mínimos quadrados ordinários sejam não
tendenciosos.
④ Os estimadores de mínimos quadrados de 1 e  2 podem ser escritos como combinações lineares das observações
Yi .

QUESTÃO 07 (2008)

Considere a regressão múltipla:

y = β0 + β1 x1+ β2 x2+ β3 x3 + u
cujos parâmetros tenham sido estimados pelo método dos mínimos quadrados ordinários. Julgue
as afirmativas:
Ⓞ Se E(u| x1, x2, x3)=0 e o modelo não é perfeitamente colinear, então os estimadores não são
viesados.
① Se o R2 = 1, então y é uma combinação linear de x1, x2 e x3.
② O R2 ajustado aumenta ao se incluir uma variável adicional, caso tal variável seja significativa
ao nível de 5%.
③ Se o modelo satisfaz as hipóteses do teorema de Gauss-Markov, então 1
ˆβ
é o estimador
linear não viesado de β1 com menor variância possível.
④ Se omitirmos x3 da regressão, os estimadores de β0, β1 e β2 podem ser viesados.

QUESTÃO 08 (2007)
Julgue as afirmativas:
Ⓞ Heterocedasticidade ocorre quando o erro aleatório em um modelo de regressão é correlacionado com uma
das variáveis explicativas.
Exame Nacional ANPEC 2007: 1° Dia ESTATÍSTICA 3/6
① Quando o erro aleatório em um modelo de regressão é correlacionado com alguma variável explicativa, os
estimadores de mínimos quadrados não são consistentes.
② Na presença de heterocedasticidade, estimadores de mínimos quadrados ordinários são ineficientes.
③ Os testes t e F usuais não são válidos na presença de heterocedasticidade.
④ Na presença de heterocedasticidade, estimadores de mínimos quadrados ordinários são não viesados, mas
são inconsistentes.

QUESTÃO 06 (2006)
Julgue as afirmativas. A respeito dos estimadores de Mínimos Quadrados Ordinários (MQO), em um modelo de
regressão linear múltipla:
Ⓞ Se a variância do erro não for constante, as estimativas dos parâmetros serão não-viesadas.
① Se E()  0, os estimadores de todos os parâmetros, com exceção do intercepto, serão viesados.
② Se o erro não seguir a distribuição Normal as estimativas por MQO são consistentes.
③ Sob as hipóteses do modelo de regressão clássica, com erros na forma de ruído branco com distribuição Normal, os
estimadores de MQO serão os mais eficientes possíveis.
④ A presença de colinearidade imperfeita entre as variáveis explicativas gera estimadores viesados.

QUESTÃO 09 (2006)
O método dos mínimos quadrados ordinários foi empregado para estimar o modelo de regressão abaixo, cujo objetivo é
explicar as variações de renda entre 526 indivíduos de uma amostra aleatória:
ln(renda) = 0,362+ 0,094 educ + 0,014 exper – 0,178 sexo – 0,010 exper x sexo + u
(0,128) (0,008) (0,002) (0,058) (0,002)

R2 = 0,368 n = 526

em que sexo é uma variável dicotômica (valor 1, se for mulher e 0, caso contrário), educ é o número de anos de
escolaridade (0  educ  17), exper são anos de experiência profissional (0  exper  40) e u é a estimativa do erro. Os
números entre parênteses são os erros-padrão das estimativas, robustos à heterocedasticidade. Com base nos resultados
acima, é correto afirmar:

Ⓞ Ao nível de significância de 5%, o efeito de um ano a mais de experiência profissional para indivíduos do sexo
masculino é estatisticamente maior do que o efeito para mulheres.
① Para um indivíduo com 10 anos de escolaridade, 1 ano adicional de estudo acarreta um aumento da renda de
aproximadamente 9%.
② O efeito na renda de um aumento de 1 ano na experiência profissional para as mulheres é 1% menor do que para os
homens.
③ Pela inspeção dos resultados da estimação fica claro que os erros do modelo são heterocedásticos.
④ Se a um nível de significância de 5%, o valor crítico do teste F para a regressão for 2,37, os coeficientes angulares
serão conjuntamente diferentes de zero.

