Professional Documents
Culture Documents
Lista 6: Heterocedasticidade
CAPTULO 8
1) Utilize os dados contidos no arquivo VOTE1.RAW para fazer este exerccio.
(i)
Rodar o modelo inicial com base nas variveis explicadas: votea c prtystra democa lexpenda
lexpendb
Coefficient
Std. Error
t-Statistic
Prob.
C
PRTYSTRA
DEMOCA
LEXPENDA
LEXPENDB
37.66141
0.251918
3.792943
5.779294
-6.237836
4.736036
0.071293
1.406520
0.391820
0.397460
7.952097
3.533575
2.696687
14.74988
-15.69427
0.0000
0.0005
0.0077
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.801163
0.796429
7.573085
9635.072
-593.1954
169.2288
0.000000
50.50289
16.78476
6.915554
7.006690
6.952527
1.524816
Sample: 1 173
Included observations: 173
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PRTYSTRA
DEMOCA
LEXPENDA
LEXPENDB
4.04E-13
-1.14E-15
-7.16E-14
-4.93E-15
-5.43E-14
4.736036
0.071293
1.406520
0.391820
0.397460
8.54E-14
-1.60E-14
-5.09E-14
-1.26E-14
-1.37E-13
1.0000
1.0000
1.0000
1.0000
1.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.000000
-0.023810
7.573085
9635.072
-593.1954
1.524816
1.40E-14
7.484508
6.915554
7.006690
6.952527
O R2 igual a zero porque os resduos so a parte no explicada pelas variveis adotadas no modelo
inicial. Portanto, uma regresso entre os resduos e as variveis independentes do modelo inicial,
necessariamente tem que apresentar R2 zero, porque essas variveis no explicariam essa variao
que se pretende explicar.
(ii)
Coefficient
Std. Error
t-Statistic
Prob.
C
PRTYSTRA
DEMOCA
LEXPENDA
LEXPENDB
113.9635
-0.299264
15.61921
-10.30573
-0.051404
50.81503
0.764929
15.09117
4.204008
4.264520
2.242712
-0.391231
1.034990
-2.451405
-0.012054
0.0262
0.6961
0.3022
0.0153
0.9904
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.052563
0.030005
81.25499
1109199.
-1003.723
2.330112
0.058058
55.69406
82.50214
11.66154
11.75267
11.69851
1.912911
(iii)
Rodar o modelo normalmente, na tela de resultados, criar sries dos resduos (item i) e do modelo
estimado (Proc > Forecast> ok) o eviews vai criar uma srie com a seu y estimado. Isso porque o teste
de White necessrio estimar um modelo dos resduos contra os valores y estimados e ele ao quadrado.
Para fazer o teste de White, possvel olhar diretamente o resultado da estatstica F do modelo, para
testar que todos os coeficientes so iguais a zero.
Coefficient
Std. Error
t-Statistic
Prob.
C
VOTEAF
VOTEAF^2
171.8584
-4.263681
0.035735
53.14213
2.166534
0.021242
3.233939
-1.967974
1.682310
0.0015
0.0507
0.0943
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.031734
0.020343
81.65866
1133583.
-1005.604
2.785828
0.064496
55.69406
82.50214
11.66016
11.71484
11.68235
1.957083
Como existe evidncia estatstica para rejeitar H0 at ao nvel de 6,4%, h evidencia de que o modelo
apresenta heterocedasticidade.
Para confirmar o resultado, rodar o teste automtico do White.
Para rodar o teste de White automaticamente.
Roda modele e na tela de resultados> View> residual diagnostics> heteroskedaciticity tests> White
2.680758
31.10152
31.99433
Test Equation:
Dependent Variable: RESID^2
Prob. F(13,159)
Prob. Chi-Square(13)
Prob. Chi-Square(13)
0.0020
0.0033
0.0024
Coefficient
Std. Error
t-Statistic
Prob.
