Regresso Linear Simples

V ctor Hugo Lachos Davila

hlachos@ime.unicamp.br

Departamento Estat stica-IMECC Universidade Estadual de Campinas Paulo, Brasil Campinas, Sao

Linear Simples p. 1/6 Regressao

Objetivos

Estudar a relao linear entre duas variveis quantitativas. Veja alguns exemplos: Altura dos pais e altura dos lhos(Fig 1);

Linear Simples p. 2/6 Regressao

Objetivos

Estudar a relao linear entre duas variveis quantitativas. Veja alguns exemplos: Altura dos pais e altura dos lhos(Fig 1); Renda semanal e despensas de consumo;

Linear Simples p. 2/6 Regressao

Objetivos

Estudar a relao linear entre duas variveis quantitativas. Veja alguns exemplos: Altura dos pais e altura dos lhos(Fig 1); Renda semanal e despensas de consumo; Variao dos salarios e taxa de desemprego (Fig 2);

Linear Simples p. 2/6 Regressao

Objetivos

Estudar a relao linear entre duas variveis quantitativas. Veja alguns exemplos: Altura dos pais e altura dos lhos(Fig 1); Renda semanal e despensas de consumo; Variao dos salarios e taxa de desemprego (Fig 2); Demanda dos productos de uma rma e publicidade;

Linear Simples p. 2/6 Regressao

Objetivos

Estudar a relao linear entre duas variveis quantitativas. Veja alguns exemplos: Altura dos pais e altura dos lhos(Fig 1); Renda semanal e despensas de consumo; Variao dos salarios e taxa de desemprego (Fig 2); Demanda dos productos de uma rma e publicidade; Sob dois pontos de vista:
Explicitando a forma dessa relao: regressao. Quanticando a fora dessa relao: correlac ao.

Linear Simples p. 2/6 Regressao

Observaes

1) Regresso vs Causao Uma relao estatstica por s propria no implica uma causao Para atribuir causao, devemos invocar a alguma teora (p.e. econmica) 2) Regresso (AR) vs Correlao (AC) na AC h tratamento simetrico das variveis na AR a varivel explanatoria xa na AC presupe-se que as duas variaves so aleatrias

Linear Simples p. 3/6 Regressao

Dados Hipotticos

Os dados se referem renda semanal (X) e as despensas de consumo (Y) (em U S $), de uma populao total de 60 familias. As 60 familias foram divididas em 10 grupos de renda (Fig 3 e 4).
Y 80 55 60 65 X 70 75 Total E(Y|X) 325 65 100 65 70 74 80 85 88 462 77 120 79 84 90 94 98 445 89 140 80 93 95 103 108 113 115 707 101 160 102 107 110 116 118 125 678 113 180 110 115 120 130 135 140 750 125 200 120 136 140 144 145 685 137 220 135 137 140 152 157 160 162 1043 149 240 137 145 155 165 175 189 966 161 260 150 152 175 178 180 185 191 1211 173

Linear Simples p. 4/6 Regressao

Funo de Regresso Populacional

razovel supor que a mdia da varivel aleatria Y , est relacionada com X pela seguinte relao E (Y |X = x) = Y |x = 0 + 1 x onde o e 1 , so respectivamente, o intercepto e a inclinao da reta e recebem o nome de coecientes de regresso.

Linear Simples p. 5/6 Regressao

Funo de Regresso Populacional

razovel supor que a mdia da varivel aleatria Y , est relacionada com X pela seguinte relao E (Y |X = x) = Y |x = 0 + 1 x onde o e 1 , so respectivamente, o intercepto e a inclinao da reta e recebem o nome de coecientes de regresso. Cada valor individual Yi ser determinado pelo valor mdio da funo linear (Y |x ) mais um termo que representa um erro aleatrio,

Linear Simples p. 5/6 Regressao

Funo de Regresso Populacional

razovel supor que a mdia da varivel aleatria Y , est relacionada com X pela seguinte relao E (Y |X = x) = Y |x = 0 + 1 x onde o e 1 , so respectivamente, o intercepto e a inclinao da reta e recebem o nome de coecientes de regresso. Cada valor individual Yi ser determinado pelo valor mdio da funo linear (Y |x ) mais um termo que representa um erro aleatrio, Yi = Y |x + i = 0 + 1 xi + i , onde i o erro estocstico que satisfaz E (i |xi ) = 0

Linear Simples p. 5/6 Regressao

Em geral, a varivel resposta pode estar relacionada com k variveis explicativas X1 , . . . Xk obedecendo equao : Y = 0 + 1 X1 + . . . + k Xk + , A equao denominada modelo de regresso linear mltipla.

