ESTATSTICA

ECONOMETRIA Regresso Linear Simples Regresso Potencial; Exponencial; Hiperblica Regresso Linear Mltipla

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

CONCEITO DE ECONOMETRIA
1.- CONCEITO

Econometria oramo do conhecimento humano que aplica a Matemtica e a Estatstica Teoria Econmica, objetivando dar-lhe contedo emprico. Ela surgiu da seguinte forma: no incio, a Teoria Econmica no tinha muitas preocupaes com a parte emprica, mas sim, com a construo de uma arcabouo terico, ou seja; a partir das hipteses que ela estabelecia, procurava tirar proposies que deveriam explicar o comportamento dos agentes econmicos, sem preocupaes com a parte emprica. Mas, duas coisas os tericos no sabiam: a) quantificar numericamente os parmetros dos modelos gerados pelas proposies da Teoria Econmica; b) no podiam colocar prova essas proposies, isto , no podiam confrontar a sua teoria com a realidade. Foi justamente para cobrir esses dois aspectos, que surgiu a Econometria. Exemplos: A Teoria Econmica que a demanda de importaes depende do nvel de produo interna e da taxa de cmbio. Alm disso, d o sentido do efeito: dado um aumento na taxa de cmbio (uma desvalorizao cambial), as importaes deveriam diminuir (afinal, os produtos estrangeiros tornaram-se mais caros): e, dado um aumento na produo interna, as importaes deveriam aumentar (particularmente os de bens de capital e matrias-primas, para suprir o aumento da produo interna). Mas a teoria econmica no d a magnitude do efeito, isto , se a produo aumenta 5 bilhes; e de quanto deve aumentar as importaes, por exemplo. Isso feito pela Econometria. Dessa forma a Econometria surgiu com o objetivo de dar contedo emprico Teoria Econmica, isto , dar resposta quantitativa s perguntas que os economistas no poderiam dar apenas com a Teoria Econmica.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

2.- CAMPOS
O Estudo da Econometria divide-se em dois grandes campos: a) Modelos de equao nica: C = a + bY (Funo Cons) b) Modelos de equao simultnea: Y = C + 1 (Condio de equilbrio) C = a + bY (Funo consumo) Como se observa, no modelo de equao simultnea na primeira equao o consumo entra como varivel independente e, na segunda, como varivel dependente. A estimao dos parmetros deve serfeita simultneamente com duas (ou mais) equaes. Nosso curso tratar apenas dos modelos de equao nica.

3.- PRINCIPAL TCNICA ECONOMTRICA

A principal tcnica economtrica consiste na Anlise de Regresso Linear, que pode ser Simples (apenas uma varivel explicativa), ou Mltipla (mais de uma varivel explicativa).

4.- EXEMPLOS DE APLICAO

Primeiramente, a Econometria pode favorecer os valores dos principais parmetros de Poltica Econmica, como: - propenso marginal a consumir (tirado da funo consumo - C = a + bY); - propenso marginal a poupar; - dada uma desvalorizao cambial de 5%, qual a diminuio esperada nas importaes, e o aumento esperado nas exportaes; - efeito quantitativo de um aumento de renda sobre a demanda de moeda (efeito transao) para com isso ter-se uma idia definida de qual deve ser o aumento da oferta de moeda da coletividade para suprir aquele aumento de demanda. Em segundo lugar, embora a Econometria tenha nascido para complementar apenas o conhecimento terico, muitas vezes, a partir da Econometria, que se criou esse conhecimento. um exemplo clssico a funo tipo Cobb-Douglas, ou ainda a funo de produo CES, ambas nascidas da observao emprica.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

