Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelos de Regressão
Linear Simples e Múltipla
generalizando, temos: ̂0 − 𝛽
𝜀̂𝑖 = 𝑦̂𝑖 − 𝛽 ̂1 𝑥𝑖 (2.6)
Var[Y│X = x] = σ2 (2.4)
1
Onde, 𝑉𝑎𝑟(𝛽̂1 ) = 𝜎 2 𝑆𝑋𝑋 (2.12)
𝑥̅ : média da amostra de x;
1 𝑥̅ 2
𝑦̅ : média da amostra de y; 𝑉𝑎𝑟(𝛽̂0 ) = 𝜎 2 (𝑛 + ) (2.13)
𝑆𝑋𝑋
𝑆𝑋𝑋 : soma dos quadrados de x´s;
𝑆𝐷𝑥2 : variância de amostras de x´s; Entretanto, podemos efetuar as
𝑆𝐷𝑥 : desvio-padrão de amostras de x´s; ̂0 𝑒 𝛽
estimativas das variâncias de 𝛽 ̂1:
𝑆𝑌𝑌 : soma dos quadrados de y´s;
𝑆𝐷𝑦2 : variância de amostras de y´s; ̂ (𝛽̂1 ) = 𝜎̂ 2 1
𝑉𝑎𝑟 (2.14)
𝑆𝐷𝑦 : desvio-padrão de amostras de y´s; 𝑆𝑋𝑋
1 (𝑦𝑖 − 𝛽 ′𝑥𝑖 )2
Também temos que o estimador de 𝛽0 𝑝𝑦𝑖 (𝑦𝑖 |𝑥𝑖 , 𝛽, 𝜎 2 ) = exp (− 2𝜎 2
)
√2𝜋𝜎
é dado por: (3.2)
′
𝛽̂0 = 𝑦̅ − 𝛽̂ ∗ 𝑥̅ (2.30) Assumindo que as observações são
independentes, a função de
Onde 𝑥̅ é o vetor contendo médias de verossimilhança (L) torna-se um produto
amostras de todos os termos, exceto pelo das densidades para cada n observações,
parâmetro 𝛽0. portanto:
A expressão (2.25) avaliada por 𝛽̂ é a 𝑛
soma de quadrados residual da regressão 2|
𝐿(𝛽, 𝜎 𝑌) = ∏ 𝑝𝑦𝑖 (𝑦𝑖 |𝑥𝑖 , 𝛽, 𝜎 2 )
linear múltipla, ou simplesmente RSS,
𝑖=1
portanto [2], [5]:
𝑛
′ 1 (𝑦𝑖 − 𝛽 ′ 𝑥𝑖 )2
𝑅𝑆𝑆 = (𝑌 − 𝑋𝛽̂ ) (𝑌 − 𝑋𝛽̂ ) (2.31) =∏ 𝑒𝑥𝑝 (−
2𝜎 2
)
𝑖=1
√2𝜋𝜎
A estimativa da máxima
𝑉𝑎𝑟(𝛽̂ ∗ ) = 𝜎 2 (𝒳 ′ 𝒳)−1 (2.33)
verossimilhança é influenciada pelos
valores de β e σ2, que maximizam a
O estimador de 𝜎 2 é calculado através função de verossimilhança. Estes valores
de: também maximizarão o logaritmo da
𝑅𝑆𝑆
verossimilhança:
𝜎̂ 2 = (2.34)
𝑛−(𝑗+1)
𝑛
Com o estimador 𝜎̂ 2 , é possível log(𝐿(𝛽, 𝜎 2 | 𝑌)) = − 2 log(2𝜋) −
𝑛 1
estimar a variância de 𝛽̂ : 2
log(𝜎 2 ) − 2𝜎2 ∑𝑛𝑖=1(𝑦𝑖 − 𝛽 ′ 𝑥𝑖 )2 (3.4)
̂ (𝛽̂ ) = 𝜎̂ 2 (𝑋 ′ 𝑋)−1
𝑉𝑎𝑟 (2.35)
6
5. Referências bibliográficas.