Um pesquisador suspeita que o grau de apoio à política econômica do governo seja homogêneo entre os estados do Sudeste. Para testar essa hipótese, o pesquisador coleta uma amostra de 100 eleitores de cada um dos quatro estados dessa macrorregião e registra quantos apoiam, quantos são neutros e quantos se opõem à política econômica do governo.

Como próximo passo, o pesquisador deve realizar um teste de independência qui-quadrado com

Em um artigo intitulado “Há Fundamentalidade nos modelos de VAR fiscal típicos para o Brasil?”, do Ipea, os autores discutem como uma classe de modelos muito utilizada em pesquisa empírica macroeconômica pode, em alguns casos, apresentar vieses em seus estimadores. Diz-se que um estimador é viesado quando seu valor esperado difere do valor do parâmetro populacional, sendo estimado. A respeito das formas de se corrigir um estimador viesado, considere as afirmações abaixo.

I - É possível reduzir o viés de um estimador aumentando- se o tamanho da amostra.

II - Se U é um estimador de um parâmetro populacional !$ \theta !$ com valor esperado E(U) = k !$ \theta !$, então V = U/k é um estimador não viesado de !$ \theta !$.

III - Se U é um estimador de um parâmetro populacional !$ \theta !$ com viés !$ \omega !$, então W = U – !$ \omega !$ é um estimador não viesado de θ, sendo que W será consistente se, e somente se, U for consistente.

Está correto o que se afirma em

Os estimadores de painel dinâmico Arellano–Bond, Arellano–Bover e Blundell–Bond têm sido cada vez mais utilizados em pesquisas aplicadas na área de economia.

No entanto, a utilização desses estimadores deve considerar que, se a unidade temporal (T) é grande e a unidade de corte (í) é pequena, significando muitos períodos de tempo e poucos indivíduos, então

Considere a análise econométrica da evolução da indústria de transformação brasileira no período 2002-2012. A metodologia empírica utilizada foi a de Modelo Autorregressivo Vetorial (VAR), com a análise de funções de resposta a impulso, decomposição de variância dos erros de previsão e decomposição histórica.

Na especificação do modelo VAR, as seguintes variáveis são utilizadas:

v1 – índice de preço de commodities;
v2 – índice de quantum das importações mundiais;
v3 – índice de produção da indústria de transformação;
v4 – indicador de estoques da indústria de transformação;
v5 – custo da hora trabalhada na indústria;
v6 – taxa do Sistema Especial de Liquidação e de Custódia (Selic);
v7 – expectativa de inflação para os próximos doze meses.

CAVALCANTI, M. A. F. H. Uma análise econométrica da evolução
da indústria de transformação brasileira no período 2002-2012.
Carta de conjuntura, n. 18. Nota Técnica, Brasília, DF: Ipea,
p. 79. mar. 2013. Disponível em: https://repositorio.ipea.gov.br/
bitstream/11058/4285/1/Carta_conjuntura_n18_analise.pdf.

Acesso em: 9 jan. 2024. Adaptado.

Para resgatar o modelo VAR na forma estrutural, foi utilizada a decomposição de Choleski, impondo a seguinte ordenação causal para as variáveis: v1-v2-v3-v4-v5-v6- v7.

Tendo em vista essa estratégia empírica adotada, conclui-se que

A utilização de modelos univariados é limitada para expressar modelos econômicos, pois grande parte da macroeconomia se preocupa com múltiplas relações. Os modelos de Vetores Autorregressivos (VAR), que contemplam múltiplas variáveis, surgem, então, como uma alternativa menos restritiva à análise macroeconômica.

Nesses modelos,

Nas últimas décadas, a maior disponibilidade de bases de dados tem implicado uso crescente da metodologia de dados em painéis, que combinam dados de corte transversal com séries temporais, destacando-se os estimadores desenvolvidos por Arellano e Bond, Arellano e Bover e Blundell e Bond. No entanto, a consistência desses estimadores depende de alguns testes de robustez. Sobre esses testes considere as afirmativas abaixo.

I - O teste de Hansen investiga a exogeneidade dos instrumentos e a sua hipótese nula é que o modelo é corretamente especificado e os instrumentos em conjunto são válidos.

II - O teste Arellano-Bond AR (2) testa a autocorrelação serial, para o qual se deve rejeitar a hipótese nula de ausência de correlação serial de primeira e segunda ordem no termo de erro.

III - O teste Arellano-Bond AR (2) testa a autocorrelação serial, sob hipótese nula de ausência de correlação serial de segunda ordem no termo de erro.

Está correto o que se afirma em

Ao fazer escolhas entre cursos de ação alternativas, os tomadores de decisão, em diferentes níveis, necessitam frequentemente de previsões de variáveis econômicas. Se as observações de séries temporais estão disponíveis para uma variável de interesse e se os dados do passado contêm informações sobre o desenvolvimento futuro de uma variável, é plausível usar como previsão alguma função dos dados coletados no passado.

Nesse contexto, as principais metodologias utilizadas para a previsão de séries econômicas estacionárias, considerando- se a utilização de uma única série temporal ou de diversas séries temporais, são as seguintes:

Muitas teorias econômicas implicam que a combinação linear de algumas variáveis não estacionárias é estacionária, sendo a função consumo e a função de demanda por moeda alguns exemplos. Quando isso acontecer, as séries são cointegradas ao longo do tempo.

As formas mais utilizadas para testar a existência de cointegração entre as séries são:

No Texto para Discussão do Ipea, é apresentada a seguinte Tabela que sumariza o resultado do teste de causalidade de Granger entre duas variáveis: Expectativa de Dívida Líquida do Setor Público (EDLSP) e a diferença da Expectativa de Superávit Primário (dESP), em que d representa a primeira diferença da série, entre janeiro de 2001 e junho de 2006.

Tabela 4
Teste de causalidade de Granger

PIRES, M. C. C. Uma análise de credibilidade na política fiscal brasileira. Brasília, DF. set. 2006 (Texto para Discussão, n. 1222). Disponível em: https://repositorio.ipea.gov.br/bitstream/11058/1962/1/TD_1222.pdf.

As informações da Tabela permitem inferir o seguinte resultado:

O modelo do Método de Momentos Generalizados de Arellano-Bond (GMM) é um método estatístico utilizado em econometria para abordar o problema de endogeneidade em modelos de dados em painel.

Os modelos dinâmicos de dados em painel envolvem tanto dados de séries temporais quanto de seção transversal. Esses modelos frequentemente incorporam variáveis dependentes defasadas e regressores endógenos, o que pode levar a problemas de endogeneidade.

O modelo GMM aborda problemas de endogeneidade e autocorrelação em modelos dinâmicos de dados em painel. Ele faz isso utilizando variáveis instrumentais (IVs) e explorando a estrutura dos dados, para criar condições de momento que auxiliam na estimativa consistente de parâmetros.

Um dos principais testes usados para avaliar a adequação do modelo é o teste de Sargan-Hansen.

O teste de Sargan-Hansen