Econometria I - Análise de Regressão Múltipla para Salário WAGEcps1

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA Centro de Ciências Sociais e Aplicadas DISCIPLINA ECONOMETRIA I PROFESSOR DOUTOR MARCELO RANIERI Valem 100 pontos Deve ser resolvido INDIVIDUALMENTE ou em GRUPO DE 02 ou 03 ALUNOS Resolver com auxílio de Software Econométrico Depois de resolver você deve salvar seus testes de especificações diferentes com a cópia dos resultados das Regressões Lineares Múltiplas Executadas num arquivo PDF e submeter no Moodle Exercícios Orientações Banco de Dados WAGEcps1 1 Resolver o BDWAGEcps1 2 Testar DIFERENTES formulações para explicar o WAGE salário Sugestões a 𝑳𝒏𝒘𝒂𝒈𝒆 𝜷𝟎 𝜷𝟏 𝒆𝒅𝒖𝒄 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓 𝜷𝟑 𝒇𝒆𝒎𝒂𝒍𝒆 𝜷𝟒 𝒃𝒍𝒂𝒄𝒌 𝒆𝒓𝒓𝒐 b 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝜷𝟓 𝒆𝒙𝒑𝒆𝒓𝟐 𝒆𝒓𝒓𝒐 c 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝜷𝟔 𝒆𝒅𝒖𝒄 𝒆𝒙𝒑𝒆𝒓 𝒆𝒓𝒓𝒐 d 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝑽𝑨𝑹𝒄𝒐𝒏𝒕𝒓𝒐𝒍𝒆 𝒆𝒓𝒓𝒐 3 Explicar o sinal esperado dos coeficientes 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝒆 𝜷𝟒 4 Explique por que não funciona colocar a variável AGE deste banco de dados nas especificações testadas 5 Explique por que não funciona colocar simultaneamente as variáveis BLACK e WHITE deste banco de dados nas especificações testadas Qual o problema que aparece 6 Explicar qual especificação você escolheria 7 Dado o modelo escolhido explicar a leitura do 𝑹𝒂𝒋𝒖𝒔𝒕 𝟐 significância estatística do modelo e de cada coeficiente estimado Modelos formulados a 𝑳𝒏𝒘𝒂𝒈𝒆 𝜷𝟎 𝜷𝟏 𝒆𝒅𝒖𝒄 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓 𝜷𝟑 𝒇𝒆𝒎𝒂𝒍𝒆 𝜷𝟒 𝒃𝒍𝒂𝒄𝒌 𝒆𝒓𝒓𝒐 b 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝜷𝟓 𝒆𝒙𝒑𝒆𝒓² 𝒆𝒓𝒓𝒐 c 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟² 𝜷𝟔 𝒆𝒅𝒖𝒄 𝒆𝒙𝒑𝒆𝒓 𝒆𝒓𝒓𝒐 d 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝒆𝒓𝒓𝒐 Variável de controle utilizada fulltime e 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime e metro f 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime metro married e union g 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime metro married e union Sinal esperado dos coeficientes 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝒆 𝜷𝟒 𝛽1 educ coeficiente da variável anos de educação Esperase que seja positivo pois há uma expectativa de que mais educação esteja associada a salários mais altos 𝛽2 exper coeficiente para a variável experiência Esperase também que este coeficiente seja positivo Trabalhadores com mais experiência tendem a ter habilidades mais aprimoradas e consequentemente salários mais altos 𝛽3 female coeficiente para a variável dummy female que é 1 para mulheres e 0 para homens Muitos estudos têm encontrado uma penalidade de gênero em termos de salários onde as mulheres em média ganham menos do que os homens Portanto esperase um coeficiente negativo pra este coeficiente indicando salários mais baixos para as mulheres tudo mais sendo igual 𝛽4 black Este é o coeficiente para a variável dummy black que é 1 para indivíduos negros e 0 para nãonegros Historicamente existe uma penalidade racial em termos de salários onde indivíduos negros em média ganham menos do que indivíduos nãonegros Assim esperase que este coeficiente seja negativo Por que não funciona colocar a variável AGE deste banco de dados nas especificações testadas A variável age idade provavelmente tem alta correlação com exper experiência pois é esperado que quanto maior seja a idade maior será a experiência Incluir a variável age poderá acarretar em problemas de multicolinearidade o que pode tornar os coeficientes de regressão instáveis e difíceis de interpretar Isso pode inflar os erros padrão dos coeficientes tornandoos estatisticamente insignificantes mesmo