Foram encontradas 512 questões
Resolva questões gratuitamente!
Junte-se a mais de 4 milhões de concurseiros!
Nesses modelos,
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
Yi = β1 + β2Xi + β3X2i + β4 X3i + u1i , modelo explicativo 0, onde Y é a variável dependente; X, a variável explicativa; β1 , β2 , β3 e β4 , os coeficientes da regressão; u, o termo de erro, e o subscrito i indica a i-ésima observação.
No entanto, considere que, por diversos motivos, o pesquisador decida estimar outros modelos (equações 1, 2, 3 e 4), cujas notações foram alteradas para distingui-los do modelo explicativo verdadeiro (modelo explicativo 0):

Essa decisão poderia levar a erros de especificação, já que os modelos 1, 2, 3 e 4 são diferentes do modelo explicativo verdadeiro (modelo equação 0), o que permite concluir que
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:
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.

As informações da Tabela permitem inferir o seguinte resultado:
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
Considere que a análise DAG foi utilizada para auxiliar na definição das restrições na identificação de um modelo VAR estrutural (SVAR) aplicado à política monetária. O modelo é constituído a partir das seguintes variáveis: Taxa Selic, PIB, câmbio nominal e taxa de inflação. Considere o DAG abaixo.

Nesse contexto, verifica-se que
Considere o seguinte sistema de equações, em suas respectivas formas estruturais:
qd = α1p +α2z + α3y + ε1 (demanda)
qs = β1p + ε2 (oferta)
qd = qs (equilíbrio),
onde qd é a quantidade demandada de um bem; qs é a quantidade ofertada do mesmo bem; p é o preço do bem; z e y são variáveis explicativas exógenas; ε1 e ε2 são os termos de erro das funções de demanda e oferta, respectivamente; α1 , α2 , α3 e β1 são coeficientes de inclinação.
Nesse contexto, no sistema de determinação da oferta e demanda,
• taxa de desemprego do País Z em 2016 = 7%;
• taxa de desemprego do País Z em 2018 = 5%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2016 = variando de 6% a 8%;
• taxas de desemprego das Unidades de Controle (Países P, Q, R, S, T) em 2018 = variando de 4% a 6%;
• taxa de desemprego sintética do País Z em 2016 = 6,5%;
• taxa de desemprego prevista para o controle sintético em 2018: 6%.
Nessa situação, qual foi o efeito estimado da política sobre a taxa de desemprego do País Z no ano seguinte à implementação da política de redução do seguro-desemprego?
Yt = 3 + 0,5Yt-1 + ut ,
onde E(ut) =0 e Var(ut) = 6. Assuma, também, que ut e Yt-1 são independentes.
Nesse cenário, qual é a variância de Yt?
O modelo de Regressão com Descontinuidade (RDD) é uma técnica estatística usada para avaliar o impacto causal de uma variável independente em uma variável dependente, quando essa variável independente ultrapassa um certo limite ou ponto de corte.
Suponha que se esteja investigando o efeito do número de horas de estudo (variável independente) no desempenho em um teste (variável dependente). Assumindo-se que haja um ponto de corte de 5 horas de estudo e que se deseje verificar se há algum efeito no resultado do teste ao se ultrapassar esse ponto de corte.
A equação para esse modelo pode ser expressa da seguinte forma:
Yi = 60 + 5Xi + 8Di + ϵi ,
onde
• Yi é o desempenho no teste para o indivíduo i;
• Xi é o número de horas de estudo para o indivíduo i;
• Di é uma variável indicadora que vale 1 se Xi > 5 horas e 0 caso contrário para o indivíduo i;
• ϵi é o termo de erro para o indivíduo i.
Ao se comparar um estudante que estuda 6 horas para um teste com um outro que estuda 4 horas, de acordo com o modelo RDD apresentado acima, verifica-se que o
Equação I

O p-valor do Teste de Hausman obtido é igual a 0,001.
Equação II

O p-valor do Teste de Hausman obtido é igual a 0,265.
A base de dados é composta pelas seguintes variáveis:
• salario = salário real; • exper = anos de experiência profissional;
• casado = variável dummy igual a 1 se casado e 0 caso contrário;
• sindicato = variável dummy igual a 1 se sindicalizado e 0 caso contrário; • D15,D16,D17,D18 e D19 são os efeitos fixos de cada ano no tempo;
• aI,i e aII,i são os efeitos fixos não observados associados aos trabalhadores das Equações I e II, respectivamente;
• εI,it e εII,it são os termos de erro das Equações I e II, respectivamente.
Com base nos resultados dos Testes de Hausman e considerando o nível de significância a 5%, conclui-se que os coeficientes
No Pareamento por Escore de Propensão, um algoritmo utilizado para emparelhar cada sujeito tratado com um ou mais sujeitos não tratados que têm as pontuações de propensão mais próximas é o pareamento por
Os resultados de cada indivíduo i estão apresentados na seguinte Tabela:

Na Tabela,
• Yi 1 representa o resultado para o indivíduo i, caso ele participe do programa.
• Yi 0 representa o resultado para o indivíduo i, caso ele não participe do programa.
• Di = 1 indica que o indivíduo i foi tratado (participou do programa) e 0 caso contrário.
Qual o Efeito Médio do Programa – EMP (Average Treatment Effect - ATE) e o Efeito Médio do Programa sobre os Tratados – EMPT (Average Treatment Effect for the Treated - ATT)?
Escuridão favorece o fator surpresa da ação criminosa e dificulta a identificação de sua autoria
Se a escuridão favorece o fator surpresa da ação criminosa e dificulta a identificação de sua autoria, a principal hipótese é que o aumento da visibilidade permitido pela iluminação pública acabaria com essas vantagens, diminuindo os riscos de se cometer um crime.
Um experimento realizado em parceria com a polícia metropolitana de Nova York apontou para uma redução de 36% nos crimes ocorridos durante a noite em ruas que receberam iluminação pública extra por um período de seis meses, entre março e agosto de 2016.
Disponível em: https://www.otempo.com.br/brasil/ruas-com-iluminacao-publica-diminuem-o-risco-de-crimes-segundo-experimento-1.2209834. Acesso em: 2 jan. 2024. Adaptado.
Com base nessa experiência, o prefeito de uma determinada cidade resolveu implementar um programa de expansão do número de postes em uma localidade rural da cidade, com problemas de iluminação pública, que é considerada um bem público. A prefeitura também conseguiu inferir, a partir de uma pesquisa, a média do benefício marginal da instalação de postes de iluminação para 3 grupos de moradores com o mesmo tamanho (predisposição a pagar), conforme a Tabela seguinte:

Sabe-se que, para a prefeitura, o custo de instalação de cada poste é de R$ 16,00.
Nesse contexto, conclui-se que,
E(Y|X) = P(Y=1|X) = Xβ + ε
Nesse contexto, conclui-se o seguinte:
A partir dessa situação hipotética, julgue o item a seguir, a respeito do uso de variáveis instrumentais na avaliação de impacto de um programa de política pública.
Uma variável instrumental é qualquer variável que substitua a participação no programa quando esta última for de difícil obtenção.