QUESTÃO 14 (2004)
Um pesquisador estimou uma regressão múltipla com 5 variáveis independentes e n = 56, mas na pressa, não imprimiu
os resultados e anotou apenas o valor do R 2 = 0,90, o coeficiente de determinação. Este pesquisador precisa verificar se
a regressão é significante. Ajude-o, calculando o valor da estatística do teste a ser empregado.

QUESTÃO 11 (2005)
É dada a seguinte função de produção para determinada indústria:
ln(Yi )   0  1 ln( Li )   2 ln( K i )  u i ,
em que Y é o valor adicionado por firma (em reais), L é o trabalho empregado, K é o valor do capital (em reais) e u é o
termo aleatório. Uma amostra aleatória de 27 observações leva às seguintes estimativas:

ln(Y )  1,1755  0,6022 ln( L )  0,3856 ln( K )

i i i
27
SQR   uˆ i2  0,84
i 1

R 2  0,76
São corretas as afirmativas:
Ⓞ Se Y passasse a ser medido em mil reais, somente o valor estimado do intercepto da regressão seria alterado.
① Ao nível de 5%, os coeficientes associados ao trabalho e ao capital são conjuntamente iguais a zero.

QUESTÃO 14 (2005)
 Considere o seguinte modelo para a população: Y = 2 + 4X – 5Z + u, em que u é o termo aleatório e
E (u | X , Z )  E (u )  0 . A partir de uma amostra de n indivíduos, estimaram-se os parâmetros deste modelo, tendo,
todavia, sido omitida a variável Z. Ou seja, o modelo estimado foi: Yˆ   ˆ  ˆ X . Suponha ainda que, para amostra
i 0 1 i

em questão, tenham sido obtidos os seguintes resultados:

n

 (Z i  Z )( X i  X )
1 n 1 n
i 1
n
 0,7 , em que X  
n i 1
X i e Z   Zi .
n i 1
(X
i 1
i  X )2

 
Calcule E ˆ1 | X . Multiplique o resultado por 10.

QUESTÃO 07 (2003)
O método dos mínimos quadrados ordinários foi empregado para estimar o modelo de regressão abaixo, cujo objetivo é
explicar as variações de renda entre 526 indivíduos:
log(renda )  0,417 0,297 sexo  0,080 educ  0,029 exper  0,00058 exper 2  u ,
( 0 , 099 ) ( 0 , 036 ) ( 0 , 007 ) ( 0 , 005 ) ( 0 , 00010 )

R  0,441, n  526, 2

em que sexo é uma variável dicotômica (valor 1, se for homem e 0, caso contrário), educ é o número de anos de
escolaridade, exper é experiência profissional, também medida em anos. Os números entre parênteses são os erros-
padrão das estimativas ( sb i  0,,.,..
i
1 .,4) . Com base nos resultados acima, é correto afirmar:

Ⓞ a regressão não é estatisticamente significante pois o coeficiente de determinação é menor do que 0,5;

① a diferença de renda entre homens e mulheres não é estatisticamente significante;

② um ano a mais de escolaridade, mantidos constantes todos os demais fatores, aumenta em 0,08% a renda de um
indivíduo do sexo feminino;

QUESTÃO 10 (2000)
O seguinte modelo de regressão foi estimado utilizando-se dados trimestrais entre 1979 e 1998,
inclusive:
^
Yi = 2.20 + 0.104 X2i

A soma total explicada foi 100,5. Quando esta equação foi re-estimada, adicionando-se três “dummies”
sazonais, a soma total explicada aumentou para 114,5 e a soma do quadrado dos resíduos foi igual a
20,00. Suponha que deseja-se testar se a sazonalidade é significativa. Calcule a estatística de teste
adequada.

QUESTÃO 5 (1999)

Foram encontrados os seguintes resultados para estimar uma regressão linear com duas variáveis explicativas para uma
amostra de tamanho 10.

Variáveis preditoras Coeficiente Desvio padrão Estatística p-valor

“t’
Constante 223,3 254,8 0,88 0,410
X1 -1,26 0,8263 -1,52 0,172
X2 -1,03 3,213 -0,32 0,752

R2 = 81,2%; R2 ajustado = 76,1%; Valor calculado da estatística F=15,1

 Podemos afirmar que:
(0) A equação de regressão estimada é Y  223,3  1,26. X 1  1,03. X 2 .