quando eles têm um efeito real No caso dos salários é preferível utilizar a variável exper em vez de age pois é a experiência de trabalho não a idade por si só é mais diretamente relacionada ao salário dos trabalhadores Por que não funciona colocar simultaneamente as variáveis BLACK e WHITE deste banco de dados nas especificações testadas Qual o problema que aparece Incluir simultaneamente as variáveis black e white em uma regressão pode causar o que é conhecido como dummy variable trap Isso ocorre quando as variáveis dummy são perfeitamente multicolineares ou seja uma variável dummy pode ser prevista perfeitamente pela outra Neste caso existem apenas duas categorias possíveis black e white Se um indivíduo não é black valor 0 para black então ele deve ser white valor 1 para white e viceversa As duas variáveis são perfeitamente multicolineares e a inclusão de ambas levará a problemas no modelo de regressão Para evitar esse problema excluímos uma das categorias A categoria excluída tornase a categoria de referência contra a qual as outras são comparadas Qual especificação você escolheria Devemos escolher a especificação do modelo em que o modelo seja significativo de forma geral em que os coeficientes sejam também significativos e dentre eles o com maior coeficiente de determinação R²ajustado ou de menor critério Akaike AIC Dado o modelo escolhido explicar a leitura do 𝑹²𝒂𝒋𝒖𝒔𝒕 significância estatística do modelo e de cada coeficiente estimado O melhor modelo é g sem a constante 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Este modelo tem o maior 𝑹²𝒂𝒋𝒖𝒔𝒕 04013 o que indica que o modelo explica aproximadamente 4013 da variância na variável dependente o log dos salários e menor AIC 115838 O modelo é significante como um todo valorp 0 e todos o coeficientes são significantes estatisticamente Neste modelo temos que 𝛽1 representa a mudança percentual esperada nos salários para cada aumento adicional de um ano na educação mantendo todas as outras variáveis constantes 𝛽2 representa a mudança percentual esperada nos salários para cada aumento adicional de um ano de experiência mantendo todas as outras variáveis constantes 𝛽3 é o diferencial de salários esperado para as mulheres em comparação aos homens mantendo todas as outras variáveis constantes 𝛽4 é o diferencial de salários esperado para os indivíduos negros em comparação com os não negros mantendo todas as outras variáveis constantes 𝛽5 representa a mudança percentual esperada nos salários para cada aumento adicional no quadrado da experiência o que implica que o efeito da experiência nos salários não é linear mas diminui à medida que a experiência aumenta 𝛽6 representa a interação entre a educação e a experiência sugerindo que o efeito da educação nos salários pode variar dependendo do nível de experiência do indivíduo 𝛽7 indica a diferença percentual esperada nos salários para aqueles que trabalham em tempo integral em comparação com aqueles que não trabalham mantendo todas as outras variáveis constantes 𝛽8 é a diferença percentual esperada nos salários para aqueles que vivem na área metropolitana em comparação com aqueles que não vivem mantendo todas as outras variáveis constantes 𝛽9 é a diferença percentual esperada nos salários para aqueles que são casados em comparação com aqueles que não são mantendo todas as outras variáveis constantes 𝛽10 representa a diferença percentual esperada nos salários para aqueles que são membros de um sindicato em comparação com aqueles que não são mantendo todas as outras variáveis constantes Por fim o termo de erro 𝒆𝒓𝒓𝒐 representa a variação nos salários que não é explicada pelo modelo Modelos formulados a 𝑳𝒏𝒘𝒂𝒈𝒆 𝜷𝟎 𝜷𝟏 𝒆𝒅𝒖𝒄 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓 𝜷𝟑 𝒇𝒆𝒎𝒂𝒍𝒆 𝜷𝟒 𝒃𝒍𝒂𝒄𝒌 𝒆𝒓𝒓𝒐 