II - REGRESSO LINEAR SIMPLES

1.- INTRODUO O economista, muitas vezes, se v ante a necessidade de descrever e prever o comportamento de certas variveis, que sero importantes para sua tomada de deciso. Embora muita coisa possa ser prevista de forma intuitiva, ou atravs das pesquisas de mercado (principalmente quando se refere a curto prazo), bastante interessante e conveniente tentar encontrar frmulas matemticas que possam relacionar o comportamento das variveis de interesse do administrador, com certo grau de preciso. A previso atravs de intuio ou pesquisa de mercado pode resolver satisfatoriamente os problemas de curto prazo, pois as pessoas informantes podem ter uma certa viso at determinado perodo de tempo, perdendo esta viso medida que o horizonte do tempo aumenta. O estabelecimento de relaes entre variveis, alm de til a curto prazo, resolve tambm os problemas de previso do comportamento de certas variveis a longo prazo, como se poder notar ao longo do desenvolvimento desta apostila. A anlise de regresso um mtodo que visa estabelecer relaes funcionais entre variveis relacionadas por leis estatsticas, isto , procura encontrar uma funo que descreve da melhor forma possvel o comportamento de alguma varivel que estamos interessados em analisar. A anlise de regresso um mtodo que visa estabelecer relaes funcionais entre variveis relacionadas por leis estatsticas. Para tornar a idia de regresso linear simples mais clara, suponha que estamos interessados em analisar e comportamento de uma varivel Y, digamos a quantidade do produtoA, vendida pela empresa A. Seria bastante lgico supor que os valores da varivel Y sofram a influncia de uma srie de variveis tais como: a) o preo do bem A, que chamaremos de X1; isto porque medida em que o preo do bem A aumentar, deve ocorrer uma queda na quantidade vendida deste bem (lei da demanda). b) a renda per capita da comunidade, que chamaremos de X2; a medida em que a renda aumenta, h um nmero maior de pessoas em condies de adquirir o bem A, aumentando consequentemente suas vendas, desde que A no seja um bem inferior. c) os gastos com propaganda, que chamaremos de X3; a medida em que os gastos com propaganda aumentam, h uma expanso das vendas do produto A, caso a propaganda seja realmente eficiente.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

d) poder-se-ia considerar ainda uma srie de outras variveis X4, X5, ........ Xn, tais como: gosto dos consumidores, qualidade do produto A, qualidade dos prosutos concorrentes, etc., que podem ser qualificveis ou no.

Portanto, j sabemos que existe uma srie de variveis (X1, X2, ........... Xn) que influenciam Y, mas na anlise de regresso linear simples, trabalhamos apenas uma varivel explicativa X (*). Para superar este problema, isolamos a varivel que parece ser mais explicativa, desde que seja quantificvel e trabalhamos com esta varivel. Por exemplo, se estamos interessados em analisar o comportamento das vendas de automveis no Brasil, poderemos utilizar a renda per capita como varivel explicativa. Neste caso, a quantidade vendida de automveis uma funo de renda per capita.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

2.- O MODELO DE REGRESSO LINEAR SIMPLES 2.1. - O MODELO VERDADEIRO

Consideremos o exemplo citado no final do tpico anterior (quantidade vendida de automveis (y) como funo da renda per capita (x) e suponhamos que estas variveis se comportem como no grfico a seguir:
1

caficamente:

Y= +X.+U onde: Y = Y observado = varivel dependente X = varivel independente ou varivel explicativa = intercepto = declividade ou coeficiente angular U = componente aleatria (ou desvio ou componente errtica ou erro) Nesta varivel U esto contidos os efeitos de todas as variveis que atuam sobre Y, alm de X. Neste exemplo citado, poder-se-ia considerar como contidos em U, os efeitos de variveis como a taxa de juros cobrada no financiamento de automveis, o preo da gasolina (variveis quantificveis), qualidade dos automveis, gosto dos consumidores, etc. (variveis no quantificveis). A soma de todos estes efeitos a componente aleatria U. Claramente, estes problemas causam desvios em torno da reta Y = + X + U, onde: ( + X) a parcela livre das causas aleatrias (no exemplo, a parcela explicada pela renda per capita).
1

Na regresso linear mltipla, podemos trabalhar com uma srie de variveis explicativas, mas este mtodo ser objeto de estudo mais adiante (parte III). Prof. Ms. Antonio Carlos de Oliveira Capito

E4

2.2. O MODELO ESTIMADO

Dado o fato de que sempre trabalhamos com amostra, no podemos conhecer o verdadeiro modelo, mas apenas uma estimativa deste; alm disso, no conhecemos o resduo U. A partir de uma particular amostra, estaremos obtendo valores estimados dos parmetros populacionais e . Temos, ento y = a + b x, onde: y a b x e = y estimado = estimativa do intercepto = estimativa da declividade = varivel explicativa = estimativa do erro