(1) A um nível de significância de 5% podemos afirmar que a regressão existe. Porém, após elaborarmos os testes de
hipóteses para os coeficientes individuais, aceitamos a hipótese (a um nível de significância de 1%) de que o
coeficiente para a variável X2 é zero.

(2) O coeficiente de determinação indica que 81,2b% da variação amostral de Y podem ser atribuídos as variações de X1 e
X2.

(3) O valor estimado para Y quando X1 = 15 e X2 = 80 é 220.

(4) Os valores teóricos das estatísticas “t” utilizadas para testar os coeficientes das variáveis explicativas
devem ser calculados para 7 graus de liberdade.

QUESTÃO 08 (2001)
No modelo de equações simultâneas:

Q D   1   1 P   1Y  u1 (demanda)

Q S   2  2 P  u 2 (oferta)

QD  QS

em que: QD é a quantidade demandada; QS, a quantidade ofertada; P, o preço; Y, a renda; u1 e u2 são os componentes
aleatórios. Neste modelo:

Ⓞ A aplicação do método de mínimos quadrados ordinários (MQO) a cada uma das equações do sistema,
desconsiderando-se a outra, fornecerá estimativas não tendenciosas.

① A equação de demanda é subidentificada.

② A equação de oferta é exatamente identificada.

③ Na equação de oferta, o estimador de MQO é consistente.

④ Caso seja subidentificada, a equação de demanda não pode ser estimada

QUESTÃO 12 (2002)
Em relação aos modelos de Séries de Tempo pode-se afirmar:

Ⓞ No modelo Autoregressivo de ordem 1, Z t  Z t 1  ut   0 ,  1 , em que ut é um ruído branco, o parâmetro

0 é a média do processo.
① O modelo misto Autoregressivo-Médias Móveis, ARMA(1,1), pode ser representado pela expressão Zt = Zt + ut – ut-1
em que  e  são parâmetros e ut é um ruído branco.
② Se um processo estocástico possui uma tendência determinística, yt= 1 + 2 t + ut, então este é dito não-estacionário e
sua não-estacionariedade pode ser detectada por um teste para raiz unitária.
③ Em uma regressão com duas séries temporais, se estas são I(1), ou seja, não estacionárias, mas são cointegradas, pode-se
empregar a estatística t de Student para testar a significância dos coeficientes da regressão.
④ O teste de Engle-Granger para co-integração entre três variáveis consiste em utilizar a estatística e a tabela de valores
críticos Dickey-Fuller nos resíduos de uma regressão entre estas variáveis.

QUESTÃO 08 (2003)
Considere o modelo de equações simultâneas:
 QiD   1   ' Pi  u1i (demanda)
QiS   2   2 Pi  u 2i (oferta)
Q Q
i
D
i
S

D S
em que: Qi é a quantidade demandada, Qi é a quantidade ofertada, Pi é o preço, e u1i e u2i são termos aleatórios. É
correto afirmar que:

Ⓞ o estimador de mínimos quadrados ordinários aplicado a cada uma das equações é consistente e não-tendencioso;
① no modelo acima a equação de demanda é identificada mas a equação de oferta não é;

② se a equação de demanda for definida por Qi   1   ' Pi   1Yi  u1i , em que Yi é a renda, a equação de oferta será
D

identificada;

③ a equação de demanda será identificada se for definida por Qi   1   ' Pi   1Yi  u1i ;
D

④ a variável renda, empregada nos dois itens anteriores, é uma “variável instrumental”.

QUESTÃO 07 (2004)
São corretas as afirmativas. Em modelos de equações simultâneas:
Ⓞ o problema da identificação precede o da estimação.
① se a condição de ordem for satisfeita, a condição de posto também será satisfeita.
② os estimadores de mínimos quadrados indiretos e os de mínimos quadrados de dois estágios são não-tendenciosas e
consistentes.
③ se uma equação é exatamente identificada, os métodos de mínimos quadrados indiretos e de dois estágios produzem
resultados idênticos.
④ o método de mínimos quadrados indiretos pode ser aplicado tanto a equações exatamente identificados quanto a
equações superidentificadas.

