Aula 0 Econometria para Bacen

Livro Eletrônico
Aula 00
Econometria p/ Analista do BACEN - Área 3

Professor: Jeronymo Marcondes
00000000000 - DEMO
Econometria p/ BACEN
Teoria e exercícios comentados
Prof. Jeronymo Marcondes Aula 00
AULA 00: REGRESSÃO SIMPLES
SUMÁRIO PÁGINA
1. Introdução ao Método de Regressão 5
2. Estimação com base em amostra e Método dos Mínimos

9
Quadrados Ordinários (MQO)
0
3. Tabela ANOVA 17
4. Teste de hipóteses sobre os coeficientes 29
8. Lista das questões apresentadas com gabarito 54
9. Gabarito 68
Olá pessoal! Estão prontos para embarcarmos juntos nesta difícil jornada que leva à
aprovação em um concurso público? Então vamos lá! Bom pessoal, primeiro que
gostaria de bater um papinho com vocês.
- “Mas, afinal de contas, quem é você professor?”
Boa pergunta! Meu nome é Jeronymo Marcondes Pinto e já tenho uma grande
bagagem no que se refere a concursos públicos. Sou Economista, Mestre e Doutor
em Economia Aplicada pela Universidade de São Paulo (USP) e, atualmente, sou
Auditor Fiscal do Trabalho (AFT), atuando na área de planejamento e análise
estatística. Já fiz muitos concursos, tendo sido aprovado em vários, como Auditor
Fiscal do Tesouro Estadual (SEFAZ\RS), Analista de Planejamento, Orçamento e
Finanças Públicas (SEFAZ SP), Economista do MPU, Economista da Câmara
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 68
00000000000 - DEMO
0 Teoria e exercícios comentados
Municipal de São Paulo, Professor universitário da Academia da Força Aérea (AFA),
dentre muitos outros. Porém, já fui reprovado em concurso também!
- “Professor, por que você está nos contando de reprovações, isso não te diminui?”
Muito pelo contrário! Posso dizer que a maior parte da minha experiência deriva do
não sucesso! Aprendi muita coisa ao não ser aprovado, coisas que fizeram com que
eu me tornasse um verdadeiro concurseiro! Ao longo do curso estarei dando “dicas
de concurseiro” para vocês, o que os ajudará nos seus planejamentos, estratégias,
etc.
DICA DE UM CONCURSEIRO
Gente, o “perdedor” não é aquele que não vence, mas aquele
que não tenta por ter medo de perder! Não tenha medo de
não ser aprovado, faça o seu melhor! O medo fará com que
você desperdice chances que podem mudar a sua vida, além
de fazer com que você se esforce menos... o que é, de longe,
o principal para ser aprovado!
Vamos falar um pouquinho do Banco Central (BACEN). Sem dúvida nenhum, uma
das melhores instituições para se trabalhar no Brasil, ótima remuneração, condições
de trabalho e grandes possibilidades para crescimento na carreira! Em
contrapartida, concurso muito concorrido e com candidatos de altíssimo nível!
- “Professor, é verdade que só pessoas com mestrado e doutorado passam no

BACEN? Eu ouço o pessoal falar isso nos fóruns, nas conversas de corredor, etc...”
Vou deixar isso muito claro: NÃO! Isso é boato dos grandes, tire isso da sua cabeça
agora! Tenho vários conhecidos no BACEN que sequer têm intenção de fazer
mestrado. Isso é bobeira!
-“Que maravilha”!
00000000000 - DEMO
Pois é, mas você não é a única pessoa que percebeu isso. O concurso do BACEN é
um dos concursos mais concorridos do Brasil. Os concurseiros desta área se
preparam com muita antecedência e estão entre os melhores do Brasil.
O que a minha experiência me ensinou foi que os concurseiros são pessoas que
estudam o básico de tudo com uma boa antecedência e deixam para fazer um
“ajuste fino” quando o edital chega. Veja seu edital, por exemplo. Há muitas
matérias a serem estudadas! Você acha que conseguirá estudar este tanto em 3
meses? Muito difícil!
No caso de Econometria isso é ainda mais emblemático, pois é uma matéria muito
difícil! Poucos concurseiros conseguem dominá-la, tornando a aprovação em
concursos de alto nível praticamente impossível. Por isso você deve estar
preparado com antecedência.
Resumindo, vale à pena! Vamos nos esforçar e aproveitar para estudarmos a fundo
o básico de todas as disciplinas, pois, quando o seu concurso chegar, você já estará
80% pronto. Esse é o segredo! A concorrência é intensa, assim você tem que se
diferenciar.
-“Mas, será que eu consigo”?
Claro que consegue! O que a minha experiência me ensinou é que quem passa em
concurso é aquele que realmente sabe o que quer e corre atrás! Não desanime de
jeito nenhum e estude com todas as suas forças, pois você vai conseguir. Você
deve ir se preparando com antecedência para um concurso de calibre.
Pessoal, o meu estilo se caracteriza pelo seguinte: pragmatismo e informalidade.
00000000000 - DEMO
Pragmatismo porque costumo tentar ser o mais objetivo possível, sempre com foco
em editais de concurso público. Assim, o meu curso não terá um viés acadêmico,
sendo que o mesmo é feito para quem quer passar em concurso público, ponto.
Informalidade porque o presente curso não é um livro texto. Afinal, quem quiser um
livro texto bem formal basta ir à livraria e comprar, não acha? O nosso diferencial no
Estratégia Concursos é ensinar da forma mais didática possível, evitando
formalismos desnecessários, como a demonstração de um teorema, por exemplo. O
meu objetivo é que qualquer pessoa seja capaz de fazer uma prova de
Econometria tendo meu curso como base.
Nós ainda não temos edital, mas não há como demorar muito, afinal o BACEN
está com sérios problemas de falta de pessoal! Pessoas de dentro do banco
afirmam que este edital já está sendo discutido! Mas, como ainda não temos edital,
vou me basear no edital anterior (CESPE - 2013). O que vocês vão estudar comigo
é o seguinte:
AULA MATÉRIA DATA

