Aula 00 PDF

Econometria para o BACEN
Teoria e exerccios comentados

Prof. Jeronymo Marcondes Aula 00
AULA 00: REGRESSO SIMPLES
SUMRIO PGINA
1. Introduo ao Mtodo de Regresso 5
2. Estimao com base em amostra e Mtodo dos Mnimos

8
Quadrados Ordinrios (MQO)
3. Tabela ANOVA 15
4. Teste de hipteses sobre os coeficientes 25
5. Lista das questes apresentadas com gabarito 36
6. Gabarito 43
Ol pessoal! Esto prontos para embarcarmos juntos nesta difcil jornada que leva
aprovao em um concurso pblico? Ento vamos l! Bom pessoal, primeiro que
gostaria de bater um papinho com vocs.
- Mas, afinal de contas, quem voc professor?
Boa pergunta! Meu nome Jeronymo Marcondes Pinto e j tenho uma grande
bagagem no que se refere a concursos pblicos. Sou Economista, Mestre e Doutor
em Economia Aplicada pela Universidade de So Paulo (USP) e, atualmente, sou
Auditor Fiscal do Trabalho (AFT), atuando na rea de planejamento e anlise
econmica e estatstica da Secretaria de Inspeo do Trabalho (SIT MTE sede).
J fiz muitos concursos, tendo sido aprovado em vrios, como Auditor Fiscal do
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 43

Tesouro Estadual (SEFAZ\RS), Analista de Planejamento, Oramento e Finanas
Pblicas (SEFAZ SP), Economista do MPU, Economista da Cmara Municipal de
So Paulo, Professor universitrio da Academia da Fora Area (AFA), dentre
muitos outros. Porm, j fui reprovado em concurso tambm!
- Professor, por que voc est nos contando de reprovaes, isso no te diminui?
Muito pelo contrrio! Posso dizer que a maior parte da minha experincia deriva do
no sucesso! Aprendi muita coisa ao no ser aprovado, coisas que fizeram com que
eu me tornasse um verdadeiro concurseiro! Ao longo do curso estarei dando dicas
de concurseiro para vocs, o que os ajudar nos seus planejamentos, estratgias,
etc.
DICA DE UM CONCURSEIRO
Gente, o perdedor no aquele que no vence, mas aquele
que no tenta por ter medo de perder! No tenha medo de
no ser aprovado, faa o seu melhor! O medo far com que
voc desperdice chances que podem mudar a sua vida, alm
de fazer com que voc se esforce menos... o que , de longe,
o principal para ser aprovado!
Vamos falar um pouquinho do Banco Central (BACEN). Sem dvida nenhum, uma
das melhores instituies para se trabalhar no Brasil, tima remunerao, condies
de trabalho e grandes possibilidades para crescimento na carreira! Em
contrapartida, concurso muito concorrido e com candidatos de altssimo nvel!
- Professor, verdade que s pessoas com mestrado e doutorado passam no

BACEN? Eu ouo o pessoal falar isso nos fruns, nas conversas de corredor, etc...
Vou deixar isso muito claro: NO! Isso boato dos grandes, tire isso da sua cabea
agora! Tenho vrios conhecidos no BACEN que sequer tm inteno de fazer
mestrado. Isso bobeira!

Vamos falar do edital de Econometria, afinal, para isso que estamos aqui!
ECONOMETRIA: 1. Regresso simples e mltipla. 2. Modelos com variveis

defasadas. 3. Sries temporais. 4. Vetor autoregressivo. 5. Processos
estocsticos, estacionaridade. 6. Cointegrao e correlao de erros. 7. Mtodos
de estimao. 8. Nmeros ndices.
- Que edital pequeno! Vai ser fcil
Quem est pensando isso, pense de novo! Esta , provavelmente, a matria mais
difcil da rea 2. H contedos neste edital que so muito complexos, como o vetor
autoregressivo, por exemplo. Eu tenho duas notcias para vocs, uma boa e uma
ruim.
Primeiro a ruim. Esta matria muito complexa, exigindo conhecimentos prvios de

estatstica (que vocs devem estar estudando) e muito esforo! Esta matria
assusta muita gente.
Agora a boa. Vocs vo aprender! Eu no estou sugerindo, estou afirmando. A

nica coisa que peo o seu esforo na leitura das aulas e resoluo dos
exerccios, pois econometria s se aprende com exerccios!
Uma estratgia de anlise interessante olhar os dois ltimos editais de um

determinado concurso. No caso do BACEN, os editais esto exatamente iguais, o
que sugere que h uma tendncia de o BACEN exigir que a banca mantenha o seu
estilo de provas.
DICA DE UM CONCURSEIRO
Muita gente no presta ateno nos editais. As pessoas do
uma lida por cima e acham que est bom. Elas esto
erradas! Leia o edital com MUITA calma (mais de uma vez),
pois, se voc no o fizer, muito provvel que voc acabe
estudando matrias inteis para a prova. O que o seu inimigo
(a banca) vai fazer est no edital. Ao longo do curso voc vai
ver porque estou falando isso, apesar de parecer bvio, mas,
garanto, no !

O cronograma do curso ser o seguinte:
AULA MATRIA DATA
00 Regresso Simples 18/02/2013
Regresso Mltipla e 05/03/13, 19/03/2013,

01,02, 03 e 04
Mtodos de Estimao 02/04/2013 e 16/04/2013
Modelos com Variveis

Dependentes Defasadas,
05 e 06 Sries Temporais e 30/04/2013 e 14/05/2013
Processos Estocsticos e
Estacionariedade
Cointegrao e Correo
07 de Erro e Vetor 28/05/2013
Autoregressivo
08 Nmeros ndices 11/06/2013
Pessoal, no se preocupem!!! Caso a prova ocorra antes de 11/06/2013, eu

adiantarei as aulas. Ns vamos ver tudo mesmo!
Veja que a rea Regresso Mltipla leva 4 aulas! Isso porque o edital no diz, mas
as provas cobram violao das hipteses bsicas em regresso mltipla, mas no
falam isso no edital. Grande sacanagem! Alm disso, ser necessrio um
conhecimento prvio de lgebra matricial, cobrado, inclusive, no ltimo concurso,
que terei que dar uma base para vocs!
Bom, chega de papo, vamos trabalhar!