QUESTÃO 08 (2005)
Considere o modelo de equações simultâneas:
Qtd   0   1 Pt   2 X t  e1t (demanda)
Qts   0  1 Pt  e2t (oferta)
Qtd  Qts (condição de equilíbrio)
d s
Q e Q são, respectivamente, as quantidades demandadas e ofertadas do bem, X t é uma variável exógena e
t t

e1t e e2 t são os termos aleatórios, com médias zero e variâncias constantes. São corretas as afirmativas:
Ⓞ As equações de demanda e oferta são exatamente identificadas.
① Os parâmetros estruturais do modelo são consistentemente estimados por Mínimos Quadrados Ordinários.
0  0
② As equações na forma reduzida são: Pt   0   1 X t  v t e Qt   2   3 X t  wt , em que  0 
;
1  1
2 e1t  e2t 1 0   0 1  2 1  1e2t   1e1t
1   ; vt  ; 2  ; 3   e wt  .
1  1 1  1 1  1 1  1  1  1
③ As estimativas dos parâmetros da forma reduzida descritos no quesito anterior, por Mínimos Quadrados Ordinários,
são consistentes.
④ Os parâmetros das equações estruturais, obtidos dos parâmetros da forma reduzida, são estimados por Mínimos
Quadrados Ordinários.
 QUESTÃO 07 (2006)
Considere o modelo:
Yt = Zt + Yt-1 + e1t (equação I)
Zt = Zt-1 + e2t (equação II)
em que ,  e  são parâmetros e
e   0    2  12 
e t   1t  ~ Normal ,  11 
2 
 e2t   0    12  22 
0
E (e t e k )   , para todo k  t.
0
Suponha também que |<1 e |<1. São corretas as afirmativas:
Ⓞ A condição |<1 garante a estacionariedade de segunda ordem de Zt.
① O estimador de mínimos quadrados ordinários de  na equação II, não é consistente.
② Os estimadores de mínimos quadrados ordinários de  e  na equação I, só serão consistentes se 12 = 1.
③ Sem nenhuma restrição adicional sobre os parâmetros do modelo, a equação I não satisfaz a condição de ordem para
identificação.
④ Para testar se há endogeneidade na equação I, pode-se usar o teste de Hausman

QUESTÃO 15 (2000)
Considere um processo AR(1)
Yt =  Yt -1 + t , t ~ NID(0, 2), t = 1,2,...T,
em que, por hipótese, || <1, a não ser que seja dito o contrário. Considere Y o fixo e que t seja muito
distante da origem.
(0) A condição | | < 1 é necessária para que o processo apresente média e variância
incondicionais independentes do tempo.
(1) A média incondicional do processo é zero.
(2) A função de autocorrelação deste processo é diferente de zero para o "lag" 1, e é igual a zero
para todos os outros "lags".
(3) A previsão dois-passos à frente é dada por: E(Y t+2| Yt) = ( +1) + 2Yt , em que Yt = { Y1 , Y2 ,..., Yt}.
(4) Se  =1, o processo será não estacionário.

QUESTÃO 10 (2001)
Seja o processo auto-regressivo: y t  1 y t 1   t . Pode-se afirmar que:

Ⓞ O processo é estacionário para 1 < 1.

① Se 1 = 1, o processo é dito um caminho aleatório (random walk).

② O estimador de mínimos quadrados ordinários do parâmetro 1 é não tendencioso.

③ A estatística t-Student pode ser usada para testar a presença de raiz unitária.

④ O processo pode ser escrito em uma forma alternativa como  y t  y t 1   t em que   1  1 e  y t =

y t  y t 1 .

QUESTÃO 11 (2001)
Um econometrista estimou uma função consumo usando 25 observações anuais da renda pessoal disponível e
consumo, a partir do modelo:

Ct  1   2Yt  ut , em que:

Ct = consumo em t; Yt = renda pessoal disponível em t; ut = erro aleatório

 Os resultados indicaram parâmetros significativos a 5%, coeficiente de determinação de 0,94 e d de Durbin-Watson
0,5421. Com base nesses números, o econometrista fez o teste de Dickey-Fuller aumentado (ADF) para as séries de
renda e de consumo, obtendo estimativas de  menores que os valores críticos de  tabelados, a 1%, 5% e 10%.
Conseqüentemente, o econometrista:
Ⓞ Aceitou a hipótese nula do teste ADF, concluindo que as séries de renda e consumo são não-estacionárias;
① Concluiu que os testes t e F não são válidos.
② Concluiu que o teste t não é válido.
③ Concluiu que a regressão estimada é espúria.