NOTA: y e x so dados. A partir dessas duas sries, obteremos os valores de a e b. Graficamente:

Y = A + BX

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

3. Os passos da Anlise de Regresso Linear Simples

A especificao do modelo na regresso linear simples consiste de duas fases: seleo de variveis e especificao da forma funcional.
3.1.1. Seleo das variveis do modelo

Como vimos, a regresso linear simples procura estabelecer relaes entre variveis. Sempre que estamos interessados em analisar o comportamento de uma varivel dependente Y para estabelecer previses sobre seu futuro comportamento, precisamos selecionar uma varivel independente X, que julgamos explicar o mximo possvel o comportamento desta varivel Y. Exemplos: 1) Se estamos interessados em analisar o comportamento dos custos de uma empresa, precisamos encontrar uma varivel que explique as variaes de custo, que poderia ser a quantidade produzida. Ento C = f (Q), pois medida que a quantidade produzida aumenta, devem aumentar os custos de produo. 2) Se queremos analisar a venda de automveis marda FORD, tipo Corcel, podemos selecionar como varivel explicativa o preo relativo do Corcel, isto , P.Corcel . Ento P.Concor. Qvc = f (Pcorcel); a medida em que o preo relativo do Corcel aumenta, deve reduzir sua quantidade vendida. 3) Para analisarmos a venda de determinado tipo de brinquedo infantil, poderemos considerar como varivel explicativa a populao que utiliza este tipo de bem, podendo ser crianas entre 3 a 10 anos, dependendo do tipo de brinquedo.

s vezes, informaes sobre nossa varivel explicativa no esto disponveis por falta de estatsticas. Para solucionar problemas como este, pode ser utilizada uma varivel proxy, que uma varivel que substitui aproximadamente a que estamos procurando. Por exemplo, podemos medir a renda per capita de uma dada cidade (informao no disponvel) pela arrecadao de impostos (imposto de renda ou imposto sobre produtos industrializados) ou ainda pelo consumo de energia eltrica.

O estudo de Regresso Linear Simples est consubstanciado em algumas hipteses bsicas, que sero discutidas no captulo VII. Prof. Ms. Antonio Carlos de Oliveira Capito

E4

Para a seleo das variveis do modelo, temos que levar em considerao: a) o tamanho da amostra, b) representatividade (a amostra deve ser representativa da populao), c) o perodo escolhido para a amostragem deve ser tal que outras condies que possam influir no problema hajam permanecido aproximadamente as mesmas.
3.1.2. Especificao de forma funcional

Nesta fase do processo, estamos interessados em saber a forma pela qual a varivel independente exerce influncia sobre a varivel independente. Uma vez selecionadas as variveis, devemos descobrir qual a funo que melhor descreve o comportamento de Y, quando X varia. Ns sabemos que a quantidade vendida do produto A, uma funo dos gastos com propaganda efetuadas pela empresa A, mas, muitas vezes, no temos condio de saber se esta funo uma reta, uma exponencial ou uma potncia.

RETA

EXPONENCIAL

POTNCIA

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

A especificao da forma funcional entre Y e X pode ser feita de duas formas. s vezes, a teoria subjacente ao desenvolvimento do problema pode sugerir precisamente a forma funcional a ser utilizada, ou ento, poder sugerir a forma funcional a ser utilizada, ou ento, poder sugerir certas condies parciais sobre o intercepto, declividade ou curvatura da funo. Neste caso, estaremos partindo de uma especificao a priori. Outra forma de especificar a forma funcional entre X e Y o emprego do diagrama de disperso. O diagrama de disperso a nuvem de pontos que obtemos quando colocamos os pares de valores das variveis no grfico. Para cada observao da amostra , teremos tanto um valor de Y observado com um de X observado. Por exemplo, considere o preo do prosuto A (preo relativo) e a quantidade vendida deste produto nos anos de 1965 a 1974.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

10

FRMULAS REGRESSO LINEAR (MODELO LINEAR)

Coeficiente de correlao: OBS.: varia entre -1 e 1 inclusive ( X . Y) XY - _____________ n
RXY = __________________________________________ ____________________________________________________ 2 2 | | _ | 2 (X) 2 (Y) \ | X - ________ . Y - __________ \ n n