1. Introduo ao mtodo de Regresso
Pessoal, hora de forar a memria escolar e lembrar o que uma funo, ou

melhor, uma funo linear. Funo uma relao entre duas variveis, como por
exemplo:
a)Vendas de uma empresa e gastos em propaganda;
b)Aumento de peso de uma pessoa e quantidade de comida ingerida;
c)Valor da conta de energia e nmero de equipamentos eltricos em uma casa.
Se chamarmos a primeira varivel de cada item de y e a segunda de x,

matematicamente, pode-se descrever tal relao como:
y = f(x).
O que quer dizer y funo de x, ou que as vendas de uma empresa uma

funo da quantidade investida em propaganda. Pode-se afirmar que y depende de
x, portanto, a nomenclatura usual chama y de varivel dependente ou explicada e x
de varivel independente ou explicativa.
Uma das formas de se expressar tal funo a partir de uma relao linear, tal
como:
y = 2 + 3x.
Ou, genericamente, para qualquer valor que pudesse substituir 2 e 3 na equao

acima:
y = + x. (1)
Este um exemplo de uma funo linear, dado que o expoente de x 1. (lembrem-

se que qualquer varivel elevada a 1 igual prpria varivel). Esta funo linear
(lembrem-se da escola) uma reta. Se x estivesse elevado ao quadrado, seria uma
parbola. Para que voc tenha certeza que isso uma reta, substitua alguns valores
na primeira equao e os coloque em um grfico, voc ver que se trata de uma
equao de reta.

- Professor, timo, mas por que voc est falando tudo isso?
Porque, meus queridos alunos, um dos principais objetivos da econometria

encontrar uma funo linear que descreva o comportamento estatstico entre duas
variveis. Assim, com base em uma srie estatstica, a econometria possibilitaria
que voc encontrasse os valores de e na equao (1).
O processo de encontrar a relao entre y e x chamado de Regresso e,

se for uma reta, como na equao (1), chamado de Regresso Linear.
Como a equao (1) s possui uma varivel explicativa, o processo de
encontrar tal relao se chama Regresso Linear Simples.
Porm, perceba que muito raro que uma varivel do mundo real, ainda mais
quando ligada economia ou a fenmenos sociais, consiga ser representada por
uma reta. Vamos supor que estamos tratando do exemplo (a) acima descrito para o
ano de 2012 e que possumos dados de todas as vendas de todas as empresas de
um determinado setor e de todos os gastos de propaganda efetuados por estas
empresas.1 Colocando tal relao em um grfico:
14
12
10
8
6
4
2
0
0 10 20 30 40 50 60
A reta representada pela equao (1) e os pontos so os valores que y assume

para cada x.
Gente, s para chamar a ateno, por enquanto estamos trabalhando com dados coletados em um
1
nico perodo de tempo, no caso uma nica observao por empresa no ano de 2012 (pode ser a soma
de todo o ano, ou de um determinado ms, etc.) Este tipo de disposio de dados chamado de dados em
cortes transversais ou cross section. Ns s veremos observaes ao longo do tempo na seo de sries
temporais.

E a pessoal, o que vocs esto vendo? Veja que a reta explica bem o
comportamento da varivel, se aproximando dos valores reais, mas ainda assim no
explica tudo. Olhe o 3 ponto, nele o valor das vendas aumentou, na mdia, muito
mais do que o esperado para um determinado investimento em propaganda. Isso
pode ser decorrncia de muitos fatores do mundo real, como o fato de que a
empresa talvez fosse muito desconhecida at ento, portanto, um pequeno
investimento em propaganda teve resultados muito grandes quando comparado a
empresas que j so relativamente conhecidas. Este tipo de raciocnio pode ser
aplicado para os pontos abaixo da reta tambm, que apresentam, na mdia,
retornos abaixo do esperado para um determinado gasto em propaganda.
Assim, se uma verso linear e simples da equao de reta for a mais bem ajustada
srie de dados, pode-se inferir que a equao que representa a real dinmica do
fenmeno em estudo, no caso, as vendas da empresa dada por:
Sendo o termo que representa o erro, ou seja, os desvios das observaes com
relao reta (pensem comigo, o erro a distncia da reta at cada um daqueles
pontos no grfico acima). O subscrito i se refere cada uma das empresas
analisadas em 2012, isto , a empresa representada no primeiro ponto no grfico
tem subscrito (1), a segunda subscrito (2) e assim por diante.
Vocs concordam comigo que no d para levar em conta todas as variveis que
afetam o comportamento das vendas de todas as empresas? Pode ser que um
gerente comercial muito bom de servio tenha pedido demisso da empresa (4), o
que puxaria suas vendas para baixo, apesar do investimento em propaganda, etc.
Assim, o erro leva em conta estes efeitos impossveis de se mensurar, mas que
afetam a dinmica de y.
Bom, apesar do fato de que este erro algo que ns temos que aprender a viver
com ele, o mesmo possui uma caracterstica interessante que ns temos que levar
em conta:
( )
Isto , a mdia dos erros igual a zero. Ou seja, os desvios para cima da reta
igualam o valor dos desvios para baixo da reta na mdia.

1 hiptese sobre o modelo de regresso:
( )
Ou seja, estes erros so supostamente aleatrios, ento a teoria economtrica nos

permite inferir que, se o modelo estiver corretamente especificado o erro ser, na
mdia, igual a zero.
E a rapaziada, que cara de sono esta? Vamos acordando, pois um futuro analista
do BACEN no pode dormir em servio! Voc ser bem remunerado e com status,
mas com muita responsabilidade.
2. Estimao com base em amostra e Mtodo dos Mnimos Quadrados

Ordinrios (MQO)
Vamos ver se vocs esto realmente atentos: lembram-se quando eu disse que a
regresso tinha a ver com todas as empresas, todas as receitas de vendas e todos
os gastos em propaganda? Ento, hora de lembrar um pouquinho do curso de
estatstica do Estratgia, o conceito de populao e amostra.
Populao = conjunto de todos os elementos que

possuem determinada caracterstica. No exemplo
anterior, todas as empresas, gastos e receitas.
Amostra = parte no nula da populao, mas menor do
que esta ltima.
Ateno, at agora falamos de uma regresso com a populao, ou universo, das

variveis escolhidas. Mas, na maioria dos casos, no possumos o universo. Por
exemplo, no caso de uma regresso do valor salarial obtido por um trabalhador em
funo do nvel de escolaridade de cada um destes, praticamente impossvel se
realizar este exerccio, pois a base de dados para isto infinitamente grande.
Assim, na maior parte das vezes, o pesquisador acaba trabalhando com uma