Linear Simples p. 6/6 Regressao

Em geral, a varivel resposta pode estar relacionada com k variveis explicativas X1 , . . . Xk obedecendo equao : Y = 0 + 1 X1 + . . . + k Xk + , A equao denominada modelo de regresso linear mltipla. O adjetivo "linear" usado para indicar que o modelo linear nos parmetros 1 , . . . , k e no porque Y funo linear dos X s. Por exemplo, uma expresso da forma 3 Y = o + 1 log X1 + 2 X2 + um modelo de regresso linear mltipla, mas o mesmo no acontece com a 2 2 equao Y = 0 + 1 X1 + 3 X2 + .

Linear Simples p. 6/6 Regressao

Signicado do erro estocstico

Carter vago da teoria Falta de dados disponveis Varivies essenciais vs variveis perifricas Carter aleatrio da natureza Principio da parcimnia Forma funcional equivocada

Linear Simples p. 7/6 Regressao

Funo de Regresso Amostral(FRA)

A tarefa agora estimar a FRP com base em informaes amostrais Yi = Yi + i = 0 + 1 Xi + i , i = 1, . . . , n, onde 0 e 1 so estimadores de 0 e 1 , respectivamente e i = Yi Yi a componente residual (Fig 5). Precisamos formular uma regra ou mtodo que torne tal aproximao o mais prximo possvel!
Exercicio:

Resolva o problema 2.16 do livro texto.

Linear Simples p. 8/6 Regressao

Estimao: Mtodo de MQO

Suponha que tem-se n pares de observaes amostrais (x1 , y1 ), . . . , (xn , yn ). A soma de quadrados dos desvios das observaes em relao FRA :
n n

Q=

2 i =

(yi 0 1 xi )2 .

O mtodo de mnimos quadrados ordinarios (MQO) escolhe 1 e 2 (nicos) de forma que, para qualquer amostra, Q o menor possvel. Aps uma simple algebra tem-se

Linear Simples p. 9/6 Regressao

(1)
n

0 + 1
i=1 n

xi =
i=1 n

yi xi y i .
i=1

0
i=1

1 xi +
i=1

x2 i =

As equaes (1) recebem o nome de equaes normais de mnimos quadrados.

Linear Simples p. 10/6 Regressao

0 e 1 , A soluo dessas equaes fornece os EMQ, dados por: 0 = y 1 x .

n
n x i=1 n y i=1

1 =

i=1

xi y i
n i=1

n
n x 2

x2 i

i=1

n x

n y

onde x =

i=1

ey =

i=1

Linear Simples p. 11/6 Regressao

Notaes especiais

n x

2 n

Sxx

=
i=1 n

(xi x ) =

x2 i
i=1

i=1

=
i=1 n

x2 2 , i nx
n x i n y i=1 i

Sxy

=
i=1 n

(xi x )(yi y ) = xi yi nx y ,
n

i=1

(xi x )yi =

i=1

xi yi

i=1

=
i=1 n

n y 2 yi

2 n

Syy

=
i=1

(yi y ) =

i=1

(yi y )yi =

i=1

i=1

=
i=1

2 yi ny 2 .

Os EMQ de 0 e 1 em termos da notao acima so: 1 x 0 = y , 1 = Sxy , yi y = 1 (xi x ). Sxx

Linear Simples p. 12/6 Regressao

Observaoes sobre os EMQ

Os EMQ dependem s de quantidades observveis So estimadores pontuais A linha de regresso amostral facilmente obtida Yi = 0 + 1 Xi O valor mdio do resduo i zero Os residuos i so no correlacionados com Xi e Yi .

Linear Simples p. 13/6 Regressao

Exemplo 1

O gerente de uma cadeia de supermercados deseja desenvolver um modelo com a nalidade de estimar as vendas mdias semanais (em milhares de dlares) Y - Vendas semanais; e X - Nmero de clientes. Estas variveis foram observadas em 20 supermercados escolhidos aleatriamente.
X Y X Y 907 11,20 679 7,63 926 11,05 872 9,43 506 6,84 924 9,46 741 9,21 607 7,64 789 9,42 452 6,92 889 10,08 729 8,95 874 9,45 794 9,33 510 6,73 844 10,23 529 7,24 1010 11,77 420 6,12 621 7,41