0 Regressão Simples 23/mar
Regressão Múltipla e Métodos de
1 13/abr
Estimação – parte 1
2 13/abr
3 13/abr
4 13/abr
Modelos com Variáveis
Dependentes Defasadas. Séries
5 11/mai
Temporais e Processos
Estocásticos. Estacionariedade.
Modelos com Variáveis
Dependentes Defasadas. Séries
6 11/mai
Temporais e Processos
Estocásticos. Estacionariedade.
Vetor Auto Regressivo,
7 11/mai
Cointegração e Correção de Erro
Previsão de Séries Temporais e
8 22/jun
Econometria de Dados em Painel
9 Simulado 22/jun
00000000000 - DEMO
Este curso se dedica à área 3, que é a única que cobra Econometria. A última
banca foi a CESPE, mas o BACEN muda de banca toda hora, assim fica difícil
saber qual vai ser desta vez. Quem quiser dar uma olhada no último edital:
http://www.cespe.unb.br/concursos/BACEN_13_ANALISTA_TECNICO/
Um detalhe importante: muitos alunos reclamam de dificuldade com Econometria.

Isso é normal, pois Econometria é difícil mesmo. Mas, o grande problema costuma
ser: as pessoas que têm esta dificuldade, normalmente, são aquelas que
precisam estudar um pouco mais de Estatística. Econometria é, basicamente,
uma “Estatística aplicada à Economia”. Assim, é importante que vocês tentem
conciliar os estudos de Econometria com Estatística, pois alguns conceitos básicos
da área (Estatística) não serão ensinados neste curso, pois estes fazem parte do
conteúdo de Estatística.
Chega de conversa, vamos ao que interessa!
1. Introdução ao método de Regressão
Pessoal, hora de forçar a memória escolar e lembrar o que é uma função, ou

melhor, uma função linear. Função é uma relação entre duas variáveis, 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 número de equipamentos elétricos em uma casa.
Se chamarmos a primeira variável de cada item de y e a segunda de x,

matematicamente, pode-se descrever tal relação como:
00000000000 - DEMO
O que quer dizer “y é função de x”, ou que as vendas de uma empresa são uma
função da quantidade investida em propaganda. Pode-se afirmar que y depende de
x, portanto, a nomenclatura usual chama y de variável dependente ou explicada e x
de variável independente ou explicativa.
Uma das formas de se expressar tal função é a partir de uma relação linear, tal
como:
Ou, genericamente, para qualquer valor que pudesse substituir 2 e 3 na equação

acima:
(1)
Este é um exemplo de uma função linear, dado que o expoente de x é 1. (lembrem-

se que qualquer variável elevada a 1 é igual à própria variável). Esta função linear
(lembrem-se da escola) é uma reta. Se x estivesse elevado ao quadrado, seria uma
parábola. Para que você tenha certeza que isso é uma reta, substitua alguns valores
na primeira equação e os coloque em um gráfico, você verá que se trata de uma
equação de reta.
- “Professor, ótimo, mas por que você está falando tudo isso?”
Porque, meus queridos alunos, um dos principais objetivos da econometria é

encontrar uma função linear que descreva o comportamento estatístico entre duas
variáveis. Assim, com base em uma série estatística, a econometria possibilitaria
que você encontrasse os valores de e na equação (1).
00000000000 - DEMO
O processo de encontrar a relação entre y e x é chamado de Regressão e,

se for uma reta, como na equação (1), é chamado de Regressão Linear.
Como a equação (1) só possui uma variável explicativa, o processo de

encontrar tal relação se chama Regressão Linear Simples.
Porém, perceba que é muito raro que uma variável do mundo real, ainda mais
quando ligada à economia ou a fenômenos sociais, consiga ser representada por
uma reta. Vamos supor que estamos tratando do exemplo (a) acima descrito para o
ano de 2012 e que possuímos 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 relação em um gráfico:
14
12
10
8
6
4
2
0
0 10 20 30 40 50 60
A reta é representada pela equação (1) e os pontos são os valores que y assume
para cada x.
E aí pessoal, o que vocês estão vendo? Veja que a reta explica bem o
comportamento da variável, se aproximando dos valores reais, mas ainda assim não
explica tudo. Olhe o 3º ponto, nele o valor das vendas aumentou, na média, muito
mais do que o esperado para um determinado investimento em propaganda. Isso
1
Gente, só para chamar a atenção, por enquanto estamos trabalhando com dados coletados em um único período de
tempo, no caso uma única observação por empresa no ano de 2012 (pode ser a soma de todo o ano, ou de um
determinado mês, etc.) Este tipo de disposição de dados é chamado de dados em cortes transversais ou “cross section”. Nós
só veremos observações ao longo do tempo na seção de séries temporais.
00000000000 - DEMO
pode ser decorrência de muitos fatores do mundo real, como o fato de que a
empresa talvez fosse muito desconhecida até então, portanto, um pequeno
investimento em propaganda teve resultados muito grandes quando comparado a
empresas que já são relativamente conhecidas. Este tipo de raciocínio pode ser
aplicado para os pontos abaixo da reta também, que apresentam, na média,
retornos abaixo do esperado para um determinado gasto em propaganda.
Assim, se uma versão linear e simples da equação de reta for a mais bem ajustada
à série de dados, pode-se inferir que a equação que representa a real dinâmica do
fenômeno em estudo, no caso, as vendas da empresa é dada por:
Sendo o termo que representa o “erro”, ou seja, os desvios das observações com
relação à reta (pensem comigo, o erro é a distância da reta até cada um daqueles
pontos no gráfico acima). O subscrito “i” se refere à cada uma das empresas
analisadas em 2012, isto é, a empresa representada no primeiro ponto no gráfico
tem subscrito (1), a segunda subscrito (2) e assim por diante.
Vocês concordam comigo que não dá para levar em conta todas as variáveis que
afetam o comportamento das vendas de todas as empresas? Pode ser que um
gerente comercial muito bom de serviço tenha pedido demissão da empresa (4), o
que puxaria suas vendas para baixo, apesar do investimento em propaganda, etc.
Assim, o erro leva em conta estes efeitos impossíveis de se mensurar, mas que
afetam a dinâmica de y.
Bom, apesar do fato de que este erro é algo que nós temos que aprender a viver
com ele, o mesmo possui uma característica interessante que nós temos que levar
em conta:
Isto é, a média dos erros é igual a zero. Ou seja, os desvios “para cima da reta”
igualam o valor dos desvios” para baixo da reta” na média.
00000000000 - DEMO
1ª hipótese sobre o modelo de regressão:
Ou seja, estes erros são supostamente aleatórios, então a teoria econométrica nos
permite inferir que, se o modelo estiver corretamente especificado, o erro será, na
média, igual à zero.
E aí rapaziada, que cara de sono é esta? Vamos acordando! Você será bem
remunerado e com status, mas com muita responsabilidade.
2. Estimação com base em amostra e Método dos Mínimos Quadrados