QUESTÃO 12 (2002)
Em relação aos modelos de Séries de Tempo pode-se afirmar:

Ⓞ No modelo Autoregressivo de ordem 1, Z t  Z t 1  ut   0 ,  1 , em que ut é um ruído branco, o parâmetro

0 é a média do processo.

① O modelo misto Autoregressivo-Médias Móveis, ARMA(1,1), pode ser representado pela expressão Zt = Zt + ut – ut-1
em que  e  são parâmetros e ut é um ruído branco.
② Se um processo estocástico possui uma tendência determinística, yt= 1 + 2 t + ut, então este é dito não-estacionário e
sua não-estacionariedade pode ser detectada por um teste para raiz unitária.
③ Em uma regressão com duas séries temporais, se estas são I(1), ou seja, não estacionárias, mas são cointegradas, pode-se
empregar a estatística t de Student para testar a significância dos coeficientes da regressão.
④ O teste de Engle-Granger para co-integração entre três variáveis consiste em utilizar a estatística e a tabela de valores
críticos Dickey-Fuller nos resíduos de uma regressão entre estas variáveis.

QUESTÃO 10 (2003)
Considere o modelo de regressão linear
Ct   0  1Yt  u t , t  1,  , T ,
em que: Ct é o consumo pessoal em t, Yt é a renda pessoal em t e ut é o termo aleatório. É correto afirmar que:
Ⓞ se Ct e Yt são I(1), então ut será obrigatoriamente estacionário;
① se o Ct e Yt são integradas, mas com ordens de integração diferentes, então a regressão será inválida;
② se Ct e Yt são I(1), então o teste ADF aplicado aos resíduos da regressão poderá identificar a presença de co-integração
entre as variáveis;
③ se Ct e Yt são I(1), mas os resíduos são I(0), então há co-integração entre as variáveis;
④ se Ct e Yt são I(1) e os resíduos também são I(1), então a regressão de Ct em Yt é inválida.

QUESTÃO 15 (2003)
Considere o modelo ARMA(1,1) definido por:
y t  0,5 y t 1  0,2 t 1   t , t  1,  , T ,
em que a variância de t é igual a 1. Encontre a variância de yt.
(Multiplique o resultado final por 10. Marque somente a parte inteira na folha de resposta).

QUESTÃO 09 (2004)
Considere a seguinte regressão entre yt e zt:
 yt  z t  u t ,

em que ut é o erro. São corretas as afirmativas:

Ⓞ Se yt for I(1) e zt for I(0), então yt e zt são co-integradas.
① Se yt for I(0) e zt for I(1), então yt e zt são co-integradas.
② Se yt for I(1) e zt for I(1), então yt e zt são co-integradas.
③ Se yt for I(1), zt for I(1) e ut for I(0), então yt e zt são co-integradas.
④ Se ut for I(0) as séries yt e zt são necessariamente co-integradas.

QUESTÃO 10 (2004)
Em relação aos modelos de séries temporais, são corretas as afirmativas: 0
Ⓞ No processo AR(1), Z t  Z t 1  a t  0 ,   1 , e a t é um ruído branco, a média de Z t será .
1
① O processo MA(1), Z t  at  at 1 , em que a t é um ruído branco, não é estacionário.

② O processo AR(1), Zt  0,8Z t 1  at , em que a t é um ruído branco, é estacionário.

③ No processo AR(1), Zt  Zt 1  at , em que a t é um ruído branco com Var( a t ) =  a2 , a variância de Z t é

 a2
.
12

④ No modelo ARMA(1,1), Z t  Z t 1  at  at 1 , em que a t é um ruído branco, a média de Z t é diferente de

zero.

QUESTÃO 07 (2005)
Com respeito à teoria das séries temporais, são corretas as afirmativas:
Ⓞ Considere uma série temporal Yt auto-regressiva de ordem 1 com parâmetro  . No modelo:
Yt  Yt 1  Yt 1  u t , em que ut é um ruído branco e     1 , se  for de fato igual a zero, a série Yt
será não estacionária.
① Numa regressão linear simples de duas séries temporais não estacionárias de ordem 1, o teste usual t de Student ainda é
válido.
② Numa regressão linear múltipla de séries temporais de ordem 1, mas cointegráveis, não se corre o risco de os
resultados serem espúrios.
③ Numa regressão linear múltipla de séries temporais de ordem 1, mas cointegráveis, os resíduos da regressão são
estacionários.
④ Se uma série temporal tiver que ser diferenciada n vezes antes de se tornar estacionária, a série original é integrada de
ordem n -1.