Linear Simples p. 14/6 Regressao

Aplicao

Considerando os dados do exemplo 1

n
n

= =

20 907 + 926 + . . . + 621 = 14.623; x = 731, 15

xi
i=1 n

yi
i=1 n

11, 20 + 11, 05 + . . . + 7, 41 = 176, 11; y = 8, 8055 (907)2 + (926)2 + . . . + (621)2 = 11.306.209 (11, 20)2 + (11, 05)2 + . . . + (7, 41)2 = 1.602, 0971

x2 i
i=1 n 2 yi i=1 n

xi yi
i=1

(907)(11, 20) + (11, 05)(926) . . . + (7, 41)(621) = 134.127, 90

Linear Simples p. 15/6 Regressao

Sxx

=
i=1 n

x2 x)2 = 11.306.209 20(731, 15)2 = 614.603 i n( xi yi n( x)( y ) = 134.127, 90 20(8, 8055)(731, 15) = 5.365, 08
2 yi n( y )2 = 1.609, 0971 20(8, 8055) = 51, 3605.

Sxy

=
i=1 n

Syy

=
i=1

As estimativas dos parmetros do MRLS so:

1 = Sxy = 5.365, 08 = 0, 00873; 0 = y 1 x = 8, 8055(0, 00873)(731, 15) = 2, 423 Sxx 614.603 Portanto, a linha de regresso ajustada ou estimada para esses dados so: y = 2, 423 + 0, 00873x.

Linear Simples p. 16/6 Regressao

Vendas semanais

6
400

10

11

500

600

700

800

900

1000

Numero de clientes

Linear Simples p. 17/6 Regressao

Suponha que tem-se interesse em prever as vendas semanais para um supermercado com 600 clientes. No modelo de regresso ajustado basta substituir X = 600, sto , y = 2, 423 + (0, 00873)(600) = 7, 661.

Linear Simples p. 18/6 Regressao

Suponha que tem-se interesse em prever as vendas semanais para um supermercado com 600 clientes. No modelo de regresso ajustado basta substituir X = 600, sto , y = 2, 423 + (0, 00873)(600) = 7, 661. A venda semanal de 7,661 mil dlares pode ser interpretada com uma estimao da venda mdia semanal verdadeira dos supermercados com X = 600 clientes,

Linear Simples p. 18/6 Regressao

Suponha que tem-se interesse em prever as vendas semanais para um supermercado com 600 clientes. No modelo de regresso ajustado basta substituir X = 600, sto , y = 2, 423 + (0, 00873)(600) = 7, 661. A venda semanal de 7,661 mil dlares pode ser interpretada com uma estimao da venda mdia semanal verdadeira dos supermercados com X = 600 clientes, ou como uma estimao de uma futura venda de um supermercado quando o nmero de clientes for X = 600.

Linear Simples p. 18/6 Regressao

Suposies do mtodo de MQO

(i) E (|X ) = 0, V ar(|X ) = 2 (desconhecido).

(ii) Os erros so no correlacionados

(iii) A varivel explicativa X controlada pelo experimentador. (iv) o modelo de regresso esta especicado da forma correta (v) n> nmero de variveis explanatorias (iv) no ha multicolinearidade perfeita

Linear Simples p. 19/6 Regressao

Propriedades dos EMQ

Se as suposies do mtodo de MQO so vlidas, ento 1 ) = 1 , V ar( 1 ) = E (

2 Sxx 2 = .
1

0 ) = 0 , V ar( 0 ) = 2 E (
2 x Cov (0 , 1 ) = Sxx

1 n

x 2 Sxx

2 = .
0

Exercicio 2.

Linear Simples p. 20/6 Regressao

Estimao de 2
Os resduos, so empregados na estimao de 2 . A soma de quadrados residuais ou soma de quadrados dos erros, denotado por SQR :
n n

ei = y i y i

SQR =
i=1

e2 i =
i=1

(y i y i )2

Pode-se demonstrar que o valor esperado da soma de quadrados dos residuais SQR, dado por:(Exerccio 3) E (SQR) = (n 2) 2

Linear Simples p. 21/6 Regressao

Portanto, um estimador no viciado de 2 , SQR 2 = QM R (Quadrado medio residual), = n2 Uma frmula mais conveniente para o clculo da SQR dada por: 1 Sxy . SQR = Syy A estimativa de 2 para o exemplo 1. 2 1 Sxy SQR Syy = = n2 n2 51, 3605 (0, 00873)(5.365, 08) = = 0, 2513. 20 2

Linear Simples p. 22/6 Regressao

Previso
Seja xp o valor para o qual deseja-se prever (ou projetar) o valor mdio E (Y |xp ) e o valor individual de Y . - Previso mdia Yi um estimador no viciado de E [Y |xp ], dado que 0 + 1 xp ) = 0 + 1 xp = E (Y |xp ) E (Yi ) = E ( V ar(Yi ) =
1 2[ n