Ordinários (MQO)
Vamos ver se vocês estão realmente atentos: lembram-se quando eu disse que a
regressão tinha a ver com todas as empresas, todas as receitas de vendas e todos
os gastos em propaganda? Então, hora de lembrar um pouquinho do curso de
estatística do Estratégia, o conceito de população e amostra.
População = conjunto de todos os elementos que

possuem determinada característica. No exemplo
anterior, todas as empresas, gastos e receitas.
Amostra = parte não nula da população, mas menor do
que esta última.
Atenção, até agora falamos de uma regressão com a população, ou universo, das
variáveis escolhidas. Mas, na maioria dos casos, não possuímos o universo. Por
exemplo, no caso de uma regressão do valor salarial obtido por um trabalhador em
função do nível de escolaridade de cada um destes, é praticamente impossível se
realizar este exercício, pois a base de dados para isto é infinitamente grande.
Assim, na maior parte das vezes, o pesquisador acaba trabalhando com uma
00000000000 - DEMO
amostra! Ao se avaliar uma regressão para uma amostra estaremos a estimar os
parâmetros de regressão ( e na equação (1)), ou como nós falamos no dia a
dia, estimar uma regressão.
- “Tá bom Professor, mas, afinal de contas, como se estima uma regressão?”
Ótimo! Tente imaginar um momento: a estimativa dos parâmetros deve ser feita de
forma a garantir o que?
É isso! De forma a minimizar os erros. Isso é feito pelo método dos Mínimos
Quadrados Ordinários (MQO) que nos dá um valor estimado para e , que,
chamaremos, a partir daqui, de e .
Com base no fato de que a média dos erros é igual a zero, não há como se
minimizar a soma dos erros, dado que o valor sempre será zero. Assim, o objetivo
do método é minimizar a soma dos quadrados dos erros, o que é feito pelo
estimador de MQO. Gente, sejamos práticos, nunca caiu e, provavelmente, nunca
vai cair a derivação do estimador de MQO, assim, decorem:2
Sendo que o travessão sobre determinada variável representa o valor médio da

mesma, define-se a média de uma variável, bem como o valor de uma variável
centrada na média:
2
Se a reta de regressão passa pela origem, leia-se, ponto no qual y e x são iguais à zero.
00000000000 - DEMO
Assim, b pode ser encontrado pelo somatório da multiplicação de cada

com seu respectivo (covariância entre x e y) dividido pela soma de todos os
elevados ao quadrado (variância de x). Gente, muita atenção mesmo, perceba que
as variáveis devem ser inseridas na fórmula acima de forma a estarem centradas na
média, ou seja, reduzidas do valor da média de sua série.
Atenção! Muitos exercícios de concursos públicos se utilizam de propriedades

estatísticas que permitem inferir que:
Ou seja, o exercício fornece o somatório das variáveis utilizadas na equação,

mas sem estarem centradas na média. Neste caso, você precisa decorar estas
fórmulas, ok?
No caso da segunda equação, que define (também chamado de intercepto), há

uma forma específica, mas ela é um pouco esquisita e eu acho que esta forma
facilita a memorização, dado que com os valores médios das variáveis e com a
estimativa de b, encontra-se .
00000000000 - DEMO
Exercício 1.
Só para vocês ficarem contentes em ver uma aplicação prática, vamos fazer
um exemplo. Vamos lá! Dada a seguinte série de dados, estime a regressão
linear Y = f(X), ou costumeiramente chamada de “Y contra X”.
Variáveis 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
Média 154,2 214,2
00000000000 - DEMO
Resolução
Bom, primeiramente, vamos encontrar alguns dados necessários para a resolução.
X Y
Variáveis X Y X(centrado)*Y(centrado) (X centrado)² (Y centrado)²
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 25591,2 21199,2 31513,2
Vamos aplicar a fórmula:
Com base no resultado acima, podemos calcular:
00000000000 - DEMO
Portanto, a reta estimada por meio de MQO é:
Voltando à aula!
Pessoal, vocês estão 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 média, em b.
Cabe destacar a diferença entre erros e resíduos. Os erros são decorrentes dos
aspectos que relatamos acima, já os resíduos são os erros de ajuste após a
estimação da reta original (1), ou seja, na regressão feita com base na amostra e
não mais na população. Assim, a versão estimada de (1) é dada por:
(2)
Então, estes parâmetros são a versão estimada dos parâmetros na equação (1).
Portanto, são os resíduos da regressão com base em uma amostra n da
população N.
Meus amigos, vocês conseguem enxergar que este resíduo tem mais um problema
além dos já citados para os erros? Lembra do gerente comercial eficiente que pediu
demissão? Então, este é um desvio natural de se interpretar um comportamento
econômico, derivado de influências de infinitas variáveis, a partir de uma reta.
Agora, há outro fator em cena, há um “erro” decorrente de se inferir uma estimativa
da reta (1) a partir de (2). Ou seja, o fato de nós só termos uma amostra leva a
desvios com relação à estimativa dos parâmetros. Dado que, com base na nossa
regressão estimada, o valor esperado de y ( ) é:
00000000000 - DEMO
Assim, os resíduos são:
Bom pessoal, nós já temos uma estimativa de uma regressão, agora vocês podem
estar se perguntando: “Será que isso está bom? Será que esta reta representa bem
a situação ocorrida no mundo real?”
Então, há diversas formas, que devem ser avaliadas de forma conjunta, para
responder tal pergunta, mas vamos adiantar algumas.
Entenderam? Vamos ver:
Exercício 2
(FCC - ANALISTA BACEN 2005) Uma empresa com a finalidade de determinar