C
PRTYSTRA^2
PRTYSTRA*DEMOCA
PRTYSTRA*LEXPENDA
PRTYSTRA*LEXPENDB
PRTYSTRA
DEMOCA^2
DEMOCA*LEXPENDA
DEMOCA*LEXPENDB
LEXPENDA^2
LEXPENDA*LEXPENDB
LEXPENDA
LEXPENDB^2
LEXPENDB
55.74236
-0.054980
1.029412
-0.458714
-0.104149
6.761675
65.80657
-31.23212
8.778460
6.656256
5.071447
-51.87069
-4.480707
4.518940
284.6372
0.060446
2.156386
0.555609
0.581220
6.942492
130.9924
11.47446
12.56600
1.971641
4.881279
39.47324
2.427131
49.35734
0.195837
-0.909564
0.477378
-0.825605
-0.179189
0.973955
0.502369
-2.721881
0.698588
3.375997
1.038959
-1.314072
-1.846092
0.091556
0.8450
0.3644
0.6337
0.4103
0.8580
0.3316
0.6161
0.0072
0.4858
0.0009
0.3004
0.1907
0.0667
0.9272
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.179778
0.112715
77.71354
960263.7
-991.2510
2.680758
0.001973
55.69406
82.50214
11.62140
11.87658
11.72492
1.996983
Coefficient
Std. Error
t-Statistic
Prob.
C
PRTYSTRA
DEMOCA
LEXPENDA
LEXPENDB
37.66141
0.251918
3.792943
5.779294
-6.237836
4.418940
0.066063
1.452168
0.533142
0.356158
8.522725
3.813289
2.611918
10.84007
-17.51423
0.0000
0.0002
0.0098
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Prob(Wald F-statistic)
0.801163
0.796429
7.573085
9635.072
-593.1954
169.2288
0.000000
0.000000
50.50289
16.78476
6.915554
7.006690
6.952527
1.524816
164.1960
Diferena entre os testes de Breusch-Pagan e White est na questo do segundo considerar o efeito de
correlao entre as variveis, por adotar elas na sua forma quadrtica.
2) Com os dados em SLEEP75.RAW, estime o seguinte modelo:
sleep= 0+ 1 totwrk +u
onde sleep corresponde a minutos gastos dormindo noite por semana e totwrk o total de minutos
trabalhados durante a semana.
i.
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
3586.377
-0.150746
38.91243
0.016740
92.16534
-9.004992
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.103287
0.102014
421.1357
1.25E+08
-5267.096
81.08987
0.000000
3266.356
444.4134
14.92662
14.93953
14.93161
1.954559
o intercepto significa o nmero de minutos que uma pessoa dormiria quando o total de trabalho igual
a zero.
ii.
Agora adicione a varivel educao (educ) ao modelo. Qual o aumento mdio nos minutos
gastos dormindo de um aumento de 100 em totwrk de um indvuduo no primeiro modelo? E no
segundo?
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
EDUC
3756.215
-0.149452
-13.50385
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.110440
0.107909
419.7511
1.24E+08
-5264.269
43.63896
0.000000
81.28699
0.016694
5.680014
46.20930
-8.952378
-2.377432
0.0000
0.0000
0.0177
3266.356
444.4134
14.92144
14.94082
14.92893
1.949583
iii.
Com o modelo estimado em ii, avalie a significncia da varivel educ. Ela significante ao
nvel de 5%? E a 1%?
Ao nvel de 5% a varivel educ significante, uma vez que o seu p-valor de 1,7%, todavia, ao nvel
de 1% a varivel deixa de ser estatisticamente significante.
iv.
Utilizando o modelo estimado em ii, responda qual o aumento esperado nas horas dormidas
para 2 anos a mais de educao de uma pessoa com 2500 minutos trabalhados na semana.
Sleep = 0,149*2500 13,5*2 =
v.