amostra! Ao se avaliar uma regresso para uma amostra estaremos a estimar os
parmetros de regresso ( e na equao (1)), ou como ns falamos no dia a
dia, estimar uma regresso.
- T bom Professor, mas, afinal de contas, como se estima uma regresso?
timo! Tente imaginar um momento: a estimativa dos parmetros deve ser feita de
forma a garantir o que?
isso! De forma a minimizar os erros. Isso feito pelo mtodo dos Mnimos
Quadrados Ordinrios (MQO) que nos d um valor estimado para e , que,
chamaremos, a partir daqui, de e .
Com base no fato de que a mdia dos erros igual a zero, no h como se
minimizar a soma dos erros, dado que o valor sempre ser zero. Assim, o objetivo
do mtodo minimizar a soma dos quadrados dos erros, o que feito pelo
estimador de MQO. Gente, sejamos prticos, nunca caiu e, provavelmente, nunca
vai cair a derivao do estimador de MQO, assim, decorem:
( )
( )
Sendo que o travesso sobre determinada varivel representa o valor mdio da

mesma, define-se a mdia de uma varivel, bem como o valor de uma varivel
centrada na mdia:
Assim, b pode ser encontrado pelo somatrio da multiplicao de cada

com seu respectivo (covarincia entre x e y) dividido pela soma de todos os

elevados ao quadrado (varincia de x). Gente, muita ateno mesmo, perceba que
as variveis devem ser inseridas na frmula acima de forma a estarem centradas na
mdia, ou seja, reduzidas do valor da mdia de sua srie.
No caso da segunda equao, que define (tambm chamado de intercepto), h

uma forma especfica, mas ela um pouco esquisita e eu acho que esta forma
facilita a memorizao, dado que com os valores mdios das variveis e com a
estimativa de b, encontra-se .
Exerccio 1.
S para vocs ficarem contentes em ver uma aplicao prtica, vamos fazer
um exemplo. Vamos l! Dada a seguinte srie de dados, estime a regresso
linear Y = f(X), ou costumeiramente chamada de Y contra X.
Variveis X Y
103 160
123 167
145 207
126 173
189 256
211 290
178 237
155 209
141 193
156 219
166 235
179 234
197 273
204 272
125 181
112 166
107 161
135 195
144 201
188 255
Soma 3084 4284
Mdia 154,2 214,2

Resoluo
Bom, primeiramente, vamos encontrar alguns dados necessrios para a resoluo.
X Y
Variveis X Y X(centrado)*Y(centrado) (X centrado) (Y centrado)
centrado centrado
103 160 -51,2 -54,2 2775,04 2621,44 2937,64
123 167 -31,2 -47,2 1472,64 973,44 2227,84
145 207 -9,2 -7,2 66,24 84,64 51,84
126 173 -28,2 -41,2 1161,84 795,24 1697,44
189 256 34,8 41,8 1454,64 1211,04 1747,24
211 290 56,8 75,8 4305,44 3226,24 5745,64
178 237 23,8 22,8 542,64 566,44 519,84
155 209 0,8 -5,2 -4,16 0,64 27,04
141 193 -13,2 -21,2 279,84 174,24 449,44
156 219 1,8 4,8 8,64 3,24 23,04
166 235 11,8 20,8 245,44 139,24 432,64
179 234 24,8 19,8 491,04 615,04 392,04
197 273 42,8 58,8 2516,64 1831,84 3457,44
204 272 49,8 57,8 2878,44 2480,04 3340,84
125 181 -29,2 -33,2 969,44 852,64 1102,24
112 166 -42,2 -48,2 2034,04 1780,84 2323,24
107 161 -47,2 -53,2 2511,04 2227,84 2830,24
135 195 -19,2 -19,2 368,64 368,64 368,64
144 201 -10,2 -13,2 134,64 104,04 174,24
188 255 33,8 40,8 1379,04 1142,44 1664,64
Soma 3084 4284 21199,2 31513,2
Mdia 154,2 214,2 1059,96 1575,66
Vamos aplicar a frmula:
Com base no resultado acima, podemos calcular:
Portanto, a reta estimada por meio de MQO :

Voltando aula!
Pessoal, vocs esto entendendo o que representa cada coeficiente? Pense um

pouquinho, se o valor gasto em propaganda aumenta em 1 (uma unidade), espera-
se que o valor das vendas varie, na mdia, em b.
Cabe destacar a diferena entre erros e resduos. Os erros so decorrentes dos

aspectos que relatamos acima, j os resduos so os erros de ajuste aps a
estimao da reta original (1), ou seja, na regresso feita com base na amostra e
no mais na populao. Assim, a verso estimada de (1) dada por:
(2)
Ento, estes parmetros so a verso estimada dos parmetros na equao (1).

Portanto, so os resduos da regresso com base em uma amostra n da
populao N.
Meus amigos, vocs conseguem enxergar que este resduo tem mais um problema
alm dos j citados para os erros? Lembra do gerente comercial eficiente que pediu
demisso? Ento, este um desvio natural de se interpretar um comportamento
econmico, derivado de influncias de infinitas variveis, a partir de uma reta.
Agora, h outro fator em cena, h um erro decorrente de se inferir uma estimativa
da reta (1) a partir de (2). Ou seja, o fato de ns s termos uma amostra leva a
desvios com relao estimativa dos parmetros. Dado que, com base na nossa
regresso estimada, o valor esperado de y :
Assim, os resduos so:
( )
Bom pessoal, ns j temos uma estimativa de uma regresso, agora vocs podem
estar se perguntando: Ser que isso est bom? Ser que esta reta representa bem
a situao ocorrida no mundo real?
Ento, h diversas formas, que devem ser avaliadas de forma conjunta, para
responder tal pergunta, mas vamos adiantar algumas.

Entenderam? Vamos ver:
Exerccio 2
(FCC - ANALISTA BACEN 2005) Uma empresa com a finalidade de determinar

a relao entre os gastos anuais com propaganda (X), em R$ 1000,00, e o lucro
bruto anual (Y), em 1000,00, optou por utilizar o modelo linear simples Y(i) = a
+ bX(i) + e(i), em que Y(i) o valor do lucro bruto auferido no ano (i), X(i) o
valor do gasto com propaganda no ano (i) e e(i) o erro aleatrio com as
respectivas hipteses consideradas para a regresso linear simples.
Considerou, para o estudo, as seguintes informaes referentes s

observaes dos ltimos 10 anos da empresa:
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previso
do lucro bruto anual, em mil reais, ser de:
a) 158
b) 128,4
c) 121
d) 102,5
e) 84

Resoluo
Bom, primeiramente, no caia na armadilha! Estes valores que o exerccio te deu

no esto centrados na mdia. Portanto, com base em propriedades estatsticas,
pode-se demonstrar que:
( )

Assim, dadas as formas funcionais para clculo:
Pode-se inferir as estimativas:
( )
Assim, temos a equao de reta. Substituindo X = 80, tem-se que:

3. Tabela ANOVA
Vamos l pessoal, de olho na aprovao!
Agora vamos falar sobre o grau de ajustamento de uma regresso. Isso , quanto
uma reta explica dos dados?
Bom, fcil pensar que h uma parcela da variao explicada pela regresso, ou
seja, aqueles parmetros que ns estimamos devem explicar parte da variao real
nas observaes da amostra, excluda a parte explicada pelos resduos.
-Professor, no entendi nada!
Ok. Acho que esta parte que fica mais intuitiva com a matemtica. E a, qual a
expresso que vocs acham que representa a parcela explicada por uma
regresso? Claro que :
Dado que constante, ela no compe a parte da varincia explicada. Assim, com
o intuito de se definir uma expresso para a varincia explicada pode-se descart-
la:
Portanto, trata-se da parte estimada da reta que d o valor previsto de y para cada
x, que costumeiramente descrita como a varivel dependente com um acento
circunflexo em cima.
E a parte no explicada?
evidente que a soma de ambas as equaes geram a equao de reta original,

com a soma do comportamento dos resduos com a parte explicada. Assim,
precisaramos somar tais expresses para encontrar o total e, a partir da, tentar
entender como cada uma destas parcelas compem a tal parcela.

Mas, sabendo-se que os resduos tem soma igual a zero, o estudo ser feito com
base na soma dos quadrados dos resduos e, por conseqncia, com base na
soma dos quadrados explicados e na soma dos quadrados totais.
Vamos, primeiro, pelo mais fcil. A soma dos quadrados totais (SQT) :
( )
Segue-se a Soma dos Quadrados Explicados (SQE):
( ) ( )
E a Soma dos Quadrados dos Resduos (SQR):
Vocs esto entendendo o que ns estamos fazendo? Em termos bem leigos, ns

estamos decompondo o quanto uma regresso consegue explicar de quanto ela no
consegue! Ser que voc consegue pensar em um jeito de dizer, em termos
percentuais, o quanto uma regresso consegue explicar de uma srie de dados, ou
seja, o quanto a regresso estimada se aproxima do real processo gerador de
dados (equao (1))?
Beleza! A resposta fcil mesmo e dada por:

Este o famoso R ou coeficiente de determinao. Ele determina o quanto a

regresso est conseguindo refazer da srie original a partir de valores estimados.
Assim, a regresso ser bem ajustada quanto mais prximo este coeficiente se
aproximar de 1. Ou seja, um valor de 0,97 indica que a regresso estimada 97% da
varincia de y explicada por x.
Vocs se lembram do coeficiente de correlao amostral nas aulas de estatstica?

Ento, pode-se demonstrar que:
| |
Esta , somente, uma das formas de se encontrar o R. Mas, ela j caiu vrias
vezes, ento, meus amigos, vou simplificar para vocs: decorem! No exerccio (10),
vou ensinar outra forma importante tambm. Mas, aconselho tentar faz-lo primeiro!
Agora podemos partir para a anlise da tabela ANOVA. A partir da definio de

SRT, SQT e SQE, iremos construir uma tabela que indica como as parcelas
decompostas variam ao redor da mdia da regresso como um todo e se todos os
coeficientes em conjunto tem capacidade de explicar a regresso, o que ser mais
til a partir da prxima aula, conforme veremos a seguir.
Esta tabela chamada de ANOVA e tem o seguinte formato:
Quadrados
Soma dos Quadrados Graus de Liberdade Teste F
Mdios
SQE K
SQR Nk1
SQT N1

Sendo N o nmero de observaes da amostra e k o nmero de variveis

explicativas na regresso, assim, no caso da regresso simples, k = 1.
Novamente pessoal, vamos nos lembrar das aulas de Estatstica do Estratgia.

Sendo SQR a soma dos quadrados dos resduos e sua mdia igual a zero, se ns
dividirmos tal expresso pelos seus graus de liberdade, o que teramos?
O que isso? No a varincia? Exatamente! Trata-se de uma medida no

tendenciosa da varincia dos erros. Portanto, o quadrado mdio dos resduos
iguala a varincia dos erros. O mesmo pode ser dito com relao ao coeficiente
SQE/k, haja vista o mesmo medir tambm uma varincia, mas a varincia
explicada.
Bom, ns j temos a varincia dos erros e a varincia explicada pela regresso,

dada por , portanto cabe questionar: ser que a esta regresso faz sentido?
No entendeu? Vamos l. Ns poderamos encontrar uma regresso na qual os

quadrados mdios dos resduos (varincia dos erros) representam a maior parte da
variabilidade da regresso, invalidando a representatividade da regresso como um
processo que poderia ter gerado aquelas variveis explicadas. Assim, a parte que
se constitui como uma reta (bx) s explicou alguma parte da varivel explicada por
coincidncia, isto , sem significncia estatstica.
Como ns podemos verificar isso? Novamente, lembrem-se das aulas de

Estatstica, agora, no caso, do teste F. S para lembrar, o teste F um teste
estatstico que visa comparar varincias e se a diferena entre ambas
estatisticamente significante. Analiticamente, sob a hiptese nula, o quociente entre
dois quadrados mdios, isso , entre duas varincias, segue uma distribuio F.
A ttulo de ilustrao vamos nos utilizar da tabela ANOVA que ns construmos.

Portanto:

Sob a hiptese nula de que estas duas varincias so iguais, a estatstica de teste
segue uma distribuio F com k graus de liberdade no numerador e N - k 1 graus
de liberdade no denominador.
O que voc est buscando? Bom, quando voc estima uma regresso, voc busca
encontrar uma relao estatisticamente significante que explique o fenmeno que
est em estudo. Assim, se voc concluir que no h como rejeitar a hiptese nula
de que a varincia explicada pela sua regresso igual varincia dos resduos, na
verdade, voc no encontrou nada! Isso deriva do fato de que, se isso aconteceu,
muito provvel que toda parcela que voc conseguiu explicar da varivel
dependente foi por acaso, o que deve ter acontecido somente em virtude da
variao dos erros e no de uma especificao correta de uma reta. Ou seja, toda
sua regresso no tem grande validade em termos de explicar a dinmica da
varivel dependente em estudo.
Portanto, o teste F aplicado ao estudo de regresso equivalente a um teste de

hipteses conjunto de que todos, ou parte de todos, os coeficientes tm valor igual
a zero.
pessoal, o buraco mais embaixo mesmo! Olhe s

isso: o teste F um teste de comparao de varincias, porm o mesmo pode
ser utilizado para fazer testes sobre mdias.
Isso possvel se voc pensar em termos de desvios de uma mdia. Veja, por
exemplo, o caso em que voc queira testar a diferena da produtividade mdia de
vrias empresas. Primeiramente, voc vai dividir estas empresas por grupos de
atividade e a sua suposio inicial ser de que no h diferenas na mdia de
produtividade entre os diversos setores. Assim, voc pode decompor a variabilidade
das produtividades encontradas com relao mdia em duas parcelas:
Desvio da Mdia total (DM) = DM dentro do Setor + DM entre Grupos
Assim, ns iramos avaliar se o quanto as observaes esto desviando das mdias

dos seus respectivos grupos (dentro de cada setor) se iguala aos desvios que as
mdias dos grupos esto tendo com relao mdia do somatrio de todos os
grupos, ou seja, da mdia de toda a amostra (mdia da economia em anlise)!