TABELA DE CORRELAO 1---------------> 0,8 -------|0,99 0,6 -------| 0,8 0,3 -------| 0,6 0 ---------| 0,3 0----------| perfeita forte mdia fraca fraqussima nula

OBS.: Pode ser positiva ou negativa

Mdia de X :

_ X X = _____ n _ Y Y = ______ n

Mdia de Y :

Equao de regresso linear (tambm denominada funo estimada) Y = a + b x ----------- > varivel | independente |----> varivel dependente
Prof. Ms. Antonio Carlos de Oliveira Capito

E4

11

Isolando-se a varivel a na funo acima encontramos: _ _ a= y - b x _ _ xy - n (x) . (y) ________________

2 _ 2

b=

- n(x)

ERRO PADRO __________________________________ | 2 | y - a y - b xy Sxy = _ | ______________________________ \ | n - 2 \ |

2

Poder Explicativo da Regresso - R 2 R | = _ 2 a y + b xy - n y _________________________ y 2 - n y2

2

100

OBS.: - Varia entre 0 e 100% - As projees baseadas no modelo confivel quanto mais se aproxima de 100%.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

12

FRMULA PARA MODELOS NO LINEARES

POTNCIA b y=a.x EXPONENCIAL x y=a.b HIPRBOLE + b y = a - __ x

ln y = U ln x = V ln a = A NEPERIANOS U = A + b.V OBS.: LN = LOGARTIMOS

LOGO :

X = V Y = U
2 2

Sequncia da Tabela : X, Y, V, U, V , Y , UV U _______ n

Mdia de U =

V Mdia de V = ______ n

2 2

SUU = U

(U) - ________ n

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

13

2 2

SVV = V

( V) - _________ n (U. V) ____________ n _ _ A=U -b V

SUV = UV -

Clculo de A

Clculo de B

B=

SUV _______ SVV

OBS.: DEVE-SE MONTAR A FUNO ESTIMADA (REGRESSO) MAIS APROPRIADA AO MODELO ESTUDADO (POTNCIA, EXPONENCIAL OU HIPRBOLE).
2 2

R = APRO-

b . SVV ____________ SUU

. 100

OBS.: VARIA DE 0 A 100% , E QUANTO MAIS O RESULTADO SE XIMAR DE 100%, MAIS CONFIVEL SO AS PROJEES.

Correlao =

________________ | 2 | - | R \ | _____ \| 100

_ X X = _____ n

( X) . ( Y) YX - ______________ B= n ____________________________
2 2

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

14

X _ Y Y = _____ n

( X ) ______ n

_ _ A= Y - b . X

Y = a+ b - ____ X _ 2 a Y + b X Y - n . Y = _________________________ 2 _2 Y - n . Y

. 100

___________ | 2 | X Y = - | R \ | _____ \| 100

EXEMPLO DE REGRESO LINEAR

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

15

Mtodo dos Mnimos Quadrados x 825 215 1.070 550 480 920 1.350 325 670 1.215 7.620 762 2,85 y 3,5 1,0 4,0 2,0 1,0 3,0 4,5 1,5 3,0 5,0 28,5 x2 680.625 46.225 1.144.900 302.500 230.400 846.400 1.822.500 105.625 448.900 1.476.225 7.104.300 y2 12,25 1,00 16,00 4,00 1,00 9,00 20,25 2,25 9,00 25,00 99,75 x.y 2.887,5 215,0 4.280,0 1.100,0 480,0 2.760,0 6.075,0 487,5 2.010,0 6.075,0 26.370,0

somatrio

x = y =

correlao: rxy = S xy (Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy =

26.370-

(7.620 . 28,5) 10

(7.104.300- (58.064.400)).(99,75-812,25) 10 10

rxy = 0,95 equao de regresso: b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,003 0,0036

positiva e forte

b=26.370 - 10(762).(2,85) 7.104.300 - 10(762)2

a = y - bx

a = 2,85 - 0,003 . 762

a = 0,5

0,564

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

16

y = a + bx

EXEMPLO Uma empresa levantou os seguintes dados para avaliar as suas vendas e os gastos com promoo. x y
gastos com promoo em US$1.000 1 ano 2 ano 3 ano 4 ano 5 ano 6 ano 7 ano somatrio vendas em US$milhes