)2 (xi x ] sxx

- Previso individual (Exercicio 4.) V ar(Ypart ) = [1 +

2 2 1 n

)2 (xi x ] sxx

Na pratica sustituimos 2 (desconhecido), pelo estimador

Linear Simples p. 23/6 Regressao

Coeciente de Determinao (r2 )

O r2 uma medida de qualidade do ajustamento. No caso de regresso linear simples o coeciente de determinao o quadrado do coeciente de correlao.(Fig 6) ) = (Yi Y i Y +Y i ) (Yi Y
n n

i=1

)2 = (Yi Y

i=1

i Y )2 + (Y

i=1

i )2 (Yi Y

SQT = SQM + SQR

2 s SQR SQM SQM xy + r2 = = 1 = SQT SQT SQT sxx syy

Linear Simples p. 24/6 Regressao

Teorema de Gauss-Markov
Se as suposies MQO so satisfeitas, os EMQ da classe de estimadores lineares no viesados tm varincia mnima, isto , so os melhores estimadores lineares no viesados. (Prova) Para que normalidade? A estimao a metade do caminho, a outra metade teste se hipteses, para isto, suposies adicionais so necessrias. uma alternativa considerar tamanhos de amostra o sucientemente grandes (estimao de mxima verossimilhana) a outra supor que i N (0, 2 ) (O modelo de regresso normal simple clssico)

Linear Simples p. 25/6 Regressao

Propiedades dos EMQ sob Normalidade

A justico terica da premissa de normalidade o TLC

n n

1 =
i=1

ki Yi =
i=1

ki (1 + 2 xi + i ) N (.)

2 2 0 N (0 , ), 1 N (1 , ),
0 1

(n 1) 2 / 2 2 (n 2) A distribuio de 0 e 1 independente de 2 (Exercicio 5.)

0 e 1 tm varincia mnima dentro de toda classe dos estimadores no viesados, sejam ou no lineares (Rao)

Yi |Xi N (0 + 1 Xi , 2 )

Linear Simples p. 26/6 Regressao

Teste de hipteses sobre 1

Suponha que se deseje testar a hiptese de que a inclinao igual a uma constante representada por 1,0 . As hipteses apropriadas so: H0 : 1 = 1,0 , vs H1 : 1 = 1,0 A estatstica T = 1 1,0 2 /Sxx ,

tem distribuio t-Student com n 2 graus de liberdade sob H0 : 1 = 1,0 . Rejeita-se H0 se |Tobs | > t/2, n2 .

Linear Simples p. 27/6 Regressao

Teste de hipteses sobre 0

H0 : 0 = 0,0 , vs H1 : 0 = 0,0 A estatstica T =

1 2[ n

0 0,0 +

x 2 ] Sxx

que tem distribuio t-Student com n 2 graus de liberdade. Rejeitamos a hipteses nula se |Tobs | > t/2, n2 .

Linear Simples p. 28/6 Regressao

Teste de signicncia do MRLS

H0 : 1 = 0, vs H1 : 1 = 0, Deixar de rejeitar H0 : 1 = 0 equivalente a concluir que no h nenhuma relao linear entre X e Y.

Linear Simples p. 29/6 Regressao

Se H0 : 1 = 0 rejeitado, implica que X tem importncia para explicar a variabilidade de Y

Linear Simples p. 30/6 Regressao

Exemplo

Teste de signicncia para o MRLS para os dados do exemplo 1, com = 0, 05. As hipteses so H0 : 1 = 0, vs H1 : 1 = 0 Do exemplo tem-se: 1 = 0, 00873, n = 20 Sxx = 614, 603, 2 = 0, 2512, De modo que a estatstica de teste, : Tobs = 1 2 /Sxx = 0, 00873 0, 2513/614.603 = 13, 65.

Como Tobs = 13, 65 > t0,03,18 = 2, 101, rejeita-se a hiptese H0 : 1 = 0.