Ento, se voc concluir que no h diferena entre estes dois desvios equivalente
a dizer que as mdias de todos os grupos so iguais.
Entenderam o conceito do problema? Mas, como se utilizar do teste F para se

chegar a tal diagnstico, afinal, o teste F para comparao de varincias. Mas,
ateno, qual a varivel em anlise aqui? isso mesmo, o desvio com relao
mdia. Por suposio, vamos trabalhar com uma varivel x:
Ok. E se ns fizermos a soma dos quadrados de DM ?
( )
Se ns dividirmos tal expresso pelos seus graus de liberdade, isso no a

varincia? Exatamente!
Assim, ao se utilizar da Soma dos Quadrados dos DM entre setores como nosso
SQE e da Soma de Quadrados dos DM dentro dos setores como nosso SQR,
podemos construir a tabela ANOVA. A anlise desta tabela e do teste F nos permite
inferir se h diferenas entre os quadrados destes dois desvios, que nada mais
que a varincia. Caso no seja possvel rejeitar a hiptese nula de que as varincias
so iguais, voc concluiu que as mdias dos setores so iguais mdia da amostra
e, portanto, iguais entre si.
Complicadinho n? Vamos fazer um exerccio para entender.
Exerccio 3.
(CESGANRIO BACEN/2010)
Fonte de Soma dos Graus de Mdia de F

Variao Quadrados Liberdade Quadrados
Fator 6752,0 2
Erro 30178,0
Total 36930,0 29
Analisando a tabela ANOVA acima, considere as concluses a seguir:

I A anlise de varincia (ANOVA) teste se vrias populaes tm a mesma
mdia; para tanto, so comparadas a disperso das mdias amostrais e a
variao existente dentro da amostra
II ANOVA indica que:
III A estatstica F, calculada com a informao da tabela acima, acima 2,651

e deve ser comparada com o valor tabelado F(2,29) para um grau de
significncia escolhido.
correto APENAS o que se conclui em:
a) I
b) III
c) I e II
d) I e III
e) II e III
Resoluo
Com base em toda aquela discusso sobre o teste F e na sua capacidade de ser
utilizado para testar se as mdias de uma determinada populao so iguais,
vejamos:
a) Verdadeiro. exatamente isso. Ns vamos comparar a disperso das mdias

amostrais, no nosso exemplo, DM entre os setores, e a variao dentro da amostra,
DM dentro do setor.
b) Verdadeiro. A hiptese nula se refere igualdade de varincias dos Quadrados

Mdios calculados na ANOVA. Assim, tal hiptese equivalente a estabelecer que
as mdias dos setores sejam iguais, no nosso exemplo. A hiptese alternativa, por
conseqncia, o seu oposto.
c) Falso. Sejam espertos, voc nem precisa calcular nada, o teste F tem seus graus
de liberdade determinados pelo nmero de graus de liberdade do numerador e do

denominador do teste, respectivamente. O teste F, no caso, deveria ser calculado
com base em SQT e SQR, que, na questo, representado pelas expresses fator
e erro, respectivamente. Assim, o teste F deve ser calculado com base nos
seguintes graus de liberdade: (2,27).
Exerccio 4
Vamos l galera, utilizando os dados do exerccio (1), construa a tabela

ANOVA para aquele caso.
Resoluo
Com base na tabela do exerccio (1), vamos definir SQT:
J para o caso de SQE:
( )
Assim, pode-se obter SQR:
Os graus de liberdade poder ser retirados diretamente do nmero de variveis

explicativas (k = 1) e do nmero de observaes na amostra (N = 20). Assim, a
tabela ANOVA fica da seguinte forma:
Soma dos Quadrados Graus de Liberdade Quadrados Mdios Teste F
30893,12 1 30893,12 896,75
620,08 18 34,45
31513,2 19 1658,59
Como o valor tabelado de F com 1 grau de liberdade no numerador e 18 no

denominador igual a 4,41, rejeita-se a hiptese nula de que a Varincia Explicada
igual Varincia dos resduos (dado que 896,75 > 4,41).

Voltando aula!
Antes de encerrarmos o assunto sobre o teste F, temos

de ressaltar uma coisa importante. A teoria estatstica por detrs da derivao do
teste exige que a varivel y seja normalmente distribuda.
Todo mundo se lembra da distribuio normal da aula de estatstica, certo? Trata-se

de uma distribuio de probabilidade, que associa determinado valor a determinada
probabilidade da seguinte forma:
J que y composto de uma parte fixa (reta) e de uma parte aleatria (erro), a
varincia da varivel explicada igual varincia do erro. Assim, a hiptese de
normalidade de y equivalente a se afirmar que o erro tem de ser normalmente
distribudo. Portanto, esta ser nossa segunda hiptese sobre o modelo de
regresso.
2 Hiptese sobre o modelo de regresso
Os erros so normalmente distribudos
Um exerccio para testar o seu conhecimento.

Exerccio 5.


Montando o quadro de anlise de varincia (ANOVA), tem-se que:
a) a variao total apresenta um valor de 62,5.
b) a variao explicada, fonte de variao devido regresso, apresenta um

valor igual a 80.
c) Dividindo a variao residual pela variao total, obtemos o coeficiente de

determinao (R).
d) o valor da estatstica F necessria para o teste da existncia da regresso

igual ao quociente da diviso da variao explicada pela variao residual.
e) a variao residual apresenta um valor igual a 17,5.