x2 19.600 40.000 56.644 72.900 90.000 160.000 202.500 641.644

y2 2.500 3.249 4.489 4.761 5.929 7.225 7.396 35.549

x.y 7.000 11.400 15.946 18.630 23.100 34.000 38.700 148.776

140 200 238 270 300 400 450 1.998

50 57 67 69 77 85 86 491

1 - De quantos milhes seriam as vendas, se a empresa aplicar US$ 600.000, em promoo? 2 - Qual a confiabilidade da projeo, justifique a sua resposta? x = y = correlao: rxy = S xy (Sx.Sy) n 285,4 70,1

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = 0,97 equao de regresso: b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,1

positiva e forte

a = y - bx

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

17

a = 41,6 erro padro: Sxy = Sy2 - aSy - bSxy n - 2 Sxy = 7 poder explicativo da regresso: R2 = aSy + bSxy - ny2 Sy2 - ny2 . 100

R2 = 77,8%

alto poder explicativo

equao de projeo:

y = a + bx y = 101,6 milhes

Respostas: 1 - As vendas seriam US$ 101,6 milhes. 2 - A confiablidade alta, devido ao alto poder explicativo. EXEMPLO NMERO 2 A tabela a seguir mostra uma relao entre a nota final de estatstica e o nmero de horas que os alunos estudaram. y x x2 x.y notas horas y2 estudo 81 900 270 9 30 64 625 200 8 25 49 400 140 7 20 36 225 90 6 15 25 196 70 5 14 16 196 56 4 14 9 100 30 3 10 4 25 10 2 5 1 9 3 1 3 somatrio 285 2.676 869 45 136 Pede-se:

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

18

1 - Existe relao entre as duas variveis acima? Justifique. 2 - Identifique a varivel explicativa e analise a tabela pelo mtodo dos mnimos quadrados. 3 - Analise a confiabilidade do modelo para projeo. 4 - Quantas horas o aluno precisa estudar para tirar a nota: a - 10 b - 5,5 c - 0 correlao: (Sx.Sy) S xy n rxy = (Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = 0,98 mdia: x = y = 15,1 5,0

positiva e forte

equao de regresso linear:

b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,3

a = y - bx

a = 0,5

y = a + bx para nota 10 para nota 5,5 para nota 0 erro padro: Sxy = Sy2 - aSy - bSxy n - 2 Sxy = 0,5 x= 31,7 x= 16,7 x= -1,7

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

19

poder explicativo da regresso: R2 = aSy + bSxy - ny2 Sy2 - ny2 . 100

R2 = 97,0%

alto poder explicativo

Respostas: 1 - Existe, pois a correlao positiva e forte. 2 - A nota depende das horas, portanto a hora a varivel explicativa. 3 - A confiabilidade alta, devido ao alto poder explicativo. 4 - Para tirar: nota 10 = 31,7 horas nota 5,5 = 16,7 horas nota 0 = -1,7 horas

Exerccio: Importao brasileira de matria-prima de 88 a 94 (fonte: Ordem dos Economistas) x

ano

y
quantidade (ton)

x2 1 4 9 16 25 36

y2 2.500 2.209 1.225 900 576 100

x.y 50 94 105 120 120 60

1988 1989 1990 1991 1992 1993

1 2 3 4 5 6

50 47 35 30 24 10

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

20

1994 somatrio

7 28

16 212

49 140

256 7.766

112 661

Informe a projeo para 95 e 96

x = y = correlao:

4,0 30,3

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = -0,96 equao de regresso: b = Sxy - n (x).(y) Sx2 - n (x)2 b = -6,7

negativa e forte

a = y - bx

a = 57,1 erro padro: Sxy = Sy2 - aSy - bSxy n - 2 Sxy = 4 poder explicativo da regresso: R2 = aSy + bSxy - ny2 Sy2 - ny2 . 100

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

21

R2 = 93,3%

alto poder explicativo

equao de projeo:

y = a + bx para 95 para 96 y = y = 3,5 -3,2

EXERCCI O

Relao entre horas contnuas trabalhadas e quantidade de microcomputadores com defeito de montagem (fonte: Hardzon) x
horas

y
quantidade de micros c/defeito

x2 324 144 100 64 36 25 16 709

y2 81 64 49 36 25 16 9 280

x.y 162 96 70 48 30 20 12 438

somatrio

18 12 10 8 6 5 4 63

9 8 7 6 5 4 3 42

Faa projeo para: 20 horas 15 horas 7 horas

x = y = correlao:

9,0 6,0

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

22

rxy = 0,95 equao de regresso: b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,4

positiva e forte

a = y - bx

a = 2,4

erro padro: Sxy = Sy2 - aSy - bSxy n - 2 Sxy = 1 poder explicativo da regresso: R2 = aSy + bSxy - ny2 Sy2 - ny2 . 100

R2 = 85,7%

alto poder explicativo

equao de projeo:

y = a + bx para 20 horas ====> para 15 horas ====> para 7 horas =====> 10 micros c/defeito 8 micros c/defeito 5 micros c/defeito

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

23

REGRESSO LINEAR MLTIPLA

A anlise de Regresso Linear Mltipla consiste, na realidade, numa extenso da matria desenvolvida na primeira parte do curso de Estatstica Aplicada Administrao, qual seja, a Regresso Linear Simples. Visto que as idias e conceitos a serem desenvolvidos no decorrer do presente estudo se assemelham com a anlise de Regresso Linear Simples, procurar-se-, na medida do possvel, relacionar as duas anlises. A idia central da anlise de Regresso Linear Simples era a de encontrar uma funo (estimada) que descrevesse (de forma mais perfeita possvel) o comportamento de uma varivel que estivssemos interessados em analisar. Para estimarmos esta funo, selecionvamos uma varivel explicativa (X), a quela que julgssemos explicar o mximo possvel o comportamento da varivel independente (Y), a ser analisada. No caso da Regresso Linear Mltipla, a diferena fundamental reside no nmero de variveis explicativas, que agora no fica limitada a apenas uma, mas podendo expandir este nmero para quantas variveis explicativas forem necessrias. No desenvolvimento de nosso curso, utilizaremos o modelo de Regresso Linear Mltipla com DUAS variveis explicativas; a extenso do modelo, a partir da, para trs ou mais variveis explicativas, imediata, sendo porm, que estes modelos (trs ou mais variveis) geralmente so estimados por computador, dada a grande dificuldade em estimalos manualmente. Quando temos trs ou mais variveis denominamos o processo de REGRESSO MLTIPLA; existem tambm casos de linearizao (Hiprbole, Potncia, Exponencial, etc...), porm, nos limitaremos a seguir REGRESSO LINEAR MLTIPLA com trs variveis. Na regresso mltipla no h perfeita multicolinearidade entre os regressores (no existe relao linear perfeita entre as variveis). Ao tratarmos com trs variveis, deixaremos de usar o grfico plano (X,Y), para nos referirmos a um diagrama de disperso de pontos em trs dimenses (X, Y, Z); mas o problema continua sendo o de encontrar um plano (uma reta na regresso linear simples) que melhor se ajuste, no sentido de menores desvios dos pontos observados.

A tcnica matemtica utilizada o Mtodo dos Mnimos Quadrados, que uma extenso, de forma geral, da tcnica utilizada na Regresso Linear Simples.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

24

O MODELO VERDADEIRO DE R. L. M.
No caso de Regresso Linear Mltipla teremos um plano de regresso, ao invs de uma reta. Graficamente:

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

25

MODELO ESTIMADO
Dado o fato que sempre trabalhamos com amostras, no podemos conhecer o verdadeiro modelo, mas apenas uma estimativa deste, alm disso no conhecemos o resduo . A partir de uma particular amostra, procuraremos obter valores estimados dos parmetros populacionais. +
2

Temos ento: Y = a + b
1

x
1

+ b
2

, onde:

b e b
1 2

Y = valor estimado de y a = estimativa do intercepto b = estimativa de declividade relativa x

1 1

(coef. angular) (coef. angular)

2

b
2

= estimativa de declividade relativa x , x

1 2

= variveis explicativas

= resduo (ERRO)

OS PASSOS DA ANLISE DE REGRESSO MLTIPLA

O esquema anlogo ao de Regresso Linear Simples.