a relação 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) é o valor do lucro bruto auferido no ano (i), X(i) é o
valor do gasto com propaganda no ano (i) e e(i) o erro aleatório com as
respectivas hipóteses consideradas para a regressão linear simples.
Considerou, para o estudo, as seguintes informações referentes às

observações dos últimos 10 anos da empresa:
00000000000 - DEMO
Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previsão
do lucro bruto anual, em mil reais, será de:
a) 158
b) 128,4
c) 121
d) 102,5
e) 84
Resolução
Bom, primeiramente, não caia na armadilha! Estes valores que o exercício te deu
não estão centrados na média. Portanto, com base em propriedades estatísticas,
pode-se demonstrar que:
Assim, dadas as formas funcionais para cálculo:
Pode-se inferir as estimativas:
00000000000 - DEMO
Assim, temos a equação de reta. Substituindo X = 80, tem-se que:
3. Tabela ANOVA
Vamos lá pessoal, de olho na aprovação!
Agora vamos falar sobre o grau de ajustamento de uma regressão. Isso é, quanto
uma reta explica dos dados?
Bom, é fácil pensar que há uma parcela da variação explicada pela regressão, ou
seja, aqueles parâmetros que nós estimamos devem explicar parte da variação real
nas observações da amostra, excluída a parte explicada pelos resíduos.
-“Professor, não entendi nada!”
Ok. Acho que esta parte que fica mais intuitiva com a matemática. E aí, qual a
expressão que vocês acham que representa a parcela explicada por uma regressão
realizada com base em uma amostra? Claro que é:
Dado que é constante, ela não compõe a parte da variância explicada. Assim,
com o intuito de se definir uma expressão para a variância explicada pode-se
descartá-la:
00000000000 - DEMO
Portanto, trata-se da parte estimada da reta que dá o valor previsto de y para cada
x, que é costumeiramente descrita como a variável dependente com um acento
circunflexo em cima.
E a parte não explicada?
É evidente que a soma de ambas as equações geram a equação de reta original,

com a soma do comportamento dos resíduos com a parte explicada. Assim,
precisaríamos somar tais expressões para encontrar o total e, a partir daí, tentar
entender como cada uma destas parcelas participam da formação do resultado.
Mas, sabendo-se que os resíduos têm soma igual à zero, o estudo será feito com
base na soma dos quadrados dos resíduos e, por conseqüência, com base na
soma dos quadrados explicados e na soma dos quadrados totais.
Vamos, primeiro, pelo mais fácil. A soma dos quadrados totais (SQT) é:
Segue-se a Soma dos Quadrados Explicados (SQE):
00000000000 - DEMO
E a Soma dos Quadrados dos Resíduos (SQR):
Vocês estão entendendo o que nós estamos fazendo? Em termos bem leigos, nós
estamos decompondo o quanto uma regressão consegue explicar de quanto ela não
consegue! Será que você consegue pensar
0 em um jeito de dizer, em termos
percentuais, o quanto uma regressão consegue explicar de uma série de dados, ou
seja, o quanto a regressão estimada se aproxima do real processo gerador de
dados (equação (1))?
Beleza! A resposta é fácil mesmo e é dada por:
Este é o famoso R² ou coeficiente de determinação. Ele determina “o quanto a

regressão está conseguindo refazer da série original a partir de valores estimados”.
Assim, a regressão será bem ajustada quanto mais próximo este coeficiente se
aproximar de 1. Ou seja, um valor de 0,97 indica que a regressão estimada 97% da
variância de y é explicada por x.
Lemabram-se do coeficiente de correlação amostral nas aulas de estatística? Então,

pode-se demonstrar que:
çã
00000000000 - DEMO
Esta é, somente, uma das formas de se encontrar o R². Mas, ela já caiu várias
vezes, então, meus amigos, vou simplificar para vocês: decorem! No exercício (10),
vou ensinar outra forma importante também. Mas, aconselho tentar fazê-lo primeiro!
Agora podemos partir para a análise da tabela ANOVA. A partir da definição de

SRT, SQT e SQE, iremos construir uma tabela que indica como as parcelas
decompostas variam ao redor da média da regressão como um todo e se todos os
coeficientes em conjunto tem capacidade de explicar a regressão, o que será mais
útil a partir da próxima aula, conforme veremos a seguir.
Esta tabela é chamada de ANOVA e tem o seguinte formato:
Quadrados
Soma dos Quadrados Graus de Liberdade Teste F
Médios
SQE K
SQR N–k–1
SQT N–1
Sendo N o número de observações da amostra e k o número de variáveis

explicativas na regressão, assim, no caso da regressão simples, k = 1.
Novamente pessoal, vamos nos lembrar das aulas de Estatística do Estratégia.

