Escolar Documentos
Profissional Documentos
Cultura Documentos
E4 - Anlise de Regresso Simples
E4 - Anlise de Regresso Simples
ECONOMETRIA Regresso Linear Simples Regresso Potencial; Exponencial; Hiperblica Regresso Linear Mltipla
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.
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.
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).
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.
E4
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.
E4
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
Y = A + BX
E4
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
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.
E4
10
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
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
b=
- n(x)
100
OBS.: - Varia entre 0 e 100% - As projees baseadas no modelo confivel quanto mais se aproxima de 100%.
E4
12
LOGO :
X = V Y = U
2 2
Mdia de U =
V Mdia de V = ______ n
2 2
SUU = U
(U) - ________ n
E4
13
2 2
SVV = V
SUV = UV -
Clculo de A
Clculo de B
B=
OBS.: DEVE-SE MONTAR A FUNO ESTIMADA (REGRESSO) MAIS APROPRIADA AO MODELO ESTUDADO (POTNCIA, EXPONENCIAL OU HIPRBOLE).
2 2
R = APRO-
. 100
OBS.: VARIA DE 0 A 100% , E QUANTO MAIS O RESULTADO SE XIMAR DE 100%, MAIS CONFIVEL SO AS PROJEES.
Correlao =
_ X X = _____ n
( X) . ( Y) YX - ______________ B= n ____________________________
2 2
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
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 =
(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
a = y - bx
a = 0,5
0,564
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
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
positiva e forte
a = y - bx
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%
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:
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
positiva e forte
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
E4
19
R2 = 97,0%
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
y
quantidade (ton)
x2 1 4 9 16 25 36
1 2 3 4 5 6
50 47 35 30 24 10
E4
20
1994 somatrio
7 28
16 212
49 140
256 7.766
112 661
x = y = correlao:
4,0 30,3
rxy =
S xy -
(Sx.Sy) n
(Sx2- (Sx)2).(Sy2-(Sy)2) n n
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
E4
21
R2 = 93,3%
equao de projeo:
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
y2 81 64 49 36 25 16 9 280
somatrio
18 12 10 8 6 5 4 63
9 8 7 6 5 4 3 42
x = y = correlao:
9,0 6,0
rxy =
S xy -
(Sx.Sy) n
(Sx2- (Sx)2).(Sy2-(Sy)2) n n
E4
22
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%
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
E4
23
A tcnica matemtica utilizada o Mtodo dos Mnimos Quadrados, que uma extenso, de forma geral, da tcnica utilizada na Regresso Linear Simples.
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:
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
b
2
= variveis explicativas
= resduo (ERRO)
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
, 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
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
E4
28
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-)
X1 1 2 3 4 5 6 7
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
E4
30
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 = 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
E4
31
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? 285,4 x =
70,1 y =
correlao:
rxy =
S xy -
(Sx.Sy) n
(Sx2- (Sx)2).(Sy2-(Sy)2) n n
positiva e forte
a = y - bx
E4
32
Sxy =
. 100
R2 = 77,8%
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
E4
33
notas 9 8 7 6 5 4 3 2 1 45
y2 81 64 49 36 25 16 9 4 1 285
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
positiva e forte
5,0 y =
E4
34
a = y - bx
a = 0,5
para nota 0
x= -1,7
erro padro:
Sxy =
. 100
E4
35
R2 = 97,0%
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
y
quantidade (ton)
x2 1 4 9 16 25 36
1 2 3 4 5 6
50 47 35 30 24 10
E4
36
1994 somatrio
7 28
16 212
49 140
256 7.766
112 661
4,0 x =
30,3 y =
correlao:
rxy =
S xy -
(Sx.Sy) n
(Sx2- (Sx)2).(Sy2-(Sy)2) n n
negativa e forte
E4
37
a = y - bx
Sxy =
. 100
R2 = 93,3%
equao de projeo:
y = a + bx para 95 y = 3,5
para 96 y =
-3,2
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
y2 81 64 49 36 25 16 9 280
somatrio
18 12 10 8 6 5 4 63
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
E4
39
equao de regresso:
a = y - bx
a = 2,4
erro padro:
Sxy =
. 100
R2 = 85,7%
equao de projeo:
y = a + bx
E4
40