Submitted by Diego Brandão (digusmao@hotmail.com) on 2014-07-09T16:20:43Z No. of bitstreams: 1 mestrado.pdf: 514491 bytes, checksum: 85052d9356ad36406b3d733cdd4627f8 (MD5) / Approved for entry into archive by BRUNA BARROS (bruna.barros@fgv.br) on 2014-07-30T19:01:27Z (GMT) No. of bitstreams: 1 mestrado.pdf: 514491 bytes, checksum: 85052d9356ad36406b3d733cdd4627f8 (MD5) / Approved for entry into archive by Marcia Bacha (marcia.bacha@fgv.br) on 2014-08-01T12:33:29Z (GMT) No. of bitstreams: 1 mestrado.pdf: 514491 bytes, checksum: 85052d9356ad36406b3d733cdd4627f8 (MD5) / Made available in DSpace on 2014-08-01T12:33:42Z (GMT). No. of bitstreams: 1 mestrado.pdf: 514491 bytes, checksum: 85052d9356ad36406b3d733cdd4627f8 (MD5) Previous issue date: 2013-12-16 / Este trabalho analisa as propriedades de uma nova medida de má especificação de modelos de apreçamento, que está relacionada com o tamanho do ajuste multiplicativo necessário para que o modelo seja corretamente especificado. A partir disso, caracterizamos o parâmetro que minimiza a medida a partir de um programa dual, de solução mais simples. Os estimadores naturais para esse parâmetro pertencem à classe de Generalized Empirical Likelihood. Derivamos as propriedades assintóticas deste estimador sob a hipótese de má especificação. A metodologia é empregada para estudar como se comportam em amostras finitas as estimativas de aversão relativa ao risco em uma economia de desastres quando os estimadores estão associados a nossa medida de má especificação. Nas simulações vemos que em média a aversão ao risco é superestimada, mesmo quando ocorre um número significativo de desastres.