Linear Simples p. 31/6 Regressao

Anlise de varincia
Se a hiptese nula H0 : 1 = 0 verdadeira, a estatstica QM reg SQM/1 = F (1, n 2), F = SQR/(n 2) QM R Portanto, rejeita-se H0 se F0bs > F, 1, n2 . As quantidades QM reg = SQM , (quadrado mdio devido regresso) e 1 QM R = (SQR ( quadrado mdio residual) n2)

Linear Simples p. 32/6 Regressao

Tabela de ANOVA

Fonte de variao Regresso Residual Total

Soma de Quadrados SQM SQR SQT

Graus de Liberdade 1 n2 n1

Quadrado Mdio F QM reg QM reg QM R QM R

Linear Simples p. 33/6 Regressao

Tabela de ANOVA

Fonte de Soma de Graus de Quadrado variao Quadrados Liberdade Mdio F QM reg Regresso SQM 1 QM reg QM R Residual SQR n2 QM R Total SQT n1 Exemplo: o procedimento de anlise de varincia para testar se de fato existe relao linear entre o nmero de clientes (X) e as vendas semanais (Y), no modelo proposto para os dados do exemplo 1. Relembre que 1 = 0, 00873, Sxy = 5.365, 08 e n = 20. Syy = 51, 3605,

Linear Simples p. 33/6 Regressao

A soma de quadrados da regresso 1 Sxy = (0, 00873)(5.365, 08) = 46, 8371 SQM = enquanto a soma de quadrados dos residuais : 1 Sxy = 51, 3605 46, 8371 = 4, 5234 SQR = SQT

Linear Simples p. 34/6 Regressao

A soma de quadrados da regresso 1 Sxy = (0, 00873)(5.365, 08) = 46, 8371 SQM = enquanto a soma de quadrados dos residuais : 1 Sxy = 51, 3605 46, 8371 = 4, 5234 SQR = SQT A ANOVA para testar H0 : 1 = 0. Nesse caso, a estatstica de teste F0bs = QM reg/QM R = 46, 837148/0, 2512 = 186, 4536.

Linear Simples p. 34/6 Regressao

A soma de quadrados da regresso 1 Sxy = (0, 00873)(5.365, 08) = 46, 8371 SQM = enquanto a soma de quadrados dos residuais : 1 Sxy = 51, 3605 46, 8371 = 4, 5234 SQR = SQT A ANOVA para testar H0 : 1 = 0. Nesse caso, a estatstica de teste F0bs = QM reg/QM R = 46, 837148/0, 2512 = 186, 4536. Como Fobs = 186, 4536 > F0,05,1,18 = 4, 41 rejeita-se H0 , ao nvel de signicncia de 5%.

Linear Simples p. 34/6 Regressao

Tabela de ANOVA para Ex. 1

Fonte de Soma de Graus de Quadrado variao Quadrados Liberdade Mdio F Regresso 46, 8371 1 46, 8371 186,45 Residual 4, 5234 18 0, 2513 Total 51, 3605 19

Linear Simples p. 35/6 Regressao

Intervalo de conana para 0 e 1

Se para o MRLS vlida a suposio de que os i N ID(0, 2 ), ento 1 1 )/ ( QM R/Sxx
2 1 x 0 0 )/ QM R[ + e ( ] n Sxx

so variveis aleatrias com distribuio t-Student com n 2 graus de liberdade. Um intervalo de 100(1 )% de conana para 1 : IC (1 ; 1) = 1 t , n2 2 QM R ; 1 + t , n2 2 Sxx QM R Sxx

Linear Simples p. 36/6 Regressao

De modo similar, um intervalo de 100(1 )% de conana para 0 dado por: 1 x 2 QM R[ + ] n Sxx 1 x 2 ] QM R[ + n Sxx

IC (0 ; 1 ) =

0 t , n2 2 0 + t , n2 2

A seguir obtido um intervalo de 95% de conana para a inclinao do MRLS com os dados do exemplo 1,

Linear Simples p. 37/6 Regressao

1 = 0, 00873, Sxx = 614, 603 e Relembre que n = 20, QM R = 0, 2513. Para 1 = 0, 95, tem-se t0,025, 18 = 2, 101. 1 E ; 1 + E ) IC (1 ; 0, 95) = ( E = t0,025,18
QM R Sxx

= 2, 101

0,2513 614.603

= 0, 00134

IC (1 ; 0, 95) = (0, 00873 0, 00134; 0, 00873 + 0, 00134) = (0, 00739; 0, 01007)

Linear Simples p. 38/6 Regressao

Intervalo de conana para resposta mdia

O interesse consiste em estimar um intervalo de conana para E (Y |X = x0 ) = Y |x0 = 0 + 1 x0 . Um estimador pontual de Y |x0 0 + 1 x0 . = Y |xo = Y Se i N ID(0, 2 ) vlida, pode-se demonstrar T = Y |xo Y |xo QM R
1 n

)2 (x0 x Sxx

t(n 2)

Linear Simples p. 39/6 Regressao

Int. conf. 100(1 )% para Y |x0

IC ( Y |x ; 1 ) = Y |xo E ; Y |xo + E onde E = t , n2 2

Exemplo:
1 QM R[ n

(x0 x )2 ] Sxx

Suponha que tem-se interesse em construir um intervalo de 95% de conana da venda, mdia, semanal para todos supermercados com 600 clientes.

