Questões de Concurso Público Câmara dos Deputados 2024 para Consultor de Orçamento e Fiscalização Financeira (Reaplicação)

Um dos principais desafios para se trabalhar com dados de séries de tempo é que as variáveis podem ser não estacionárias e terem ordens de integração diferentes.

Considere um economista que busca estimar a relação entre a receita tributária (Y) e a produção industrial (X) no Brasil.

Suponha que o resultado do teste de Dickey-Fuller aumentado (ADF) foi aplicado para testar a presença de raiz unitária em cada uma das séries e rendeu o seguinte resultado:

• Y: p-valor do teste = 0,15 (15%);
• X: p-valor do teste = 0,001 (ou 0,1%).

Nesse caso, avalie as afirmativas a seguir.
I. Receita tributária é uma série estacionária e produção industrial tem uma raiz unitária.
II. Receita tributária e produção industrial podem ser cointegradas.
III. O pesquisador deveria usar como variável dependente a primeira diferença da série de Receita tributária. Isso poderia resolver o problema de estacionariedade do modelo.


Está correto o que se afirma em

Considere as propriedades de processos estocásticos estacionários e não estacionários em análise de séries temporais.

Assinale a opção que melhor descreve uma diferença chave entre um processo estocástico estacionário e um não estacionário.

Modelos econométricos do tipo Vetor Autorregressivo (VAR) e Vetor de Correção de Erros (VEC) são largamente usados em economia para se entender como duas ou mais variáveis interagem dinamicamente e para fazer previsões.

Considerando esses modelos, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) O modelo VAR deve ser usado quando as séries temporais são não estacionárias de ordem 1 e têm uma relação de cointegração.

( ) A função impulso-resposta em modelos VAR permite analisar como uma variável é afetada por choques temporários em outra variável ao longo do tempo, mas essa análise não é possível em modelos VEC.


( ) Em modelos VEC, o termo de correção de erro é incorporado para ajustar o relacionamento de longo prazo entre as séries temporais cointegradas após choques temporários, algo que não é diretamente modelado em VAR tradicionais.

( ) A decomposição de variância em modelos VAR ajuda a entender a proporção da variância de previsão de cada variável que pode ser atribuída a choques em si mesma versus choques nas outras variáveis, uma análise que também é aplicável em modelos VEC.


As afirmativas são, respectivamente, 

Em economia, o Método dos Momentos Generalizados (GMM) é largamente utilizado para estimar diversos tipos de modelos econométricos.
Em relação ao GMM, avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).

( ) O GMM é particularmente útil em situações em que as variáveis explicativas são endógenas, fornecendo uma maneira de obter estimadores consistentes mesmo na presença de endogeneidade.

( ) Na estimação por GMM, um teste de Hansen ajuda a confirmar a presença de instrumentos fracos, garantindo que os estimadores sejam consistentes e eficientes.

( ) Instrumentos fracos são um problema no GMM porque podem levar a estimativas com viés e variâncias grandes, comprometendo a validade dos resultados.

( ) Diferentemente do método de variáveis instrumentais, o GMM não pode ser usado para estimar modelos com erros padrão heteroscedásticos.


As afirmativas são, respectivamente,

Considere que certo economista deseja medir o impacto da carga tributária (X) no PIB per capita (Y) dos países. Para isso, ele tem uma amostra de dados em painel de N = 70 países, indo de 2015 a 2019 (T = 5 anos).

O modelo a ser estimado é:

Y_it = + Y_it-1 + Xit + C_i + V_it


no qual α, γ e β são parâmetros a serem estimados; C_i é a parte do erro do modelo que varia apenas para os países (i) e V_it é a parte do erro que varia para os países e no tempo (t).

Nesse caso, avalie as afirmativas a seguir.

I. Em modelos de painel dinâmico, a inclusão de defasagens da variável dependente como regressores pode ajudar a capturar a dinâmica temporal e os efeitos de persistência dentro das unidades de painel.

II. O estimador de Mínimos Quadrados Ordinários (MQO) é geralmente eficiente e livre de viés em modelos de painel dinâmico, mesmo na presença de variáveis dependentes defasadas.

III. O estimador de primeira diferença é preferível ao estimador de Efeitos Fixos (FE) ao estimador MQO em modelos de painel dinâmico porque elimina o termo de erro invariável no tempo, eliminando assim a endogeneidade.

IV. O Método dos Momentos Generalizados Diferença (GMM-Diff), desenvolvido por Arellano e Bond (1991), é frequentemente usado para estimar modelos de painel dinâmico, pois lida efetivamente com a endogeneidade das variáveis dependentes defasadas.


Está correto o que se afirma em