Sendo SQR a soma dos quadrados dos resíduos e sua média igual a zero, se nós
dividirmos tal expressão pelos seus graus de liberdade, o que teríamos?
00000000000 - DEMO
O que é isso? Não é a variância? Exatamente! Trata-se de uma medida não

tendenciosa da variância dos erros. Portanto, o quadrado médio dos resíduos
iguala a variância dos erros. O mesmo pode ser dito com relação ao coeficiente
SQE/k, haja vista o mesmo medir também uma variância, mas a variância
explicada.
Bom, nós já temos a variância dos erros e a variância explicada pela regressão,
dada por , portanto cabe questionar: será que a esta regressão faz sentido?
Não entendeu? Vamos lá. Nós poderíamos encontrar uma regressão na qual os
quadrados médios dos resíduos (variância dos erros) representam a maior parte da
variabilidade da regressão, invalidando a representatividade da regressão como um
processo que poderia ter gerado aquelas variáveis explicadas. Assim, a parte que
se constitui como uma reta (bx) só explicou alguma parte da variável explicada “por
coincidência”, isto é, sem significância estatística.
Como nós podemos verificar isso? Por meio do teste F. O teste F é um teste
estatístico que visa comparar variâncias e se a diferença entre ambas é
estatisticamente significante. Analiticamente, sob a hipótese nula, o quociente entre
dois quadrados médios, isso é, entre duas variâncias, segue uma distribuição F.
A título de ilustração vamos nos utilizar da tabela ANOVA que nós construímos.
Portanto:
Sob a hipótese nula de que estas duas variâncias são iguais, a estatística de teste
segue uma distribuição F com k graus de liberdade no numerador e N - k – 1 graus
de liberdade no denominador.
00000000000 - DEMO
O que você está buscando? Bom, quando você estima uma regressão, você busca
encontrar uma relação estatisticamente significante que explique o fenômeno que
está em estudo. Assim, se você concluir que não há como rejeitar a hipótese nula
de que a variância explicada pela sua regressão é igual à variância dos resíduos, na
verdade, você não encontrou nada! Isso deriva do fato de que, se isso aconteceu, é
muito provável que toda parcela que você conseguiu explicar da variável
dependente foi por acaso, o que deve ter acontecido somente em virtude da
variação dos erros e não de uma especificação correta de uma reta. Ou seja, toda
sua regressão não tem grande validade em termos de explicar a dinâmica da
variável dependente em estudo.
Portanto, o teste F aplicado ao estudo de regressão é equivalente a um teste de

hipóteses conjunto de que todos, ou parte de todos, os coeficientes têm valor igual
a zero.
É pessoal, o buraco é mais embaixo mesmo! Olhe só

isso: o teste F é um teste de comparação de variâncias, porém o mesmo pode
ser utilizado para fazer testes sobre médias.
Isso é possível se você pensar em termos de desvios de uma média. Veja, por
exemplo, o caso em que você queira testar a diferença da produtividade média de
várias empresas. Primeiramente, você vai dividir estas empresas por grupos de
atividade e a sua suposição inicial será de que não há diferenças na média de
produtividade entre os diversos setores. Assim, você pode decompor a variabilidade
das produtividades encontradas com relação à média em duas parcelas:
Desvio da Média total (DM) = DM dentro do Setor + DM entre Grupos
00000000000 - DEMO
Assim, nós iríamos avaliar se o quanto as observações estão desviando das médias
dos seus respectivos grupos (dentro de cada setor) se iguala aos desvios que as
médias dos grupos estão tendo com relação à média do somatório de todos os
grupos, ou seja, da média de toda a amostra (média da economia em análise)!
Então, se você concluir que não há diferença entre estes dois desvios é equivalente
a dizer que as médias de todos os grupos são iguais.
Entenderam o conceito do problema? Mas, como se utilizar do teste F para se

chegar a tal diagnóstico, afinal, o teste F é para comparação de variâncias. Mas,
==0==
atenção, qual é a variável em análise aqui? É isso mesmo, o desvio com relação à
média. Por suposição, vamos trabalhar com uma variável x:
Ok. E se nós fizermos a soma dos quadrados de DM ?
Se nós dividirmos tal expressão pelos seus graus de liberdade, isso não é a
variância? 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 análise desta tabela e do teste F nos permite
inferir se há diferenças entre os quadrados destes dois desvios, que nada mais é do
que a variância. Caso não seja possível rejeitar a hipótese nula de que as variâncias
são iguais, você concluiu que as médias dos setores são iguais à média da amostra
e, portanto, iguais entre si.
Complicadinho né? Vamos fazer um exercício para entender.
00000000000 - DEMO
0
Teoria e exercícios comentados

Exercício 3.
(CESGANRIO – BACEN/2010)
Fonte de Soma dos Graus de Média de F

Variação Quadrados Liberdade Quadrados
Fator 6752,0 2
Erro 30178,0
Total 36930,0 29
Analisando a tabela ANOVA acima, considere as conclusões a seguir:
I – A análise de variância (ANOVA) teste se várias populações têm a mesma

média; para tanto, são comparadas a dispersão das médias amostrais e a
variação existente dentro da amostra
II – ANOVA indica que:
III – A estatística F, calculada com a informação da tabela acima, é acima 2,651

e deve ser comparada com o valor tabelado F(2,29) para um grau de
significância escolhido.
É correto APENAS o que se conclui em:
a) I
b) III
c) I e II
d) I e III
e) II e III
00000000000 - DEMO
Resolução
Com base em toda aquela discussão sobre o teste F e na sua capacidade de ser
utilizado para testar se as médias de uma determinada população são iguais,
vejamos:
a) Verdadeiro. É exatamente isso. Nós vamos comparar a dispersão das médias

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

Médios calculados na ANOVA. Assim, tal hipótese é equivalente a estabelecer que
as médias dos setores sejam iguais, no nosso exemplo. A hipótese alternativa, por
conseqüência, é o seu oposto.
Porém, a negação da hipótese nula não necessita que todas as médias sejam
diferentes entre si, já que a possibilidade de que somente uma das médias se
diferencie das demais é suficiente para a negação da hipótese nula, tal como:
Aí é que entra o problema! Segundo o livro “Econometria” de Stock e Watson