b 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝜷𝟓 𝒆𝒙𝒑𝒆𝒓² 𝒆𝒓𝒓𝒐 c 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟² 𝜷𝟔 𝒆𝒅𝒖𝒄 𝒆𝒙𝒑𝒆𝒓 𝒆𝒓𝒓𝒐 d 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝒆𝒓𝒓𝒐 Variável de controle utilizada fulltime e 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime e metro f 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime metro married e union g 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Variáveis de controle fulltime metro married e union Sinal esperado dos coeficientes 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝒆 𝜷𝟒 𝛽1 educ coeficiente da variável anos de educação Esperase que seja positivo pois há uma expectativa de que mais educação esteja associada a salários mais altos 𝛽2 exper coeficiente para a variável experiência Esperase também que este coeficiente seja positivo Trabalhadores com mais experiência tendem a ter habilidades mais aprimoradas e consequentemente salários mais altos 𝛽3 female coeficiente para a variável dummy female que é 1 para mulheres e 0 para homens Muitos estudos têm encontrado uma penalidade de gênero em termos de salários onde as mulheres em média ganham menos do que os homens Portanto esperase um coeficiente negativo pra este coeficiente indicando salários mais baixos para as mulheres tudo mais sendo igual 𝛽4 black Este é o coeficiente para a variável dummy black que é 1 para indivíduos negros e 0 para nãonegros Historicamente existe uma penalidade racial em termos de salários onde indivíduos negros em média ganham menos do que indivíduos nãonegros Assim esperase que este coeficiente seja negativo Por que não funciona colocar a variável AGE deste banco de dados nas especificações testadas A variável age idade provavelmente tem alta correlação com exper experiência pois é esperado que quanto maior seja a idade maior será a experiência Incluir a variável age poderá acarretar em problemas de multicolinearidade o que pode tornar os coeficientes de regressão instáveis e difíceis de interpretar Isso pode inflar os erros padrão dos coeficientes tornandoos estatisticamente insignificantes mesmo quando eles têm um efeito real No caso dos salários é preferível utilizar a variável exper em vez de age pois é a experiência de trabalho não a idade por si só é mais diretamente relacionada ao salário dos trabalhadores Por que não funciona colocar simultaneamente as variáveis BLACK e WHITE deste banco de dados nas especificações testadas Qual o problema que aparece Incluir simultaneamente as variáveis black e white em uma regressão pode causar o que é conhecido como dummy variable trap Isso ocorre quando as variáveis dummy são perfeitamente multicolineares ou seja uma variável dummy pode ser prevista perfeitamente pela outra Neste caso existem apenas duas categorias possíveis black e white Se um indivíduo não é black valor 0 para black então ele deve ser white valor 1 para white e viceversa As duas variáveis são perfeitamente multicolineares e a inclusão de ambas levará a problemas no modelo de regressão Para evitar esse problema excluímos uma das categorias A categoria excluída tornase a categoria de referência contra a qual as outras são comparadas Qual especificação você escolheria Devemos escolher a especificação do modelo em que o modelo seja significativo de forma geral em que os coeficientes sejam também significativos e dentre eles o com maior coeficiente de determinação R²ajustado ou de menor critério Akaike AIC Dado o modelo escolhido explicar a leitura do 𝑹²𝒂𝒋𝒖𝒔𝒕 significância estatística do modelo e de cada coeficiente estimado O melhor modelo é g sem a constante 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝛽7fulltime 𝛽8metro 𝛽9married 𝛽10union 𝒆𝒓𝒓𝒐 Este modelo tem o maior 𝑹²𝒂𝒋𝒖𝒔𝒕 