Estime agora um outro modelo, retirando a varivel educ e incluindo a varivel idade (age) e
idade ao quadrado (age^2). Qual o melhor modelo i, ii ou iii?
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
AGE
AGE^2
3674.950
-0.146609
-8.102043
0.132791
219.4839
0.016898
11.26802
0.134660
16.74359
-8.676366
-0.719030
0.986120
0.0000
0.0000
0.4724
0.3244
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.110075
0.106272
420.1359
1.24E+08
-5264.413
28.94362
0.000000
3266.356
444.4134
14.92468
14.95052
14.93467
1.939702
r-squared ajudado:
Modelo 1: 0,1020
Modelo 2: 0,1079 (melhor modelo)
Modelo3:
vi.
0,1062
Adicione a varivel exper ao modelo estimado em ii. Proponha um teste que avalie
conjuntamente a significncia das variveis educ e exper. Voc tiraria elas do modelo?
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
EDUC
EXPER
3651.445
-0.148373
-8.933928
2.199885
106.4704
0.016694
6.420423
1.445717
34.29538
-8.888075
-1.391486
1.521657
0.0000
0.0000
0.1645
0.1285
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.113364
0.109575
419.3589
1.23E+08
-5263.106
29.91889
0.000000
3266.356
444.4134
14.92098
14.94681
14.93096
1.942609
Para testar a significncia conjunta dos modelos, foi feito o teste wald
Wald Test:
Equation: Untitled
Test Statistic
F-statistic
Chi-square
Value
df
Probability
3.989100
7.978200
(2, 702)
2
0.0189
0.0185
Value
Std. Err.
-8.933928
2.199885
6.420423
1.445717
O p-valor estimado foi de 1,89%, por isso existe evidncia estatstica at ao nvel de significncia de
98,1%.
vii.
Agora, utillizando a equao abaixo, estime esse modelo separadamente para homens e
mulheres e descreva os resultados na forma habitual. Existem diferenas notveis nas
estimativas das duas equaes?
Para criar grupos especficos para homens e mulheres: na tela inicial, object> generate series> sleepm =
sleep/male. Sleepf = sleep/(1-male).
Dependent Variable: SLEEPM
Method: Least Squares
Date: 10/01/16 Time: 14:26
Sample (adjusted): 1 703
Included observations: 400 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
EDUC
AGE
AGESQ
YNGKID
3648.208
-0.182123
-13.05238
7.156591
-0.044767
60.38021
310.0393
0.024486
7.414218
14.32037
0.168405
59.02278
11.76692
-7.437990
-1.760453
0.499749
-0.265831
1.022998
0.0000
0.0000
0.0791
0.6175
0.7905
0.3069
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.156228
0.145520
402.2903
63763979
-2963.422
14.59014
0.000000
3252.408
435.1998
14.84711
14.90698
14.87082
1.877356
Coefficient
Std. Error
t-Statistic
Prob.
C
TOTWRK
EDUC
AGE
AGESQ
YNGKID
4238.729
-0.139950
-10.20514
-30.35657
0.367941
-118.2826
384.8923
0.027659
9.588848
18.53091
0.223340
93.18757
11.01277
-5.059738
-1.064271
-1.638159
1.647447
-1.269295
0.0000
0.0000
0.2881
0.1024
0.1005
0.2053
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
0.097678
0.082639
436.9919
57288576
-2291.619
6.495092
3284.588
456.2504
15.01712
15.09013
15.04632
1.768141
Prob(F-statistic)
viii.
0.000009
Para fazer o intercepto variar entre homens e mulheres necessrio rodar um modelo com todas as
variveis, incluindo a dummy de gnero, alm de corrigir as inclinaes das variveis.