(2004), isso está correto. Assim, “se qualquer uma das igualdades sob a hipótese
nula for falsa, a hipótese nula conjunta em si será falsa”.
Entretanto, a banca não anulou a questão, nem mudou o gabarito.
Independentemente da explicação dada, existe a possibilidade de que a banca em

questão não siga a mesma linha de Stock e Watson. Portanto, atenção! Caso você
vá fazer uma prova da CESGANRIO, esta é a resposta certa! Caso contrário,
adote o critério de Stock e Watson.
00000000000 - DEMO
c) Falso. Sejam espertos, você nem precisa calcular nada, o teste F tem seus graus
de liberdade determinados pelo número 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 questão, é representado pelas expressões fator
e erro, respectivamente. Assim, o teste F deve ser calculado com base nos
seguintes graus de liberdade: (2,27).
Exercício 4
Vamos lá galera, utilizando os dados do exercício (1), construa a tabela

ANOVA para aquele caso.
Resolução
Com base na tabela do exercício (1), vamos definir SQT:
Já para o caso de SQE:
Assim, pode-se obter SQR:
Os graus de liberdade poder ser retirados diretamente do número de variáveis

explicativas (k = 1) e do número de observações na amostra (N = 20). Assim, a
tabela ANOVA fica da seguinte forma:
Soma dos Quadrados Graus de Liberdade Quadrados Médios Teste F
30893,12 1 30893,12 896,75
620,08 18 34,45
31513,2 19 1658,59
00000000000 - DEMO
Como o valor tabelado de F com 1 grau de liberdade no numerador e 18 no

denominador é igual a 4,41, rejeita-se a hipótese nula de que a Variância Explicada
é igual à Variância dos resíduos (dado que 896,75 > 4,41).
Voltando à aula!
Antes de encerrarmos o assunto sobre o teste F, temos

de ressaltar uma coisa importante. A teoria estatística por detrás da derivação do
teste exige que a variável y seja normalmente distribuída.
Todo mundo se lembra da distribuição normal da aula de estatística, certo? Trata-se

de uma distribuição de probabilidade, que associa determinado valor a determinada
probabilidade da seguinte forma:
Já que y é composto de uma parte fixa (reta) e de uma parte aleatória (erro), a
variância da variável explicada é igual à variância do erro. Assim, a hipótese de
normalidade de y é equivalente a se afirmar que o erro tem de ser normalmente
distribuído. Portanto, esta será nossa segunda hipótese sobre o modelo de
regressão.
00000000000 - DEMO
2º Hipótese sobre o modelo de regressão
Os erros são normalmente distribuídos
Um exercício para testar o seu conhecimento.
Exercício 5.


Montando o quadro de análise de variância (ANOVA), tem-se que:
a) a variação total apresenta um valor de 62,5.
b) a variação explicada, fonte de variação devido à regressão, apresenta um

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

determinação (R²).
00000000000 - DEMO
d) o valor da estatística F necessária para o teste da existência da regressão é
igual ao quociente da divisão da variação explicada pela variação residual.
e) a variação residual apresenta um valor igual a 17,5.
Resolução
Vamos começar definindo SQT, SQE e SQR:
Assim, chega-se ao gabarito (e). Sabe-se que a alternativa (c) está incorreta porque
o R² surge da divisão da variação explicada pela total, enquanto que a alternativa
(d) advém da divisão dos quadrados médios explicados e dos resíduos e não
somente da variação.
4. Teste de hipóteses sobre os coeficientes
E ai pessoal? Ainda estão aí? Bom para acordar uma dica de concurseiro.
Dica de um Concurseiro
Lembrem-se, a quantidade de horas estudadas não é tão
importante quanto a regularidade de estudo. Você precisa
se condicionar, acostumar seu cérebro com as
informações. O que eu quero dizer é: não adianta estudar
12 horas em um dia e depois ficar 2 semanas sem
estudar. Você vai perder o ritmo. Tente ter alguma
regularidade nos seus estudos. Crie uma rotina. Viva,
coma e respire concurso público. Não estou dizendo que
uma boa rachada não ajuda, só estou pregando a
necessidade de uma regularidade no planejamento de
seus estudos. Isso é o básico da teoria da Administração:
primeiro planejar, depois executar. Isso serve para
concursos.
Bom, vamos lá!
00000000000 - DEMO
Na última seção nós vimos como o teste F avalia a hipótese conjunta de que todos
os coeficientes têm valor igual a zero. Agora vamos avaliar a significância estatística
dos coeficientes, um por um. Com efeito, vamos avaliar a significância estatística de
b isoladamente, tal como na equação (2)
- “Peraí professor, mas você acabou de ensinar a aplicação do teste F na regressão

simples e disse que ele avalia a hipótese nula de que todos os coeficientes são
iguais a zero, ou seja, b é igual a zero. Então qual a diferença deste teste de
hipóteses para o teste F?”
Se você pensou isso, parabéns! Já está a caminho de trabalhar no setor público.
Pois é, realmente, no caso da regressão linear simples não há diferença. Mas, a

regressão simples não é a única forma de regressão possível. Nós estudaremos a
partir da próxima aula a regressão múltipla, que, no caso, depende de mais de um x.
Por exemplo:
Assim, por exemplo, as vendas de uma empresa podem ser função não somente
dos gastos em propaganda, mas também do investimento em treinamento de
pessoal, da parcela do mercado dominada por ela, etc. Este é um caso de
Regressão Linear Múltipla.
Neste caso, é fácil perceber que o resultado do teste F não é equivalente ao