QUESTÃO 09 (2005)
São corretas as afirmativas:
Ⓞ No processo AR(1): y t   0  1 y t 1  et , em que  1 e et é um ruído branco de média zero e variância
 2

 2 , a variância de y t será .
1  2
① Seja a função de autocovariância do processo AR(1) definido no quesito anterior  j  E[( y t  j  )( y t  j  )] ,
  0  1  j
em que   E[ y t ] é a média do processo y t . É correto afirmar que j  .
1  12
② O processo AR(2), y t   0  1 y t 1   2 y t  2  et , em que et é um ruído branco de média nula e variância  2 ,
será estacionário de segunda ordem se, e somente se, 1  1 e  2  1 .
③ A média do processo MA(1), y t  et  et 1 , em que et é um ruído branco, é igual a zero.
④ No modelo ARMA(1,1), y t   0  1 y t 1  et  et 1 , em que et é um ruído branco de média nula e variância
0
constante, a média de y t é dada por .
1  1

QUESTÃO 07 (2006)
Considere o modelo:
Yt = Zt + Yt-1 + e1t (equação I)
Zt = Zt-1 + e2t (equação II)
em que ,  e  são parâmetros e
e   0    2  12 
e t   1t  ~ Normal ,  11 
2 
e
 2t  0
   12  
22  

0
E (e t e k )   , para todo k  t.
0
Suponha também que |<1 e |<1. São corretas as afirmativas:
Ⓞ A condição |<1 garante a estacionariedade de segunda ordem de Zt.
① O estimador de mínimos quadrados ordinários de  na equação II, não é consistente.
② Os estimadores de mínimos quadrados ordinários de  e  na equação I, só serão consistentes se 12 = 1.
③ Sem nenhuma restrição adicional sobre os parâmetros do modelo, a equação I não satisfaz a condição de ordem para
identificação.
④ Para testar se há endogeneidade na equação I, pode-se usar o teste de Hausman

QUESTÃO 11 (2006)
Dois economistas usam os modelos abaixo para analisar a relação entre demanda de moeda ( m) e renda nacional (y).
As variáveis estão todas em logaritmos e a periodicidade é mensal.

Economista A: Economista B:
mt  1.099 y t  uˆ t (Equação 1) mt  1.14 y t  eˆt (Equação 2)
( 0.0086) ( 0.145)

Os valores entre parênteses são os erros-padrão.

Testes Dickey-Fuller Aumentado (ADF), com número apropriado de defasagens maior que zero em todos os casos,

para as variáveis e para os resíduos dos dois modelos geram os seguintes resultados:

Variável mt yt ût mt yt êt

Estatística-ADF -2.191 -1,952 -2.993 -5.578 -6.312 -8.456

O valor crítico da tabela Dickey-Fuller a 5% é igual a –2,886. São corretas as afirmativas:

Ⓞ Tanto a série de demanda de moeda quanto a de renda nacional são integradas de primeira ordem.
① As séries de demanda de moeda e de renda nacional não são cointegradas ao nível de significância de 5%.
② Se a série de demanda de moeda for estacionária na diferença (difference stationarity) ela não pode ser estacionária na
tendência (trend stationary).
③ Se as séries de demanda de moeda e de renda nacional forem cointegradas, o Economista B deve incluir o erro
defasado ût-1 em seu modelo.
④ A série de renda nacional é um passeio aleatório puro.

QUESTÃO 15 (2006)
Uma série temporal Yt, t = 1,...T, foi gerada por um processo da classe ARIMA(p,d,q) e apresenta os seguintes
formatos para a Função de Autocorrelação (FAC) e Função de Autocorrelação Parcial (FACP):

Supondo que a média da série seja 100 e que YT-3 = 35, YT-2 = 28, YT-1 = 38 e YT = 30, calcule a previsão para YT+1 feita
no instante T , isto é E(YT+1|YT,YT-1,YT-2,YT-3,...).