Dependent Variable: SLEEP
Method: Least Squares
Date: 10/01/16 Time: 14:36
Sample: 1 706
Included observations: 706
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
MALE
TOTWRK
EDUC
AGE
AGESQ
YNGKID
TOTWRK*MALE
EDUC*MALE
AGE*MALE
AGESQ*MALE
YNGKID*MALE
4238.729
-590.5211
-0.139950
-10.20514
-30.35657
0.367941
-118.2826
-0.042174
-2.847243
37.51316
-0.412708
178.6628
367.8519
488.7916
0.026435
9.164321
17.71049
0.213452
89.06187
0.036674
11.96795
23.12332
0.275914
108.1051
11.52292
-1.208124
-5.294125
-1.113573
-1.714044
1.723764
-1.328094
-1.149960
-0.237906
1.622309
-1.495787
1.652677
0.0000
0.2274
0.0000
0.2658
0.0870
0.0852
0.1846
0.2506
0.8120
0.1052
0.1352
0.0988
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.130618
0.116839
417.6450
1.21E+08
-5256.169
9.478958
0.000000
Value
df
Probability
1.255792
6.278961
(5, 694)
5
0.2814
0.2800
Value
Std. Err.
-0.042174
-2.847243
0.036674
11.96795
3266.356
444.4134
14.92399
15.00149
14.95394
1.930086
C(10)
C(11)
C(12)
37.51316
-0.412708
178.6628
23.12332
0.275914
108.1051
ix.
Mostre que varincia de u difere entre homens (male) e mulheres. A varincia estimada de u
maior para homens ou para mulheres? Esta diferena significativa?
Para testar a varincia entre homens e mulheres, rodar o modelo e salvar serie de resduos. Rodar a
serie de resduos ao quadrado contra a varivel male, testar se existe significncia estatisitica no
coeficiente estimado.
Dependent Variable: RESID01^2
Method: Least Squares
Date: 10/01/16 Time: 14:51
Sample: 1 706
Included observations: 706
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
MALE
187217.6
-27807.62
21052.97
27969.56
8.892693
-0.994210
0.0000
0.3205
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.001402
-0.000016
368276.5
9.55E+13
-10049.28
0.988454
0.320462
171462.5
368273.5
28.47388
28.48680
28.47888
2.035745
O coeficiente estimado para male possui o-valor de 32%, desta forma, no existe significncia
estatstica ao nvel de 10% para afirmar diferena entre a varincia de u entre homens e mulheres.
3)
(i)
(ii)
(iii)
Erro padro robusto aquele estimado com base no modelo ajustado pelo White, para corrigir o
problema de heterocedasticidade.
i)
Modelo sem ajuste
Dependent Variable: PRICE
Method: Least Squares
Date: 10/01/16 Time: 14:57
Sample: 1 88
Included observations: 88
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LOTSIZE
SQRFT
BDRMS
-21.77031
0.002068
0.122778
13.85252
29.47504
0.000642
0.013237
9.010145
-0.738601
3.220096
9.275093
1.537436
0.4622
0.0018
0.0000
0.1279
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.672362
0.660661
59.83348
300723.8
-482.8775
57.46023
0.000000
293.5460
102.7134
11.06540
11.17800
11.11076
2.109796
800
600
400
300
200
200
100
0
-100
-200
10
20
30
40
Residual
50
60
Actual
70
80
Fitted
Coefficient
Std. Error
t-Statistic
Prob.