Resoluo
Vamos comear definindo SQT, SQE e SQR:
( )
Assim, chega-se ao gabarito (e). Sabe-se que a alternativa (c) est incorreta porque
o R surge da diviso da variao explicada pela total, enquanto que a alternativa
(d) advm da diviso dos quadrados mdios explicados e dos resduos e no
somente da variao.
4. Teste de hipteses sobre os coeficientes
E ai pessoal? Ainda esto a? Bom para acordar uma dica de concurseiro.
Dica de um Concurseiro
Lembrem-se, a quantidade de horas estudadas no to
importante quanto a regularidade de estudo. Voc precisa
se condicionar, acostumar seu crebro com as
informaes. O que eu quero dizer : no adianta estudar
12 horas em um dia e depois ficar 2 semanas sem
estudar. Voc vai perder o ritmo. Tente ter alguma
regularidade nos seus estudos. Crie uma rotina. Viva,
coma e respire concurso pblico. No estou dizendo que
uma boa rachada no ajuda, s estou pregando a
necessidade de uma regularidade no planejamento de
seus estudos. Isso o bsico da teoria da Administrao:
primeiro planejar, depois executar. Isso serve para
concursos.
Bom, vamos l!
Na ltima seo ns vimos como o teste F avalia a hiptese conjunta de que todos
os coeficientes tm valor igual a zero. Agora vamos avaliar a significncia estatstica
dos coeficientes, um por um. Com efeito, vamos avaliar a significncia estatstica de
b isoladamente, tal como na equao (2)

- Pera professor, mas voc acabou de ensinar a aplicao do teste F na regresso
simples e disse que ele avalia a hiptese nula de que todos os coeficientes so
iguais a zero, ou seja, b igual a zero. Ento qual a diferena deste teste de
hipteses para o teste F?
Se voc pensou isso, parabns! J est a caminho de ser um grande analista do

BACEN.
Pois , realmente, no caso da regresso linear simples no h diferena. Mas, a

regresso simples no a nica forma de regresso possvel. Ns estudaremos a
partir da prxima aula a regresso mltipla, que, no caso, depende de mais de um x.
Por exemplo:
Assim, por exemplo, as vendas de uma empresa podem ser funo no somente
dos gastos em propaganda, mas tambm do investimento em treinamento de
pessoal, da parcela do mercado dominada por ela, etc. Este um caso de
Regresso Linear Mltipla.
Neste caso, fcil perceber que o resultado do teste F no equivalente ao

encontrado nos testes de hiptese sobre b. O teste de hipteses sobre os
coeficientes analisa a significncia estatstica de cada coeficiente isoladamente,
enquanto que o teste F analisa a significncia estatstica conjunta de todos os
coeficientes ao mesmo tempo.
Ento meus amigos, agora que vocs entenderam o porqu do teste de hipteses,
alm do teste F, vamos entender como operacionaliz-lo.
Novamente, vamos nos lembrar das aulas de estatstica. Mas, vamos dar uma
pincelada de forma genrica primeiro.
A idia bsica do teste de hipteses afirmar se a ocorrncia de um evento tem

uma probabilidade estatstica significante, dado um valor de significncia, ou seja,
um valor que seria considerado muita coincidncia.
Vamos para um exemplo prtico de nossa aula. Com base na nossa amostra e na
regresso estimada, ser que os gastos em propaganda realmente afetam as
vendas da empresa? Isso seria equivalente a estipular duas hipteses, uma
hiptese nula ( ) e outra alternativa ( ) de tal forma que:

A estatstica de teste deve ser calculada da seguinte forma:
Sendo s o valor estimado para o desvio padro do parmetro, que, por se tratar de
uma amostra, desconhecida.2
A estimativa para a varincia de b dada por:
( )
Ao calcular a estatstica de teste, cabe compar-la com o valor tabelado da

distribuio t de Student, distribuio esta que utilizada para os casos em que a
varincia populacional no conhecida. Assim, preciso fazer o clculo acima e
consultar tabela t com N-k-1 graus de liberdade e com a significncia estatstica que
voc achar conveniente.3 Olhe o grfico abaixo.
2
Lembrem-se, o desvio padro igual raiz quadrada da varincia.
A consulta na tabela ir depender dos graus de liberdade dos quadrados mdios dos resduos e da
3
significncia estatstica que o pesquisador achar relevante, como 5%, por exemplo, o que se escreve como
t(N-k-1, 5%).

Caso o valor calculado seja inferior ao valor tabelado, isto significa que no
possvel rejeitar a hiptese nula de que o coeficiente da reta igual a zero,
situando-se dentro da rea branca do grfico acima. Olha pessoal, o que se est
dizendo com isso que, dado um valor considerado improvvel (rea cinza), a
estatstica nos permite dizer se este valor est dentro destes padres esperados.
Caso o valor calculado supere o valor tabelado (rea cinza grfico), rejeita-se a
hiptese nula de que o coeficiente igual a zero. Ou seja, como aquele cantinho
improvvel no caso de a hiptese nula ser verdadeira e como a estatstica de teste
nos diz que o valor encontrado est l, a hiptese nula deve estar errada.
Entenderam?
A idia bsica deste teste de hipteses sobre os parmetros da regresso avaliar

se estes ltimos apresentam significncia estatstica. Se o teste de hipteses indicar
que o parmetro da equao (2) tem valor igual a zero, deve-se pensar em outra
forma funcional, com outra(s) varivel(is) explicativa(s), para explicar a varivel y.
Em outras palavras, uma concluso deste tipo indica que os gastos em propaganda
no afetam as vendas, devendo-se excluir tal varivel.
Vamos lembrar a aula de estatstica de novo? H uma coisa importante demais para
se saber. Respondam-me: o que o p-valor? Bom, vocs tm que me responder
o seguinte:
- Professor, eu aprendi tudo no curso de estatstica do Estratgia Concursos! O p-

valor o menor nvel de significncia ao qual a hiptese nula pode ser rejeitada.
O que isso?
Vejamos, se voc obtm um valor de 0,04 para seu p-valor, isso significa que a
hiptese nula pode ser rejeitada a 4% de significncia. Mas, se voc escolheu 5%
como seu nvel de significncia, ou seja, voc definiu que 5% muita coincidncia,
voc deve rejeitar a hiptese nula. Entenderam? Dem uma pensada, olhe seus
materiais de estatstica, matutem! Matutar parte do estudar!
isso a pessoal. Vamos fazer exerccios?