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

26

FRMULAS
Tabela (sequncia)
2 2 2 2

Y;X
1

;X
2

; X ; X
1

; Y ; X . X ; Y. X ; Y . X
1 2 1 2

Obs.: Calcular a mdia aritmtica de X

1

, X
2

, Y

Y . X
1

SY = Y . X
1 1

- ______________ n

Y . X
2

SY = Y . X
2 2

- ______________ n

(X )
2 1

S
11

= X
1

___________ n X . X
1 2

SY
12

= SY = (X . X ) 21 1 2

______________ n

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

27

(X )
2 2

S
22

= X
2

___________ n
2

S yy

= Y

(Y) ___________ n

SY . S
1 22

- SY . S
2 12 2

b
1

= _____________________________ S . S
11

- (S
22

)
12

SY . S
2 11

- SY . S
1 21 2

b
2

= _____________________________ S . S
11

- (S
22

)
12

_ _ _ a= Y - b x - b x
1 1 2 2

Poder Explicativo : b . SY + b . SY
2 1 1 2 2

R = _____________________________ S
yy

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

28

Correlao: ___________ | 2 | = - | R \ | _____ \| 100

R xy

EXERCCIOS Analise as seguintes relaes pelo mtodo dos mnimos quadrados : 1-) VENDAS (Y) 6 7 15 18 20 23 Gastos com tv (x1) Gastos com Jornal (x2) 3 1 4 2 8 3 8 5 10 8 11 6

2-)

Y 128 150 78 162 134 175 208

X1 1 2 3 4 5 6 7

X2 100 200 300 400 500 600 700

EXEMPLO DE REGRESO LINEAR

Mtodo dos Mnimos Quadrados

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

29

x 825 215 1.070 550 480 920 1.350 325 670 1.215 7.620 762 x =

y 3,5 1,0 4,0 2,0 1,0 3,0 4,5 1,5 3,0 5,0 28,5

x2 680.625 46.225 1.144.900 302.500 230.400 846.400 1.822.500 105.625 448.900 1.476.225 7.104.300

y2 12,25 1,00 16,00 4,00 1,00 9,00 20,25 2,25 9,00 25,00 99,75

x.y 2.887,5 215,0 4.280,0 1.100,0 480,0 2.760,0 6.075,0 487,5 2.010,0 6.075,0 26.370,0

somatrio

2,85 y =

correlao:

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy =

26.370-

(7.620 . 28,5) 10

(7.104.300- (58.064.400)).(99,75-812,25) 10 10

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

30

rxy = 0,95 equao de regresso:

positiva e forte

b = Sxy - n (x).(y) b=26.370 10(762).(2,85) Sx2 - n (x)2 b = 0,003 0,0036 7.104.300 - 10(762)2

a = y - bx

a = 2,85 - 0,003 . 762

a = 0,5

0,564

y = a + bx

EXEMPLO Uma empresa levantou os seguintes dados para avaliar as suas vendas e os gastos com promoo. x y
gastos com promoo em US$1.000 1 ano 2 ano 3 ano 4 ano vendas em US$milhes

x2 50 57 67 69 19.600 40.000 56.644 72.900

y2 2.500 3.249 4.489 4.761

x.y 7.000 11.400 15.946 18.630

140 200 238 270

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

31

5 ano 6 ano 7 ano somatrio

300 400 450 1.998

77 85 86 491

90.000 160.000 202.500 641.644

5.929 7.225 7.396 35.549

23.100 34.000 38.700 148.776

1 - De quantos milhes seriam as vendas, se a empresa aplicar US$ 600.000, em promoo? 2 - Qual a confiabilidade da projeo, justifique a sua resposta? 285,4 x =

70,1 y =

correlao:

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = 0,97 equao de regresso:

positiva e forte

b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,1

a = y - bx

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

32

a = 41,6 erro padro:

Sxy =

Sy2 - aSy - bSxy n - 2 Sxy = 7

poder explicativo da regresso:

R2 = aSy + bSxy - ny2 Sy - ny

2 2

. 100

R2 = 77,8%

alto poder explicativo

equao de projeo:

y = a + bx 101,6 milhes y =

Respostas: 1 - As vendas seriam US$ 101,6 milhes. 2 - A confiablidade alta, devido ao alto poder explicativo. EXEMPLO NMERO 2 A tabela a seguir mostra uma relao entre a nota final de estatstica e o nmero de horas que os alunos estudaram. y x

