Você está na página 1de 11

Universidade Federal de Minas Gerais

Faculdade de Ciências Econômicas


Econometria-I

Relatório:
“Primeira aula prática”

Andrea C. Melo

Belo Horizonte
2010
Modelo de Regressão Linear

O modelo de Regressão Linear Simples é utilizado para estudar a relação


entre duas variáveis, X e Y, representando uma população. Sendo X a variável
independente ou explicativa e Y a variável dependente ou explicada. Com a
dificuldade em conter dados completos da população a ser estudada, a idéia básica
da regressão é estimar os parâmetros populacionais a partir de uma amostra. O
objetivo é descobrir se há uma relação de dependência entre as duas variáveis e se
o efeito é de causalidade entre elas. Podemos escrever uma equação que relaciona
x e y:

Y = β0 + β1X

Onde: Y é a variável dependente ou explicada

X é a variável independente ou explicativa

Β0 é o intercepto

Β1 é a inclinação da reta

u é o termo de erro

Obs1: u é o termo de erro da relação e representa todos os fatores que além


de X afetam Y.

pré-supostos para a realização da estimação dos parâmetros:

• O valor médio de u, o termo de erro, na população é 0. Ou seja: E(u) = 0

• Assumir que u e X são não-relacionados.

E (u|X) = E(u) = 0

• Supor que os erros possuem a mesma variabilidade em todos os níveis da


variável X. (homocedasticidade).

Var(u|X) = δ²

A partir disso pode-se afirmar que:

E(Y|x) = β0 + β1X
y
f(y
)

.E(y|x) = β +
.
0
β 1x

x1 x2

E(y|x) como uma função linear de x, onde, para

qualquer x, a distribuição de y é centrada em E(y|x)

Portanto, podemos reescrever a equação da regressão como:

Y = β0 + β1X ou

Β0 = Y – β1X

Através de operações matemáticas, obtemos:

∑( X − X )(Y − Y ) = βˆ
i i

∑( X − X )
2 1
i

Desta forma, estimamos a reta da regressão:

 Intuitivamente, MQO está ajustando uma reta através de pontos amostrais


tal que a soma dos quadrados dos resíduos seja a menor possível (daí o
termo mínimos quadrados)
 O resíduo, û, é uma estimativa de um termo de erro, u, e é a diferença
entre a reta ajustada (função de regressão amostral) e o ponto amostral
observado.
Podemos pensar em cada observação como feita de

uma parte explicada e uma não explicada,
yi = yˆ i +uˆi
Podemos definir então :
∑( y − y ) =soma dos quadrados total (SQT)
2
i

∑( yˆ − y ) =soma dos quadrados explicada (SQE)


2
i

∑uˆ =soma dos quadrados dos resíduos (SQR)


2
i

Então : SQT = SQE + SQR

 Podemos calcular a fração da soma de quadrados total (SQT) que é


explicada pelo modelo; este é o R2 da regressão

 R2 = SQE/SQT = 1 – (SQR/SQT)

Os exercícios deste relatório foram realizados no Excel e tiveram como


objetivo estudar o modelo de regressão linear simples.

Exercício 1:

Neste exercício, tendo como base o tema A Desigualdade de Renda e Crescimento


Econômico, e utilizando a base de dados exercicio2_1.xls, do Excel, realizamos os
cálculos primários para a estimação da reta de regressão linear. O objetivo desta
atividade é estimar uma relação entre o índice de GINI ( que Mede o grau de
desigualdade existente na distribuição de indivíduos segundo a renda domiciliar per
capita. Seu valor varia de 0, quando não há desigualdade -a renda de todos os
indivíduos tem o mesmo valor-, a 1, quando a desigualdade é máxima -apenas um
um indivíduo detém toda a renda da sociedade e a renda de todos os outros
indivíduos é nula) e o PIB per capita. Cabe descobrir como essa relação ocorre, se
há uma causalidade, qual o impacto da variação de uma unidade de X sobre Y
(medido por β1 na equação de regressão). Temos, então, a tabela com os cálculos
básicos:
∑ Xi = 1549624,0 ∑Yi = 5667,4

Média de Xi = X = 11.148 Média de Yi = Y = 40,8

∑(Xi-X)(Yi-Y) = -9868385,278 ∑(Xi-X)²= 43767676025

β1= -0,000225 β0= 43,28631

∑ ûi²= 9434,332 Var(û)=δ²= 68,86373

R² = 0,190837

Dessa forma, estima-se a regressão:

Indice de Ginii = β 0 + β 1PIBpci + ui

Utilizando toda a colocação citada anteriormente, obtemos os estimadores β0 e β1.