Linear Simples p. 40/6 Regressao

Int. conf. 100(1 )% para Y |x0

IC ( Y |x ; 1 ) = Y |xo E ; Y |xo + E onde E = t , n2 2

Exemplo:
1 QM R[ n

(x0 x )2 ] Sxx

Suponha que tem-se interesse em construir um intervalo de 95% de conana da venda, mdia, semanal para todos supermercados com 600 clientes. No modelo ajustado Y |x0 = 2, 423 + 0, 00873x0 . Para x0 = 600, obtm-se Y |x0 = 7, 661.

Linear Simples p. 40/6 Regressao

Int. conf. 100(1 )% para Y |x0

IC ( Y |x ; 1 ) = Y |xo E ; Y |xo + E onde E = t , n2 2

Exemplo:
1 QM R[ n

(x0 x )2 ] Sxx

Suponha que tem-se interesse em construir um intervalo de 95% de conana da venda, mdia, semanal para todos supermercados com 600 clientes. No modelo ajustado Y |x0 = 2, 423 + 0, 00873x0 . Para x0 = 600, obtm-se Y |x0 = 7, 661. Tambm, x = 731, 15, QM R = 0, 2513, Sxx = 614.603, n = 20 e 1 = 0, 95 t0,05,18 = 2, 101.

Linear Simples p. 40/6 Regressao

Int. conf. 100(1 )% para Y |x0

IC ( Y |x ; 1 ) = Y |xo E ; Y |xo + E onde E = t , n2 2

Exemplo:
1 QM R[ n

(x0 x )2 ] Sxx

Suponha que tem-se interesse em construir um intervalo de 95% de conana da venda, mdia, semanal para todos supermercados com 600 clientes. No modelo ajustado Y |x0 = 2, 423 + 0, 00873x0 . Para x0 = 600, obtm-se Y |x0 = 7, 661. Tambm, x = 731, 15, QM R = 0, 2513, Sxx = 614.603, n = 20 e 1 = 0, 95 t0,05,18 = 2, 101. E = 2, 101
1 0, 2513[ 20

(600731,15)2 ] 614.603

= 0, 292

Linear Simples p. 40/6 Regressao

IC (Y |x0 ; 0, 95) = (7, 661 0, 292; 7, 661 + 0, 292) = (7, 369; 7, 935)

Linear Simples p. 41/6 Regressao

Previso de novas observaes

Uma aplicao muito importante de um modelo de regresso a previso de novas ou futuras observaes de Y, (Y0 ) correspondente a um dado valor da varivel explicativa X, x0 , ento 0 + 1 x0 0 = Y o melhor estimador pontual de Y0 . Um intervalo de 100(1 )% de conana para uma futura observao dado por: E; Y + E) IC (Y0 ; 1 ) = (Y onde E = t , n2 2 QM R[1 +
1 n

(x0 x )2 ] Sxx

Linear Simples p. 42/6 Regressao

Exemplo

Suponha agora, tem-se interesse em encontrar um intervalo de previso de 95% das vendas semanais de um supermercado com 600 clientes. = 7, 661 e o Considerando os dados do exemplo 1, Y intervalo de predio : E = 2, 101 0, 2513[1 +
1 20

(600731,15)2 ] 614.603

= 1, 084

IC (Y0 ; 0, 95) = (7, 661 1, 084; 7, 661 + 1, 084) = (6, 577; 8, 745).

Linear Simples p. 43/6 Regressao

Bandas de conana do 95% para Y |x0 (CI) e Y0 (ICP)

Linear Simples p. 44/6 Regressao

Adequao do modelo de regresso

Anlise residual,

Linear Simples p. 45/6 Regressao

Adequao do modelo de regresso

Anlise residual, Coeciente de determinao

Linear Simples p. 45/6 Regressao

Adequao do modelo de regresso

Anlise residual, Coeciente de determinao Os resduos de um modelo de regresso so denidos como ei = y i y i , i = 1, . . . , n

onde yi uma observao real de Y e y i o valor correspondente estimado atravs do modelo de regresso.