(ESAF Agente Fiscal de Tributos Estaduais SEFAZ PI) Um investigador

toma uma amostra de 10 carregamentos levados a efeito em caminhes de
uma firma de transporte. Para cada carregamento (i) anota a distncia
percorrida pelo caminho em 1.000 Km (X(i)) e o tempo de entrega do
carregamento em dias (Y(i)). Neste contexto postula que o modelo de
regresso linear
Y(i) = + X(i) + (i), i = 1, 2...10
se ajusta a suas observaes, onde e so parmetros desconhecidos e os

(i) so componentes estocsticas (resduos) no diretamente observveis,
no correlacionadas, com mdia zero e varincia > 0.
Foram encontradas as estatsticas seguintes no ajuste do modelo de

regresso linear:
X(i) = 8;
X(i) = 12
X(i)*Y(i) = 26
Y(i) = 29
Y(i) = 100
Com base nessas informaes responda:
Exerccio 6
Assinale a opo que corresponde estimativa do aumento esperado no

tempo de entrega decorrente da adio de 1.000km na distncia percorrida.
a) 0,5 dias
b) 1,0 dias
c) 3,0 dias
d) 5,0 dias
e) 4,5 dias

Resoluo
Novamente pessoal, vamos se lembrar da frmula que define o parmetro b.
Sabendo-se que:
( )

Assim, vamos estimar o parmetro:
Dado que o X medido em 1.000 km, o aumento previsto de uma unidade, o que
gera um aumento no tempo de entrega de 0,5 dias.
Exerccio 7
Assinale a opo que corresponde estimativa de mnimos quadrados do

parmetro .
a) 1,77
b) 1,81
c) 0,40
d) 1,22
e) 1,13
Resoluo
Mesma coisa que fizemos anteriormente, que determinar o quadrado mdio do

resduo. Isso ser feito da seguinte forma:

( )
( ) ( )
Portanto, SQR = SQT SQE = 14,5.
Assim:
Exerccio 8
(IBGE 2002 Analista Socioeconmico) Numa regresso linear simples, o

coeficiente de determinao representa:
a) a mdia da soma dos quadrados dos desvios
b) a soma dos quadrados dos resduos
c) a raiz quadrada do coeficiente de correlao amostral
d) a varincia dos dados
e) a porcentagem da variao total dos dados que explicada pela regresso
Resoluo
Bom pessoal, basta ler a definio do R que ns chegaremos facilmente

alternativa (e). Com o que ns j sabemos, d para responder tranquilamente.
Entretanto, quero destacar a alternativa (c). Vocs j sabem que:
Coeficiente de determinao = (coeficiente de correlao amostral)

Exerccio 9
(SUSEP 2010 Aturia) A partir de uma amostra aleatria [x(1), y(1)], [x(2),
y(2)]...[x(20), y(20)] foram obtidas as estatsticas:
Mdia de X = 12,5
Mdia de Y = 19
Varincia de X = 30
Varincia de Y = 54
Covarincia entre X e Y = 36
Calcule a reta de regresso estimada de Y contra X.
a) Y = 19 + 0,667*X
b) Y = 12,5 + 1,2*X
c) Y = 4 + 1,2 X
d) Y = 19 + 1,2 X
e) Y = 80 + 22,8X
Resoluo
Vamos l!
( )
( )
Com base neste resultado:
( ) ( )
Assim:

Exerccio 10
(SUSEP 2010 Aturia) Com os dados da questo anterior, determine o valor

da estatstica F para testar a hiptese nula de que o coeficiente angular da reta
do modelo de regresso linear simples de Y contra X igual a zero.
a) 144
b) 18
c) 36
d) 72
e) 48
Resoluo
Bom, essa complicada. Agora vamos ter que para pensar um pouquinho. Vamos
nos relembrar de como calculada a estatstica F:
Se ns dividirmos o numerador e o denominador pelo mesmo nmero, o total da

frao permanece a mesma. Assim, vamos dividir os dois membros por SQT:
( ) ( )
( )
( ) ( )
Viram? Esta uma forma muito importante de se definir o clculo do R. Decorem!
Agora fica fcil.
O SQT da regresso a prpria varincia de y, enquanto que ( ).

Assim:

( ) ( )
Calculando a estatstica F, chega-se a:
Exerccio 11
(ESAF AFRFB 2009) Na anlise de regresso linear simples, as estimativas
e dos parmetros e da reta de regresso podem ser obtidas pelo

mtodo de Mnimos Quadrados. Nesse caso, os valores dessas estimativas
so obtidos atravs de uma amostra de n pares de valores com (i = 1,
2,....,n), obtendo-se: , onde a estimativa de .

Para cada par de valores com (i = 1, 2,...,n) pode-se estabelecer o desvio
ou resduo - aqui denotado por - entre a reta de regresso e sua
estimativa . Sabe-se que o Mtodo de Mnimos Quadrados consiste em

adotar como estimativas dos parmetros e os valores que minimizam a
soma dos quadrados dos desvios . Desse modo, o Mtodo de Mnimos
Quadrados consiste em minimizar a expresso dada por:
a)
b)
c)
d)
e)

Resoluo
Pessoal, o que faz o mtodo do MQO?
Isso mesmo! Ele minimiza a soma dos quadrados dos resduos. Portanto, fcil
perceber que a expresso que mostra isso, dada a notao usada na questo, :
[ ( )] ( )
O gabarito (a), mas est incorreto, pois deveria haver um sinal de + antes de .
Portanto, foi anulada.

Lista das questes Apresentadas com Gabarito
Exerccio 2


Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previso
do lucro bruto anual, em mil reais, ser de:
a) 158
b) 128,4
c) 121
d) 102,5
e) 84

Exerccio 3.
(CESGANRIO BACEN/2010)
Fonte de Soma dos Graus de Mdia de F

Variao Quadrados Liberdade Quadrados
Fator 6752,0 2
Erro 30178,0
Total 36930,0 29
Analisando a tabela ANOVA acima, considere as concluses a seguir:
I A anlise de varincia (ANOVA) teste se vrias populaes tm a mesma

mdia; para tanto, so comparadas a disperso das mdias amostrais e a
variao existente dentro da amostra
II ANOVA indica que:
III A estatstica F, calculada com a informao da tabela acima, acima 2,651

e deve ser comparada com o valor tabelado F(2,29) para um grau de
significncia escolhido.
correto APENAS o que se conclui em:
a) I
b) III
c) I e II
d) I e III
e) II e III

Exerccio 5.


Montando o quadro de anlise de varincia (ANOVA), tem-se que:
a) a variao total apresenta um valor de 62,5.
b) a variao explicada, fonte de variao devido regresso, apresenta um

valor igual a 80.
c) Dividindo a variao residual pela variao total, obtemos o coeficiente de

determinao (R).
d) o valor da estatstica F necessria para o teste da existncia da regresso

igual ao quociente da diviso da variao explicada pela variao residual.
e) a variao residual apresenta um valor igual a 17,5.