β 1 estimado = - 0,000225
β 0 estimado = 43,28

Então:

Y = 43,28 - 0,0002 X

Podemos concluir que em uma variação de U$ 1.000 na renda per capita, varia em
aproximadamente 0,2 o índice de GINI, ou seja, quanto maior a renda per capitã,
menor é o índice de GINI. E que o índice de GINI para os paises que possuem
renda iguais a zero é de aproximadamente 43,28% ou 0,43, o que não é
verossímil, mas deve ser encarado como um ajuste do modelo.
Curva de Kuznets

80,0
70,0
Índice de Gini

60,0
50,0 Y Índice de Gini

40,0
Linear (Y Índice de
30,0
Gini)
20,0
10,0
0,0
0 50.000 100.000 150.000
PIB per capita

O gráfico de dispersão dos pares formados pelas variáveis X e Y, mostrado acima


revelou uma tendência linear negativamente inclinada (descendente), o que indica
a hipótese de que o aumento na renda per capita se relaciona inversamente com o
aumento do índice de GINI.

Em seguida, calculamos a variancia do erro ( σ̂ 2):

σ̂ =
2 ∑u i
2
SQR = soma dos quadrados dos resíduos ou SQR
i =1
=
n−2 n−2
graus de liberdade

Essa variância deve ser a menor possível, ou seja, a distribuição dos fatores não
observados que afetam o Indice deve ser o menos dispersa possível, pois nesse
caso a variância do erro também diminuiria e o estimador se tornaria mais
confiável.

No exercício, temos:

δ²(estimada) = 68,86373,

o que indica um alto grau de variância do erro.

O R² indica o grau de ajuste do modelo, e nesse caso, representa um valor de


0,190837. O que significa que a variação de um ponto por cento na renda per capita
explica 19 pontos por cento da variação no Índice de GINI.
Exercício 2:

Neste exercício foram estimados os parâmetros da relação entre a taxa de variação


de indigentes e a taxa de crescimento da renda per capita para dois estados
brasileiros, bem como a taxa de variação do numero de pobres e a taxa de
crescimento da renda per capita, tomando com base os cálculos e explicações
anteriores. Os Estados escolhidos foram Minas Gerais e Bahia.

• Relação entre a Taxa de variação de Indigentes e a Renda, em MG.

∆indigentes = β0 + β1[∆crescrpc]

β1 estimado = -0,4412
β0 estimado = 1,289993

∆indigentes = 1,289993+ -0,4412[∆crescrpc]

Variação da proporção de indigentes X Crescimento da


renda per capita
Minas Gerais

3,000
Taxa de variação
da proporção de

2,500
indigentes

2,000
y
1,500
Linear (y)
1,000
0,500
0,000
0,00 1,00 2,00 3,00 4,00
Taxa de crescimento da renda per capita

O gráfico de dispersão dos pares formados pelas variáveis X e Y, mostrado acima


revelou uma tendência linear negativamente inclinada (descendente). Ou seja, com
o aumento da taxa de crescimento da renda per capita no estado de MG, há uma
diminuição na taxa de proporção de indigentes.

Variâncias dos resíduos e dos betas estimados:

δ²(estimada) = 0,04488

A variância dos resíduos é um valor baixo, significando que, quando colhida uma
outra amostra, a variabilidade dos coeficientes encontrados será baixa. Podemos
concluir a partir da equação de regressão que a variação de uma unidade (R$ 1,00)
da renda implica na alteração de 0,4412 a menos no numero de indigentes.
O R² estimando para esse modelo gerou um resultado de 0,246495, indicando que
a variação na renda per capita em um ponto percentual explica 24,64% da
variação na taxa de proporção de indigentes no estado.

• Relação entre a taxa de variação de pobres e a Renda, em MG.


∆pobres = β0 + β1[∆crescrpc]

β1 estimado = -0,27928

β0 estimado = 1,124258

∆pobres = 1,124258 - 0,27928[∆crescrpc]

Variação da proporção de pobres X Crescimento da


renda per capita
Minas Gerais

1,500
Taxa de variação
da proporção de

1,000
pobres

y
Linear (y)
0,500

0,000
0,00 1,00 2,00 3,00 4,00
Taxa de crescimento da renda per capita

Como no caso anterior, o gráfico de dispersão dos pares formados pelas variáveis X
e Y, mostrado acima revelou uma tendência linear negativamente inclinada
(descendente). Ou seja, com um aumento na taxa de crescimento da renda per
capita, a taxa de variação na proporção de pobres para o estado de MG, diminui.

Variância dos resíduos estimada:

δ²(estimada) = 0,017307

A variância dos resíduos continua sendo um valor baixo. Podemos concluir a partir
da equação de regressão que a variação de uma unidade (R$ 1,00) da renda
implica na alteração negativa de 0,27928 na taxa de variação de pobres.

O R² estimado para esse modelo resultou o valor de 0,253683, indicando que uma
variação na taxa de renda per capita explica 25,36% da variação na taxa de
proporção de pobres no estado.