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

33

notas 9 8 7 6 5 4 3 2 1 45

horas estudo 30 25 20 15 14 14 10 5 3 136

y2 81 64 49 36 25 16 9 4 1 285

x2 900 625 400 225 196 196 100 25 9 2.676

x.y 270 200 140 90 70 56 30 10 3 869

somatrio

Pede-se: 1 - Existe relao entre as duas variveis acima? Justifique. 2 - Identifique a varivel explicativa e analise a tabela pelo mtodo dos mnimos quadrados. 3 - Analise a confiabilidade do modelo para projeo. 4 - Quantas horas o aluno precisa estudar para tirar a nota: a - 10 b - 5,5 c - 0 correlao:

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = 0,98 mdia: 15,1 x =

positiva e forte

5,0 y =

equao de regresso linear:

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

34

b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,3

a = y - bx

a = 0,5

y = a + bx para nota 10 para nota 5,5 x= 31,7 x= 16,7

para nota 0

x= -1,7

erro padro:

Sxy =

Sy2 - aSy - bSxy n - 2 Sxy = 0,5

poder explicativo da regresso:

R2 = aSy + bSxy - ny2 Sy - ny

2 2

. 100

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

35

R2 = 97,0%

alto poder explicativo

Respostas: 1 2 3 4 Existe, pois a correlao positiva e forte. A nota depende das horas, portanto a hora a varivel explicativa. A confiabilidade alta, devido ao alto poder explicativo. Para tirar: nota 10 = 31,7 horas nota 5,5 = 16,7 horas nota 0 = -1,7 horas

Exerccio: Importao brasileira de matria-prima de 88 a 94 (fonte: Ordem dos Economistas) x

ano

y
quantidade (ton)

x2 1 4 9 16 25 36

y2 2.500 2.209 1.225 900 576 100

x.y 50 94 105 120 120 60

1988 1989 1990 1991 1992 1993

1 2 3 4 5 6

50 47 35 30 24 10

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

36

1994 somatrio

7 28

16 212

49 140

256 7.766

112 661

Informe a projeo para 95 e 96

4,0 x =

30,3 y =

correlao:

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = -0,96 equao de regresso:

negativa e forte

b = Sxy - n (x).(y) Sx2 - n (x)2 b = -6,7

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

37

a = y - bx

a = 57,1 erro padro:

Sxy =

Sy2 - aSy - bSxy n - 2 Sxy = 4

poder explicativo da regresso:

R2 = aSy + bSxy - ny2 Sy2 - ny2

. 100

R2 = 93,3%

alto poder explicativo

equao de projeo:

y = a + bx para 95 y = 3,5

para 96 y =

-3,2

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

38

EXERCCIO

Relao entre horas contnuas trabalhadas e quantidade de microcomputadores com defeito de montagem (fonte: Hardzon) x
horas

y
quantidade de micros c/defeito

x2 324 144 100 64 36 25 16 709

y2 81 64 49 36 25 16 9 280

x.y 162 96 70 48 30 20 12 438

somatrio

18 12 10 8 6 5 4 63

9 8 7 6 5 4 3 42 20 horas 15 horas 7 horas

Faa projeo para:

9,0 x =

6,0 y =

correlao:

rxy =

S xy -

(Sx.Sy) n

(Sx2- (Sx)2).(Sy2-(Sy)2) n n

rxy = 0,95

positiva e forte

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

39

equao de regresso:

b = Sxy - n (x).(y) Sx2 - n (x)2 b = 0,4

a = y - bx

a = 2,4

erro padro:

Sxy =

Sy2 - aSy - bSxy n - 2 Sxy = 1

poder explicativo da regresso:

R2 = aSy + bSxy - ny2 Sy - ny

2 2

. 100

R2 = 85,7%

alto poder explicativo

equao de projeo:

y = a + bx

Prof. Ms. Antonio Carlos de Oliveira Capito

E4

40

para 20 horas ====> para 15 horas ====> para 7 horas =====>

10 micros c/defeito 8 micros c/defeito 5 micros c/defeito

Prof. Ms. Antonio Carlos de Oliveira Capito