(ESAF Agente Fiscal de Tributos Estaduais SEFAZ PI) Um investigador
toma uma amostra de 10 carregamentos levados a efeito em caminhes de
uma firma de transporte. Para cada carregamento (i) anota a distncia
percorrida pelo caminho em 1.000 Km (X(i)) e o tempo de entrega do
carregamento em dias (Y(i)). Neste contexto postula que o modelo de
regresso linear
Y(i) = + X(i) + (i), i = 1, 2...10
se ajusta a suas observaes, onde e so parmetros desconhecidos e os

(i) so componentes estocsticas (resduos) no diretamente observveis,
no correlacionadas, com mdia zero e varincia > 0.
Foram encontradas as estatsticas seguintes no ajuste do modelo de

regresso linear:
X(i) = 8;
X(i) = 12
X(i)*Y(i) = 26
Y(i) = 29
Y(i) = 100
Com base nessas informaes responda:
Exerccio 6
Assinale a opo que corresponde estimativa do aumento esperado no

tempo de entrega decorrente da adio de 1.000km na distncia percorrida.
a) 0,5 dias
b) 1,0 dias
c) 3,0 dias
d) 5,0 dias
e) 4,5 dias

Exerccio 7
Assinale a opo que corresponde estimativa de mnimos quadrados do

parmetro .
a) 1,77
b) 1,81
c) 0,40
d) 1,22
e) 1,13
Exerccio 8
(IBGE 2002 Analista Socioeconmico) Numa regresso linear simples, o

coeficiente de determinao representa:
a) a mdia da soma dos quadrados dos desvios
b) a soma dos quadrados dos resduos
c) a raiz quadrada do coeficiente de correlao amostral
d) a varincia dos dados
e) a porcentagem da variao total dos dados que explicada pela regresso
Exerccio 9
(SUSEP 2010 Aturia) A partir de uma amostra aleatria [x(1), y(1)], [x(2),
y(2)]...[x(20), y(20)] foram obtidas as estatsticas:
Mdia de X = 12,5
Mdia de Y = 19
Varincia de X = 30
Varincia de Y = 54
Covarincia entre X e Y = 36

Calcule a reta de regresso estimada de Y contra X.
a) Y = 19 + 0,667*X
b) Y = 12,5 + 1,2*X
c) Y = 4 + 1,2 X
d) Y = 19 + 1,2 X
e) Y = 80 + 22,8X
Exerccio 10
(SUSEP 2010 Aturia) Com os dados da questo anterior, determine o valor

da estatstica F para testar a hiptese nula de que o coeficiente angular da reta
do modelo de regresso linear simples de Y contra X igual a zero.
a) 144
b) 18
c) 36
d) 72
e) 48
Exerccio 11
(ESAF AFRFB 2009) Na anlise de regresso linear simples, as estimativas
e dos parmetros e da reta de regresso podem ser obtidas pelo

mtodo de Mnimos Quadrados. Nesse caso, os valores dessas estimativas
so obtidos atravs de uma amostra de n pares de valores com (i = 1,
2,....,n), obtendo-se: , onde a estimativa de .

Para cada par de valores com (i = 1, 2,...,n) pode-se estabelecer o desvio
ou resduo - aqui denotado por - entre a reta de regresso e sua
estimativa . Sabe-se que o Mtodo de Mnimos Quadrados consiste em

adotar como estimativas dos parmetros e os valores que minimizam a
soma dos quadrados dos desvios . Desse modo, o Mtodo de Mnimos
Quadrados consiste em minimizar a expresso dada por:
a)
b)
c)
d)
e)

Gabarito
2-d
3-c
5-e
6-a
7-b
8-e
9-c
10 - d
11 - a
isso a pessoal.
Logo estaremos de volta. Pratiquem! Este o caminho.
Precisando s chamar. Vou fazer o possvel para atender rapidamente s suas

perguntas.
Um forte abrao.
jeronymo@estrategiaconcursos.com.br

Aula 00 PDF

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 00 PDF

Enviado por

Direitos autorais:

Formatos disponíveis

Econometria para o BACEN

Teoria e exerccios comentados

AULA 00: REGRESSO SIMPLES

1. Introduo ao Mtodo de Regresso 5

2. Estimao com base em amostra e Mtodo dos Mnimos

4. Teste de hipteses sobre os coeficientes 25

5. Lista das questes apresentadas com gabarito 36

- Mas, afinal de contas, quem voc professor?

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 43

- Professor, verdade que s pessoas com mestrado e doutorado passam no

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 43

ECONOMETRIA: 1. Regresso simples e mltipla. 2. Modelos com variveis

- Que edital pequeno! Vai ser fcil

Primeiro a ruim. Esta matria muito complexa, exigindo conhecimentos prvios de

Agora a boa. Vocs vo aprender! Eu no estou sugerindo, estou afirmando. A

Uma estratgia de anlise interessante olhar os dois ltimos editais de um

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 43

O cronograma do curso ser o seguinte:

AULA MATRIA DATA

00 Regresso Simples 18/02/2013

Regresso Mltipla e 05/03/13, 19/03/2013,

Modelos com Variveis

08 Nmeros ndices 11/06/2013

Pessoal, no se preocupem!!! Caso a prova ocorra antes de 11/06/2013, eu

Bom, chega de papo, vamos trabalhar!

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 43

1. Introduo ao mtodo de Regresso

Pessoal, hora de forar a memria escolar e lembrar o que uma funo, ou

a)Vendas de uma empresa e gastos em propaganda;

b)Aumento de peso de uma pessoa e quantidade de comida ingerida;

c)Valor da conta de energia e nmero de equipamentos eltricos em uma casa.

Se chamarmos a primeira varivel de cada item de y e a segunda de x,

O que quer dizer y funo de x, ou que as vendas de uma empresa uma

Ou, genericamente, para qualquer valor que pudesse substituir 2 e 3 na equao

Este um exemplo de uma funo linear, dado que o expoente de x 1. (lembrem-

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 43

Porque, meus queridos alunos, um dos principais objetivos da econometria

O processo de encontrar a relao entre y e x chamado de Regresso e,

A reta representada pela equao (1) e os pontos so os valores que y assume

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 43

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 43

1 hiptese sobre o modelo de regresso:

Ou seja, estes erros so supostamente aleatrios, ento a teoria economtrica nos

2. Estimao com base em amostra e Mtodo dos Mnimos Quadrados

Populao = conjunto de todos os elementos que

Ateno, at agora falamos de uma regresso com a populao, ou universo, das

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 43

- T bom Professor, mas, afinal de contas, como se estima uma regresso?

Sendo que o travesso sobre determinada varivel representa o valor mdio da

Assim, b pode ser encontrado pelo somatrio da multiplicao de cada

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 43

No caso da segunda equao, que define (tambm chamado de intercepto), h

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 43

Bom, primeiramente, vamos encontrar alguns dados necessrios para a resoluo.

Vamos aplicar a frmula:

Com base no resultado acima, podemos calcular:

Portanto, a reta estimada por meio de MQO :

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 11 de 43

Pessoal, vocs esto entendendo o que representa cada coeficiente? Pense um

Cabe destacar a diferena entre erros e resduos. Os erros so decorrentes dos

Ento, estes parmetros so a verso estimada dos parmetros na equao (1).

Assim, os resduos so:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 12 de 43