04013 o que indica que o modelo explica aproximadamente 4013 da variância na variável dependente o log dos salários e menor AIC 115838 O modelo é significante como um todo valorp 0 e todos o coeficientes são significantes estatisticamente Neste modelo temos que 𝛽1 representa a mudança percentual esperada nos salários para cada aumento adicional de um ano na educação mantendo todas as outras variáveis constantes 𝛽2 representa a mudança percentual esperada nos salários para cada aumento adicional de um ano de experiência mantendo todas as outras variáveis constantes 𝛽3 é o diferencial de salários esperado para as mulheres em comparação aos homens mantendo todas as outras variáveis constantes 𝛽4 é o diferencial de salários esperado para os indivíduos negros em comparação com os não negros mantendo todas as outras variáveis constantes 𝛽5 representa a mudança percentual esperada nos salários para cada aumento adicional no quadrado da experiência o que implica que o efeito da experiência nos salários não é linear mas diminui à medida que a experiência aumenta 𝛽6 representa a interação entre a educação e a experiência sugerindo que o efeito da educação nos salários pode variar dependendo do nível de experiência do indivíduo 𝛽7 indica a diferença percentual esperada nos salários para aqueles que trabalham em tempo integral em comparação com aqueles que não trabalham mantendo todas as outras variáveis constantes 𝛽8 é a diferença percentual esperada nos salários para aqueles que vivem na área metropolitana em comparação com aqueles que não vivem mantendo todas as outras variáveis constantes 𝛽9 é a diferença percentual esperada nos salários para aqueles que são casados em comparação com aqueles que não são mantendo todas as outras variáveis constantes 𝛽10 representa a diferença percentual esperada nos salários para aqueles que são membros de um sindicato em comparação com aqueles que não são mantendo todas as outras variáveis constantes Por fim o termo de erro 𝒆𝒓𝒓𝒐 representa a variação nos salários que não é explicada pelo modelo UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA Centro de Ciências Sociais e Aplicadas DISCIPLINA ECONOMETRIA I PROFESSOR DOUTOR MARCELO RANIERI Valem 100 pontos Deve ser resolvido INDIVIDUALMENTE ou em GRUPO DE 02 ou 03 ALUNOS Resolver com auxílio de Software Econométrico Depois de resolver você deve salvar seus testes de especificações diferentes com a cópia dos resultados das Regressões Lineares Múltiplas Executadas num arquivo PDF e submeter no Moodle Exercícios Orientações Banco de Dados WAGEcps1 1 Resolver o BDWAGEcps1 2 Testar DIFERENTES formulações para explicar o WAGE salário Sugestões a 𝑳𝒏𝒘𝒂𝒈𝒆 𝜷𝟎 𝜷𝟏 𝒆𝒅𝒖𝒄 𝜷𝟐 𝒆𝒙𝒑𝒆𝒓 𝜷𝟑 𝒇𝒆𝒎𝒂𝒍𝒆 𝜷𝟒 𝒃𝒍𝒂𝒄𝒌 𝒆𝒓𝒓𝒐 b 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝜷𝟓 𝒆𝒙𝒑𝒆𝒓𝟐 𝒆𝒓𝒓𝒐 c 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝜷𝟔 𝒆𝒅𝒖𝒄 𝒆𝒙𝒑𝒆𝒓 𝒆𝒓𝒓𝒐 d 𝐿𝑛𝑤𝑎𝑔𝑒 𝛽0 𝛽1 𝑒𝑑𝑢𝑐 𝛽2 𝑒𝑥𝑝𝑒𝑟 𝛽3 𝑓𝑒𝑚𝑎𝑙𝑒 𝛽4 𝑏𝑙𝑎𝑐𝑘 𝛽5 𝑒𝑥𝑝𝑒𝑟2 𝛽6 𝑒𝑑𝑢𝑐 𝑒𝑥𝑝𝑒𝑟 𝑽𝑨𝑹𝒄𝒐𝒏𝒕𝒓𝒐𝒍𝒆 𝒆𝒓𝒓𝒐 3 Explicar o sinal esperado dos coeficientes 𝜷𝟏 𝜷𝟐 𝜷𝟑 𝒆 𝜷𝟒 4 Explique por que não funciona colocar a variável AGE deste banco de dados nas especificações testadas 5 Explique por que não funciona colocar simultaneamente as variáveis BLACK e WHITE deste banco de dados nas especificações testadas Qual o problema que aparece 6 Explicar qual especificação você escolheria 7 Dado o modelo escolhido explicar a leitura do 𝑹𝒂𝒋𝒖𝒔𝒕 𝟐 significância estatística do modelo e de cada coeficiente estimado saÃda Gretl para jrjpm 20230525 0000 página 1 Modelo 1 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor const 0576599 00888160 6492 133e010 educ 0112244 000589051 1906 297e069 exper 00125672 000128261 9798 106e021 female 0251414 00285568 8804 576e018 black 0144794 00504485 2870 00042 