encontrado nos testes de hipótese sobre b. O teste de hipóteses sobre os
coeficientes analisa a significância estatística de cada coeficiente isoladamente,
enquanto que o teste F analisa a significância estatística conjunta de todos os
coeficientes ao mesmo tempo.
00000000000 - DEMO
Então meus amigos, agora que vocês entenderam o porquê do teste de hipóteses,
além do teste F, vamos entender como operacionalizá-lo.
Novamente, vamos nos lembrar das aulas de estatística. Mas, vamos dar uma
pincelada de forma genérica primeiro.
A idéia básica do teste de hipóteses é afirmar se a ocorrência de um evento tem

uma probabilidade estatística significante, dado um valor de significância, ou seja,
um valor que seria considerado “muita coincidência”.
Vamos para um exemplo prático de nossa aula. Com base na nossa amostra e na
regressão estimada, será que os gastos em propaganda realmente afetam as
vendas da empresa? Isso seria equivalente a estipular duas hipóteses, uma
hipótese nula e outra alternativa de tal forma que:
A estatística de teste deve ser calculada da seguinte forma:
Sendo s o valor estimado para o desvio padrão do parâmetro, que, por se tratar de
uma amostra, é desconhecida.3
A estimativa para a variância de b é dada por:
3
Lembrem-se, o desvio padrão é igual à raiz quadrada da variância.
00000000000 - DEMO
Ao calcular a estatística de teste, cabe compará-la com o valor tabelado da

distribuição t de Student, distribuição esta que é utilizada para os casos em que a
variância populacional não é conhecida. Assim, é preciso fazer o cálculo acima e
consultar tabela t com N-k-1 graus de liberdade e com a significância estatística que
você achar conveniente.4 Olhe o gráfico abaixo.
Caso o valor calculado seja inferior ao valor tabelado, isto significa que não é
possível rejeitar a hipótese nula de que o coeficiente da reta é igual a zero,
situando-se dentro da área branca do gráfico acima. Olha pessoal, o que se está
dizendo com isso é que, dado um valor considerado improvável (área cinza), a
estatística nos permite dizer se este valor está dentro destes padrões esperados.
Caso o valor calculado supere o valor tabelado (área cinza gráfico), rejeita-se a
hipótese nula de que o coeficiente é igual a zero. Ou seja, como aquele “cantinho” é
improvável no caso de a hipótese nula ser verdadeira e como a estatística de teste
nos diz que o valor encontrado está lá, a hipótese nula deve estar errada.
Entenderam?
4
A consulta na tabela irá depender dos graus de liberdade dos quadrados médios dos resíduos e da
significância estatística que o pesquisador achar relevante, como 5%, por exemplo, o que se escreve como
t(N-k-1, 5%).
00000000000 - DEMO
A idéia básica deste teste de hipóteses sobre os parâmetros da regressão é avaliar

se estes últimos apresentam significância estatística. Se o teste de hipóteses indicar
que o parâmetro da equação (2) tem valor igual a zero, deve-se pensar em outra
forma funcional, com outra(s) variável(is) explicativa(s), para explicar a variável y.
Em outras palavras, uma conclusão deste tipo indica que os gastos em propaganda
não afetam as vendas, devendo-se excluir tal variável.
Vamos lembrar a aula de estatística de novo? Há uma coisa importante demais para
se saber. Respondam-me: o que é o p-valor? Bom, vocês têm que me responder
o seguinte:
- Professor, eu aprendi tudo no curso de estatística do “Estratégia Concursos”! O p-

valor é o menor nível de significância ao qual a hipótese nula pode ser rejeitada.
O que é isso?
Vejamos, se você obtém um valor de 0,04 para seu p-valor, isso significa que a
hipótese nula pode ser rejeitada a 4% de significância. Mas, se você escolheu 5%
como seu nível de significância, ou seja, você definiu que 5% é muita coincidência,
você deve rejeitar a hipótese nula. Entenderam? Dêem uma pensada, olhe seus
materiais de estatística, matutem! Matutar é parte do estudar!
Uma coisinha: tal como no caso do teste F, a avaliação destes coeficientes por
meio de testes de hipóteses exige que os erros sejam normalmente distribuídos.
É isso aí pessoal. Vamos fazer exercícios?
00000000000 - DEMO
(ESAF – Agente Fiscal de Tributos Estaduais – SEFAZ PI) Um investigador

toma uma amostra de 10 carregamentos levados a efeito em caminhões de
uma firma de transporte. Para cada carregamento (i) anota a distância
percorrida pelo caminhão em 1.000 Km (X(i)) e o tempo de entrega do
carregamento em dias (Y(i)). Neste contexto postula que o modelo de
regressão linear
Y(i) = + X(i) + (i), i = 1, 2...10
se ajusta a suas observações, onde e são parâmetros desconhecidos e os

(i) são componentes estocásticas (resíduos) não diretamente observáveis,
não correlacionadas, com média zero e variância ² > 0.
Foram encontradas as estatísticas seguintes no ajuste do modelo de

regressão linear:
X(i) = 8;
X(i)² = 12
X(i)*Y(i) = 26
Y(i) = 29
Y(i)² = 100
Com base nessas informações responda:
Exercício 6
Assinale a opção que corresponde à estimativa do aumento esperado no

tempo de entrega decorrente da adição de 1.000km na distância percorrida.
a) 0,5 dias
b) 1,0 dias
c) 3,0 dias
d) 5,0 dias
e) 4,5 dias
00000000000 - DEMO
Resolução
Novamente pessoal, vamos se lembrar da fórmula que define o parâmetro b.
Sabendo-se que:
Assim, vamos estimar o parâmetro:
Dado que o X é medido em 1.000 km, o aumento previsto é de uma unidade, o que
gera um aumento no tempo de entrega de 0,5 dias.
Exercício 7
Assinale a opção que corresponde à estimativa de mínimos quadrados do

parâmetro ².
a) 1,77
b) 1,81
c) 0,40
d) 1,22
e) 1,13
Resolução
Mesma coisa que fizemos anteriormente, que é determinar o quadrado médio do