C
LOTSIZE
SQRFT
BDRMS
-21.77031
0.002068
0.122778
13.85252
37.13821
0.001251
0.017725
8.478625
-0.586197
1.652283
6.926707
1.633817
0.5593
0.1022
0.0000
0.1060
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Prob(Wald F-statistic)
0.672362
0.660661
59.83348
300723.8
-482.8775
57.46023
0.000000
0.000000
293.5460
102.7134
11.06540
11.17800
11.11076
2.109796
23.71809
800
600
400
300
200
200
100
0
-100
-200
10
20
30
40
Residual
50
60
Actual
70
80
Fitted
ii)
Modelo sem ajuste
Dependent Variable: LPRICE
Method: Least Squares
Date: 10/01/16 Time: 15:09
Sample: 1 88
Included observations: 88
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LLOTSIZE
LSQRFT
BDRMS
-1.297041
0.167967
0.700232
0.036958
0.651284
0.038281
0.092865
0.027531
-1.991515
4.387712
7.540306
1.342411
0.0497
0.0000
0.0000
0.1831
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.642965
0.630214
0.184603
2.862563
25.86066
50.42372
0.000000
5.633180
0.303573
-0.496833
-0.384227
-0.451467
2.088995
.8
5.0
.4
4.5
.0
-.4
-.8
10
20
30
40
Residual
50
60
Actual
70
Fitted
Coefficient
Std. Error
t-Statistic
Prob.
C
LLOTSIZE
LSQRFT
BDRMS
-1.297041
0.167967
0.700232
0.036958
0.781314
0.041473
0.103829
0.030601
-1.660076
4.049981
6.744105
1.207743
0.1006
0.0001
0.0000
0.2305
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Prob(Wald F-statistic)
0.642965
0.630214
0.184603
2.862563
25.86066
50.42372
0.000000
0.000000
5.633180
0.303573
-0.496833
-0.384227
-0.451467
2.088995
49.32120
80
7.0
6.5
6.0
5.5
.8
5.0
.4
4.5
.0
-.4
-.8
10
20
30
Residual
40
50
Actual
60
70
80
Fitted
Heterocedasticidade no gera vis no estimados (alterar o valor do coeficiente) mas altera a varincia
dos erros estimados, levando a interpretao errada das estatsticas de validao. Desta forma, o
ajuste contribui para uma avaliao mais adequada da significncia estatstica dos coeficientes, uma
vez que aproxima da varincia correta/real.
iii) o uso da varivel dependente na forma de log colabora para a suavizao da sua trajetria,
reduzindo a probabilidade de problemas como a heterocedasticidade. Gabarito: o ponto mais
importante a ser destacado que no modelo em log, os desvio-padro normal e o robusto so
similares. No caso sem log, isto no ocorria. Por exemplo, a variavel llotsize significante se NAO
usamos o mtodo robusto mas no se usamos o mtodo robusto. Com o modelo em log, isto s
ocorre na constante. No ocorre com as variveis explicativas.
5)
Aplique o teste completo de White de heteroscedasticidade [veja equao (8.19)] na equao
(8.18). Usando a forma qui-quadrada da estatstica, obtenha o p-valor. Qual sua concluso?
Criar uma srie de resduos e salvar. Rodar um modelo como o apresentado acima substituindo x1 =
llotsize; x2 = lsqrft; x3 = bdrms.
Dependent Variable: RESID01^2
Method: Least Squares
Date: 10/01/16 Time: 15:28
Sample: 1 88
Included observations: 88
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LLOTSIZE
LSQRFT
BDRMS
LLOTSIZE^2
LSQRFT^2
BDRMS^2
LLOTSIZE*LSQRFT
LLOTSIZE*BDRMS
LSQRFT*BDRMS
12.20696
-1.272830
-1.756780
0.287872
0.023520
0.040274
-0.005091
0.120860
-0.025276
-0.001095
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.108516
0.005653
0.073396
0.420189
110.2864
1.054955
0.405313
6.692660
0.708255
1.664947
0.284522
0.016296
0.123073
0.009056
0.072130
0.032063
0.048247
1.823932
-1.797134
-1.055156
1.011775
1.443346
0.327235
-0.562167
1.675594
-0.788311
-0.022696
0.0720
0.0762
0.2946
0.3148
0.1529
0.7444
0.5756
0.0978
0.4329
0.9820
0.032529
0.073605
-2.279237
-1.997721
-2.165821
2.100418
Wald Test:
Equation: Untitled
Test Statistic
F-statistic
Chi-square
Value
df
Probability
2.677991
26.77991
(10, 78)
10
0.0072
0.0028
Value
Std. Err.