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 2025158 EP da regressão 0451147 Rquadrado 0336642 Rquadrado ajustado 0333975 F4 995 1262362 PvalorF 352e87 Log da verossimilhança 6204698 Critério de Akaike 1250940 Critério de Schwarz 1275478 Critério HannanQuinn 1260266 saÃda Gretl para jrjpm 20230525 0005 página 1 Modelo 2 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor const 0466647 00892113 5231 206e07 educ 0107626 000584117 1843 190e065 exper 00370084 000427257 8662 185e017 female 0251773 00280696 8970 145e018 black 0157019 00496297 3164 00016 sqexper 0000595909 995329e05 5987 298e09 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 1954670 EP da regressão 0443449 Rquadrado 0359731 Rquadrado ajustado 0356510 F5 994 1116946 PvalorF 105e93 Log da verossimilhança 6027567 Critério de Akaike 1217513 Critério de Schwarz 1246960 Critério HannanQuinn 1228705 saÃda Gretl para jrjpm 20230525 0011 página 1 Modelo 3 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor const 0143344 0173273 08273 04083 educ 0151424 00121648 1245 371e033 exper 00700641 000911761 7684 368e014 female 0255458 00278641 9168 270e019 black 0156336 00492409 3175 00015 sqexper 0000721048 0000103373 6975 557e012 educexper 000217158 0000530302 4095 457e05 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 1922209 EP da regressão 0439973 Rquadrado 0370364 Rquadrado ajustado 0366559 F6 993 9735022 PvalorF 303e96 Log da verossimilhança 5943836 Critério de Akaike 1202767 Critério de Schwarz 1237122 Critério HannanQuinn 1215824 saÃda Gretl para jrjpm 20230525 0023 página 1 Modelo 4 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor const 0236931 0172394 1374 01696 educ 0145541 00120882 1204 294e031 exper 00635141 000911453 6968 583e012 female 0223507 00283195 7892 782e015 black 0171066 00487800 3507 00005 sqexper 0000644090 0000103421 6228 697e010 educexper 000192682 0000526729 3658 00003 fulltime 0210133 00431148 4874 127e06 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 1877258 EP da regressão 0435017 Rquadrado 0385088 Rquadrado ajustado 0380749 F7 992 8874850 PvalorF 28e100 Log da verossimilhança 5825520 Critério de Akaike 1181104 Critério de Schwarz 1220366 Critério HannanQuinn 1196026 saÃda Gretl para jrjpm 20230525 0026 página 1 Modelo 6 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor const 0304171 0172876 1759 00788 educ 0143615 00120472 1192 103e030 exper 00629414 000907407 6936 725e012 female 0219708 00282133 7787 172e014 black 0178626 00486114 3675 00003 sqexper 0000640580 0000102948 6222 721e010 educexper 000188683 0000524438 3598 00003 fulltime 0210759 00429155 4911 106e06 metro 0111844 00349270 3202 00014 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 1858032 EP da regressão 0433002 Rquadrado 0391386 Rquadrado ajustado 0386473 F8 991 7966114 PvalorF 17e101 Log da verossimilhança 5774049 Critério de Akaike 1172810 Critério de Schwarz 1216980 Critério HannanQuinn 1189597 saÃda Gretl para jrjpm 20230525 0110 página 1 Modelo 18 MQO usando as observações 11000 Variável dependente lwage coeficiente erro padrão razãot pvalor educ 0120594 000436715 2761 644e125 exper 00456305 000558264 8174 909e016 female 0208365 00281147 7411 268e013 black 0151682 00491655 3085 00021 sqexper 0000523142 978072e05 5349 110e07 educexper 000108851 0000290873 3742 00002 fulltime 0207577 00423954 4896 114e06 metro 0111431 00345291 3227 00013 married 00904016 00300620 3007 00027 union 0119649 00373769 3201 00014 Média var dependente 2166837 DP var dependente 0552806 Soma resíd quadrados 1827759 EP da regressão 0429677 Rquad nãocentrado 0963448 Rquadrado centrado 0401302 F10 990 2609489 PvalorF 0000000 Log da verossimilhança 5691913 Critério de Akaike 1158383 Critério de Schwarz 1207460 Critério HannanQuinn 1177035