Linear Simples p. 45/6 Regressao

Adequao do modelo de regresso

Anlise residual, Coeciente de determinao Os resduos de um modelo de regresso so denidos como ei = y i y i , i = 1, . . . , n

onde yi uma observao real de Y e y i o valor correspondente estimado atravs do modelo de regresso. Resduos padronizados ei , di = QM R i = 1, . . . , n

Linear Simples p. 45/6 Regressao

Adequao do modelo de regresso

Anlise residual, Coeciente de determinao Os resduos de um modelo de regresso so denidos como ei = y i y i , i = 1, . . . , n

onde yi uma observao real de Y e y i o valor correspondente estimado atravs do modelo de regresso. Resduos padronizados ei , di = QM R i = 1, . . . , n

Linear Simples p. 45/6 Regressao

 Linear Simples p. 46/6 Regressao

Grco de resduos do exemplo 1

Linear Simples p. 47/6 Regressao

Exemplo: Coeciente de Determinao

Para os dados dos supermercados do exemplo1, determinar R2 .

Linear Simples p. 48/6 Regressao

Exemplo: Coeciente de Determinao

Para os dados dos supermercados do exemplo1, determinar R2 . Da denio tem-se: SQM 46, 8371 R = = = 0, 912 SQT 51, 3605
2

Linear Simples p. 48/6 Regressao

Exemplo: Coeciente de Determinao

Para os dados dos supermercados do exemplo1, determinar R2 . Da denio tem-se: SQM 46, 8371 R = = = 0, 912 SQT 51, 3605
2

Esse resultado signica que o modelo ajustado explicou 91,2% da variao na varivel resposta Y (vendas semanais). Isto , 91,2% da variabilidade de Y explicada pela varivel regressora X (nmero de clientes).

Linear Simples p. 48/6 Regressao

Analise de Correlao

Suponha que se deseja desenvolver um modelo de regresso que relacione a resistncia ao corte dos pontos de soldadura com o dimetro dos mesmos. Neste caso, no possvel controlar o dimetro de soldadura. O que pode ser feito selecionar ao acaso n pontos de soldadura e observar o dimetro (Xi ) e a resistncia ao corte (Yi ) de cada um deles. Portanto, (Xi , Yi ) so variveis aleatrias distribudas de maneira conjunta.

Linear Simples p. 49/6 Regressao

Suponha que a distribuio conjunta de Xi e Yi tenha uma distribuio normal bivariada cuja funo de densidade dada por

Linear Simples p. 50/6 Regressao

Suponha que a distribuio conjunta de Xi e Yi tenha uma distribuio normal bivariada cuja funo de densidade dada por f (x, y ) = 1 21 2 y 2 2 1 2
2

exp

1 2(1 2 )

x 1 1

x 1 1

y 2 2

Linear Simples p. 50/6 Regressao

Suponha que a distribuio conjunta de Xi e Yi tenha uma distribuio normal bivariada cuja funo de densidade dada por f (x, y ) = 1 21 2 y 2 2 1 2
2

exp

1 2(1 2 )

x 1 1

x 1 1

y 2 2

2 2 onde 1 e 1 so a mdia e varincia de X e 2 e 2 so a entre X mdia e varincia de Y e, coeciente de correlac ao e Y.

Linear Simples p. 50/6 Regressao

A densidade condicional de Y para um valor dado X = x dado por (exercicio 5.) 2 1 1 yi 0 1 x exp f (y |x) = 2 2 Y 2Y |x |x

Linear Simples p. 51/6 Regressao

A densidade condicional de Y para um valor dado X = x dado por (exercicio 5.) 2 1 1 yi 0 1 x exp f (y |x) = 2 2 Y 2Y |x |x
2 onde 0 = 2 1 , 1 = 1 2 1 2 2 2 e Y = (1 ) 2 |x

Linear Simples p. 51/6 Regressao

A densidade condicional de Y para um valor dado X = x dado por (exercicio 5.) 2 1 1 yi 0 1 x exp f (y |x) = 2 2 Y 2Y |x |x
2 2 2 2 2 onde 0 = 2 1 , = e = (1 ) 1 2 Y |x 1 1 A distribuio condicional de Y dado X = x normal com mdia E (Y |X = x) = 0 + 1 x 2 e varincia Y |x .

