exercícios do wooldridge Archives - Análise Macro

A taxa de rejeição de uma firma industrial é a quantidade de produtos descartados a cada 100 produzidos. Podemos avaliar se treinar funcionários ajuda a diminuir esse indicador, em que medida e portanto até onde vale a pena treinar funcionários. Vamos estimar um modelo simples na forma:

 (1)    

Onde são os descartados a cada 100 produzidos, são as horas de treino semanais, são as vendas da firma e é o total de empregados.

library(wooldridge)
data("jtrain")
summary(lm(scrap ~ hrsemp + lsales + lemploy, data = jtrain))

Reproduzindo o código, o leitor vai poder avaliar a tabela de regressão disponibilizada. A variável ``hrsemp`` é o tempo de treinamento por trabalhador e ela definitivamente não é significante nas margens aceitáveis. Realizar esse tipo de análise em uma firma é extremamente importante para avaliar programas de treinamento.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui. 

Vamos explicar a taxa de participação de funcionários de empresas em fundos de pensão com um modelo que leva em conta, número de empregados, tamanho da empresa, idade média dos funcionários. O modelo segue a seguinte forma funcional, onde é a taxa de participação, é o total de empregados da firma, é a idade do fundo de pensão:

 (1)    

library(wooldridge)
data("k401k")
summary(lm(prate ~ mrate + age + totemp, data = k401k))

Reproduzindo o código, o leitor vai poder avaliar a tabela de regressão disponibilizada. Observe que o tamanho da empresa (medido por totemp) é estatisticamente significante. No entanto, o parâmetro estimado é extremamente pequeno: sua magnitude é de aproximadamente . Embora consigamos prover evidências de que é diferente de zero, o parâmetro não é muito relevante.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui. 

Com uma amostra de dados imobiliários de Boston, iremos estimar um modelo para explicar preços de casas em função de algumas características locais como distância a centros de emprego, professores por aluno nas escolas próximas, número de cômodos e poluição, medida em partes de óxido nitroso por milhão no ar.

O modelo tem a seguinte forma funcional, onde é preço da casa, é a medida de óxido nitroso, é a distância ao centro comercial mais próximo, é número de cômodos, é proporções de professores por alunos:

 (1)    

library(wooldridge)
data(hprice2)
summary(lm(lprice ~ lnox + rooms + log(dist) + stratio, data = hprice2))

Reproduzindo o código, o leitor vai poder avaliar a tabela de regressão disponibilizada. O que ela nos informa? Que o parâmetro do log da poluição é estatisticamente significante e negativo, em aproximadamente . O que leva à interpretação de que um aumento de na poluição local leva a uma queda de aproximadamente nos preços das casas locais.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui. 

Podemos traçar um paralelo intuitivo entre número de alunos em uma universidade e criminalidade no seu campus, especialmente pensando no contexto americano onde é comum morar no ambiente universitário. Mais jovens juntos provavelmente cometem mais, crimes, afinal. É verdade? Se sim, em que medida? Isso é importante para um gestor de políticas públicas, afinal ele precisa alocar policiais de maneira racional.

Vamos carregar a base de dados "campus", do pacote "wooldridge" e estimar o seguinte modelo,  onde é o número de crimes e é o número de matrículas.

 (1)    

library(wooldridge)
data(campus)
summary(lm(lcrime ~ lenroll, data = campus))

O leitor que replicar o código acima irá encontrar uma estimativa alinhada com nossa intuição. O parâmetro é positivo, significante e estimado em algo em torno de . O que nos sugere que um aumento de nas matrículas de uma universidade leva a um aumento de no número de crimes nela cometidos.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui. 

Existe um certo debate em economia da educação sobre o efeito do tamanho de uma escola sobre a performance dos alunos. É possível que o maior número de interações ou que o ganho de escala leve a uma educação de mais qualdiade, por exemplo. Há quem argumente que o número maior de alunos impede um certo cuidado especial com cada estudante, diminuindo a performance.

Carregamos uma base de dados com notas de escolas no estado americano do Michigan do ano de 1993. Vamos testar a hipótese nula de que o tamanho da escola tem efeito zero sobre as notas de seus alunos em testes padronizados. Vamos tentar explicar as notas pelos salários dos professores, número de funcionários por mil alunos e número de matrículas.

data("meap93")
summary(lm(math10 ~ salary + staff + enroll, data = meap93))

O parâmetro estimado para a nossa proxy de tamanho da escola é negativo, o que a primeira vista sugere que maiores escolas. No entanto, podemos ter estimado um coeficiente diferente de zero por erro de amostragem.

Queremos testar a hipótese de que , apesar de que claramente . Para isso usamos a estatística do parâmetro, que a table nos informa ser . No entanto, o valor crítico da distribuição com graus de liberdade (que a tabela de regressão nos informa) é . Como a estatística do parâmetro estimado é _menor_ do que o valor crítico, não conseguimos rejeitar a hipótese nula de que o tamanho da escola não afeta as notas. Curiosamente, a razão funcionários para cada mil alunos também não, embora salários de professores tenham um altíssimo nível de significância.

Quer aprender mais sobre econometria? Conheça nossos Cursos Aplicados de R! Membros do Clube do Código têm acesso aos códigos desse e de outros exercícios do capítulo 4 do Wooldridge. Assine o Clube aqui.