12.20696
-1.272830
-1.756780
0.287872
0.023520
0.040274
-0.005091
0.120860
-0.025276
-0.001095
6.692660
0.708255
1.664947
0.284522
0.016296
0.123073
0.009056
0.072130
0.032063
0.048247
(i)
Use o mtodo MQO para estimar um modelo relacionando colGPA com hsGPA, ACT,
skipped e PC. Obtenha os resduos MQO.
Coefficient
Std. Error
t-Statistic
Prob.
C
HSGPA
ACT
SKIPPED
PC
1.356509
0.412952
0.013344
-0.071034
0.124439
0.327502
0.092431
0.010444
0.026249
0.057312
4.141986
4.467678
1.277706
-2.706104
2.171276
0.0001
0.0000
0.2035
0.0077
0.0316
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.259271
0.237484
0.325109
14.37467
-39.09822
11.90070
0.000000
3.056738
0.372310
0.625507
0.730073
0.667999
1.875252
(ii)
Para aplicar o caso especial de White necessrio criar uma srie do valor estimado para no perder
graus de liberdade, na tela do resultado> Proc>Forecast (colgpaf)
Coefficient
Std. Error
t-Statistic
Prob.
C
COLGPAF
COLGPAF^2
-0.321837
0.129599
0.002946
2.005841
1.316763
0.215660
-0.160450
0.098422
0.013662
0.8728
0.9217
0.9891
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
0.049344
0.035567
0.123683
2.111055
96.14050
3.581496
0.101948
0.125943
-1.321142
-1.258402
-1.295647
2.061535
Prob(F-statistic)
0.030451
hhat -> a varincia dos erros estimados srie criada com base na regresso acima.
Series: VARF
Sample 1 141
Observations 141
16
12
0
0.04
0.06
0.08
0.10
0.12
0.14
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
0.101948
0.105215
0.164804
0.027381
0.027977
-0.048637
2.833284
Jarque-Bera
Probability
0.218882
0.896335
0.16
Coefficient
Std. Error
t-Statistic
Prob.
CONS
HSGPAC
ACTC
SKIPPEDC
PCC
1.384471
0.404836
0.013707
-0.080774
0.132310
0.272397
0.073124
0.009185
0.017423
0.055205
5.082556
5.536270
1.492301
-4.636110
2.396707
0.0000
0.0000
0.1379
0.0000
0.0179
R-squared
0.901025
32.32961
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.898114
3.264792
1449.606
-364.3556
1.853789
10.22816
5.239086
5.343652
5.281578
O ajuste aumentou marginalmente o valor dos coeficientes das variveis de faltas as aulas e uso de
computados, aumentando tambm a significncia estatsticas delas, reduzindo o p-valor, quando
comparado os valores do modelo MQP contra o MQO.
(iv)
Coefficient
Std. Error
t-Statistic
Prob.
CONS
HSGPAC
ACTC
SKIPPEDC
PCC
1.384471
0.404836
0.013707
-0.080774
0.132310
0.295512
0.071290
0.010537
0.014981
0.059981
4.684990
5.678745
1.300869
-5.391634
2.205871
0.0000
0.0000
0.1955
0.0000
0.0291
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.901025
0.898114
3.264792
1449.606
-364.3556
1.853789
32.32961
10.22816
5.239086
5.343652
5.281578
dois mtodos diferentes de estimao, com o MQP, assumo que sei a distribuio da varincia.
Achei que o modelo tinha problema de heterocedasticidade, testei um primeiro mtodo de correo,
teste de White, dai no satisfeito, resolvi testar outro modelo de correo, atravs da ponderao das
variveis pelos resduos do modelo, dai o resultado novo no apresenta muita diferena nos
estimadores, dessa forma, valida o modelo. Todavia, a correo da varincia dos estimadores eleva de
maneira significativa o nvel de R2.