Linear Simples p. 51/6 Regressao

Estimadores de 0 , 1 e
0 = Y 1 X

Linear Simples p. 52/6 Regressao

Estimadores de 0 , 1 e
0 = Y 1 X n Y (X X ) i i=1 i 1 = n (Xi X )2 =
i=1

SXY SXX

Linear Simples p. 52/6 Regressao

Estimadores de 0 , 1 e
0 = Y 1 X n Y (X X ) i i=1 i 1 = n (Xi X )2 =
i=1 i i i=1 i

SXY SXX SXY SXX SY Y

= r = = n n )2 )2 (X X (Y Y
i i=1 i=1

n ) Y (X X

Linear Simples p. 52/6 Regressao

Estimadores de 0 , 1 e
0 = Y 1 X n Y (X X ) i i=1 i 1 = n (Xi X )2 =
i=1 i i i=1 i

SXY SXX SXY SXX SY Y

= r = = n n )2 )2 (X X (Y Y
i i=1 i=1

n ) Y (X X

1 =

SY Y SXX

1/2

Linear Simples p. 52/6 Regressao

Teste de hipteses

H0 : = 0 vs H1 : = 0 A estatstica de teste apropriada r n2 T = sob H0 t(n 2) 1 r2

Linear Simples p. 53/6 Regressao

Teste de hipteses

H0 : = 0 vs H1 : = 0 A estatstica de teste apropriada r n2 T = sob H0 t(n 2) 1 r2 A hiptese nula dever ser rejeitada se |Tobs | t/2, n2 . Esse teste equivalente ao teste de hipteses H0 : 1 = 0.

Linear Simples p. 53/6 Regressao

H0 : = 0 vs H1 : = 0 onde 0 = 0.

Linear Simples p. 54/6 Regressao

H0 : = 0 vs H1 : = 0 onde 0 = 0. Para amostras de tamanho moderado grande (n 30), a estatstica

Linear Simples p. 54/6 Regressao

H0 : = 0 vs H1 : = 0 onde 0 = 0. Para amostras de tamanho moderado grande (n 30), a estatstica 1 1+r Zr = arctanh r = ln 2 1r tem distribuio aproximadamente normal com mdia Zr 1 1+ = arctanh = ln 2 1

2 1 e varincia Z = ( n 3) . r

Linear Simples p. 54/6 Regressao

A estatstica de teste apropriada : Z = (arctanh r arctanh 0 ) (n 3)1/2 .

Linear Simples p. 55/6 Regressao

A estatstica de teste apropriada : Z = (arctanh r arctanh 0 ) (n 3)1/2 . Se H0 : = 0 verdadeira, a estatstica Z tem, aproximadamente, distribuio normal padro. Portanto, H0 dever ser rejeitada se |Zobs | z/2 .

Linear Simples p. 55/6 Regressao

Intervalo de conana para

Um intervalo aproximado de 100(1 )% de conana para o coeciente de correlao , que dado por: z/2 IC (; 1 ) = tanh arctanh r ; n3 z/2 tanh arctanh r + , n3 onde tanhw =
ew ew . ew +ew

Linear Simples p. 56/6 Regressao

Exemplo 2

Suponha que se tenha interesse em medir a fora da relao linear de dois produtos diferentes com relao ao preo em vrias cidades do mundo. Y - Preo de uma libra de frango; e X - Preo de uma caixa de suco.

Linear Simples p. 57/6 Regressao

Caixa com seis Cidade sucos (X ) Frankfurt 3,27 Hong Kong 2,22 Londres 2,28 Manila 3,04 Mxico 2,33 Nova York 2,69 Pars 4,07 Sidney 2,78 Tokyo 5,97

Uma libra de frango (Y ) 3,06 2,34 2,27 1,51 1,87 1,65 3,09 2,36 4,85

Linear Simples p. 58/6 Regressao

Dos dados da tabela so obtidos os valores seguintes:

n n

n = 9;
i=1

= 3, 183; Xi = 28, 65; X

i=1 n

Xi2 = 28, 65 = 102

n

SXX = 11, 4594;

i=1 n

= 2, 5566; Yi = 23, 00; Y

i=1

Yi2 = 67

SY Y = 8, 3522;
i=1

Xi Yi = 81, 854; SXY = 8, 6437 8, 6437 (11, 4594)(8, 3522)

SXY r= = SXX SY Y

= 0, 883.

Linear Simples p. 59/6 Regressao

H0 : = 0 (no relao linear entre X e Y ) H1 : = 0 (h relao linear entre X e Y ) O valor calculado para a estatstica do teste foi r n2 0, 883 9 2 = Tobs = = 4, 98. 2 2 1r 1 (0, 883) Para = 0, 05, tem-se que t0,025,7 = 2, 365 < Tobs = 4, 98, logo, rejeita-se H0 : = 0 ao nvel de signicncia de = 5%.

Linear Simples p. 60/6 Regressao