• Relação entre a Taxa de variação de Indigentes e a Renda, no estado da BA.

∆indigentes = β0 + β1[∆crescrpc]

β1 estimado = -0,29992201
β0 estimado = 1,205554604

∆indigentes = 1,2055 - 0,2999[∆crescrpc]

Variação da proporção de indigentes X


Crescimento da renda per capita Para o Estado da
Bahia
2,500
taxa Variação da

2,000
proporção de

Seqüência1
Indigentes

1,500
Linear
1,000 (Seqüência1)
0,500

0,000
0,00 1,00 2,00 3,00 4,00
taxa Cresc Renda Per capita

O gráfico de dispersão dos pares formados pelas variáveis X e Y, mostrado acima


revelou uma tendência linear negativamente inclinada (descendente), o que nos
mostra que quanto maior for a taxa de crescimento da renda per capita, menor
Taxa de variação da proporção de indigentes da população.

Variância dos resíduos estimada:

δ²(estimada) = 0,01600309

A variância dos resíduos continua sendo um valor baixo, significando que, quando
colhida outra amostra, a variabilidade dos coeficientes encontrados será baixa.
Podemos concluir a partir da equação de regressão que a variação de uma unidade
na taxa de crescimento da renda per capita implica na alteração negativa de 0,2999
na taxa de variação da proporção de indigentes.

O R² estimado para esse modelo resultou o valor de 0,3003, indicando que uma
variação na taxa de renda per capita explica 30,03% da variação na taxa de
proporção de indigentes no estado.

• Relação entre a taxa de variação de pobres e a Renda, no estado da BA.

∆pobres = β0 + β1[∆crescrpc]

β1 estimado = -0,151736627
β0 estimado = 1,064334366

∆pobres = 1,0643 - 0,1517 [∆crescrpc]


Variação da taxa de proporção de Pobres X Cresc
PIB Per Capita Para o Estado da Bahia

1,600

proporção de pobres
Taxa de variação da
1,400
1,200
1,000
Seqüência1
0,800
0,600 Linear (Seqüência1)
0,400
0,200
0,000
0,00 1,00 2,00 3,00 4,00
Taxa Cresc Renda Per Capita

Como no caso de MG, o gráfico de dispersão dos pares formados pelas variáveis X e
Y, mostrado acima revelou uma tendência linear negativamente inclinada
(descendente), o que nos mostra que quanto maior for a taxa de crescimento da
renda per capita, menor Taxa de variação da proporção de pobres da população.

Variância dos resíduos estimada:

δ²(estimada) = 0,003460617

A variâncias dos resíduos continua sendo um valor baixo, significando que,


quando colhida outra amostra, a variabilidade dos coeficientes encontrados será
baixa. Podemos concluir a partir da equação de regressão que a variação de uma
unidade na taxa de crescimento da renda per capita implica na alteração de 0,1517
na taxa de variação da proporção de pobres.
O R² estimado para esse modelo resultou o valor de 0,3368, indicando que
uma variação na taxa de renda per capita explica 33,68% da variação na taxa de
proporção de pobres no estado.
• Comparando os resultados para os dois estados:

BA - Indigentes MG -Indigentes
Beta 1 -0,29992201 Beta 1 -0,4412
Beta 0 1,205554604 Beta 0 1,289993
Var(û) 0,01600309 Var(û) 0,04488
R² 0,300307096 R² 0,246495
A tabela mostra uma maior adequação ao modelo para o estado da Bahia,
visto o resultado de um R² mais elevado, ainda que por pouca diferença. O
aumento da taxa de crescimento da renda per capitã, para o estado de MG, indica
uma maior alteração na taxa de proporção de indigentes, do que para o estado da
BA, sendo ambas as taxas de crescimento da renda negativamente relacionadas
com a proporção de indigentes da população. A variância do erro, para o estado da
BA se mostra menor em relação ao estado de MG, indicando que, para a BA, a
variância do estimador da inclinação é menor.

BA – Pobres MG - Pobres

Beta1 -0,151736627 Beta 1 -0,27928


Beta 0 1,064334366 Beta 0 1,124258
Var(û) 0,003460617 Var(û) 0,017307
R² 0,336874638 R² 0,253683

Da mesma forma que a analise anterior, a tabela mostra uma maior


adequação ao modelo para o estado da Bahia, visto o resultado de um R² mais
elevado, ainda que por pouca diferença. O aumento da taxa de crescimento da
renda per capitã, para o estado de MG, indica uma maior alteração na taxa de
proporção de pobres, do que para o estado da BA, sendo ambas as taxas de
crescimento da renda negativamente relacionadas com a proporção de indigentes
da população. A variância do erro, para o estado da BA se mostra menor em
relação ao estado de MG, indicando que, para a BA, a variância do estimador da
inclinação é menor.