resíduo. Isso será feito da seguinte forma:
00000000000 - DEMO
Portanto, SQR = SQT – SQE = 14,5.
Assim:
Exercício 8
(IBGE 2002 – Analista Socioeconômico) Numa regressão linear simples, o

coeficiente de determinação representa:
a) a média da soma dos quadrados dos desvios
b) a soma dos quadrados dos resíduos
c) a raiz quadrada do coeficiente de correlação amostral
d) a variância dos dados
e) a porcentagem da variação total dos dados que é explicada pela regressão
Resolução
Bom pessoal, basta ler a definição do R² que nós chegaremos facilmente à

alternativa (e). Com o que nós já sabemos, dá para responder tranquilamente.
Entretanto, quero destacar a alternativa (c). Vocês já sabem que:
Coeficiente de determinação = (coeficiente de correlação amostral)²
00000000000 - DEMO
Exercício 9
(SUSEP 2010 – Atuária) A partir de uma amostra aleatória [x(1), y(1)], [x(2),
y(2)]...[x(20), y(20)] foram obtidas as estatísticas:
Média de X = 12,5
Média de Y = 19
Variância de X = 30
Variância de Y = 54
Covariância entre X e Y = 36
Calcule a reta de regressão 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
Resolução
Vamos lá!
Com base neste resultado:
Assim:
00000000000 - DEMO
Resolva esta questão comigo primeiro!
Exercício 10
(SUSEP 2010 – Atuária) Com os dados da questão anterior, determine o valor

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

fração permanece a mesma. Assim, vamos dividir os dois membros por SQT:
Viram? Esta é uma forma muito importante de se definir o cálculo do R². Decorem!
00000000000 - DEMO
Com base nas variâncias de x e y e na estimativa do parâmetro b, é possível

encontrar o R². Vejamos:
O que pode ser obtido pela seguinte propriedade estatística:
Se .
Pense comigo, vamos explicitar a função em termos das variáveis centradas na

média:
O que acontece se nós dividirmos o numerador e o denominador por (N-1), sendo N

o número de observações da regressão (deixando o resultado final inalterado)? É
isso! Você terá a variância de x e y, pois (N-1)é o número de graus de liberdade da
variância destas variáveis. Assim:
Decore isso! Agora é fácil:
Calculando a estatística F, chega-se a:
00000000000 - DEMO
Exercício 11
(ESAF – AFRFB 2009) Na análise de regressão linear simples, as estimativas
e dos parâmetros e da reta de regressão podem ser obtidas pelo

método de Mínimos Quadrados. Nesse caso, os valores dessas estimativas
são obtidos através de uma amostra de n pares de valores com (i = 1,
2,....,n), obtendo-se: , onde é a estimativa de .

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

adotar como estimativas dos parâmetros e os valores que minimizam a
soma dos quadrados dos desvios . Desse modo, o Método de Mínimos
Quadrados consiste em minimizar a expressão dada por:
a)
b)
c)
d)
e)
Resolução
Pessoal, o que faz o método do MQO?
Isso mesmo! Ele minimiza a soma dos quadrados dos resíduos. Portanto, é fácil
perceber que a expressão que mostra isso, dada a notação usada na questão, é:
00000000000 - DEMO
O gabarito é (a), mas está incorreto, pois deveria haver um sinal de “+” antes de .
Portanto, foi anulada.
(ANPEC – 2003/modificada) – Julgue as afirmativas
Exercício 12
Para que as estatísticas t e F sejam válidas é necessário que os erros sejam

normalmente distribuídos.
Resolução
Perfeito, tal como descrevemos na aula!
Exercício 13
Se uma regressão apresenta R² = 0,2 isso significa que a mesma não é

estatisticamente significante.
Resolução
Cuidado com isso pessoal. O R² não tem nada a ver com a significância de uma
regressão, ele só identifica grau de ajustamento. Falsa.
Exercício 14
A significância conjunta de vários parâmetros estimados em uma regressão

pode ser testada por meio da estatística t.
Resolução
Falsa! Para isso deve ser utilizado o teste F.
00000000000 - DEMO
Exercício 15
(FINEP – CESGRANRIO/2011) O modelo de regressão linear Y = X + erro,

onde (X, Y) são pares de dados observados e é um parâmetro a ser
estimado, foi ajustado aos dados (X, Y) mostrados na figura abaixo.
Foi usada a técnica de minimizar a soma dos erros quadráticos para ajustar a
reta de regressão, a qual
a) passa por ( ), onde e são as médias de X e de Y.
b) passa pela origem (0, 0).
c) não é a única reta que minimiza a soma dos erros quadráticos.
d) tem variância esperada nula.
e) tem coeficiente angular necessariamente negativo.
Resolução
Vamos analisar cada uma das alternativas:

A – não necessariamente, não há nada que garanta isso
B – Correto. Devido ao fato de o modelo ser dado por , não há
intercepto, portanto, quando , será igual à zero também.
C – Errado, estamos estudando o caso em que só há uma reta que minimiza a
soma dos quadrados dos erros.
00000000000 - DEMO
D – Nada garante isso.
E – O coeficiente angular tem o mesmo sinal da associação entre as variáveis,
então, no presente caso, o mesmo é positivo. Olhe no gráfico!
Exercício 16
(AFRFB – ESAF/2013) Um modelo de regressão linear múltipla foi estimado

pelo método de Mínimos Quadrados, obtendo-se, com um nível de confiança
de 95%, os seguintes resultados:
I. = 10 + 2,5*x1 + 0,3*x2 + 2*x3

II. o coeficiente de determinação R2 é igual a 0,9532
III. o valor-p = 0,003
Desse modo, pode-se afirmar que:

a) se a variável x1 for acrescida de uma unidade, então Y terá um acréscimo
de 2,5 %.
b) 0,003 é o mais baixo nível de significância ao qual a hipótese nula pode ser
rejeitada.
c) x3 explica 95,32% das variações de Y em torno de sua média.
d) as probabilidades de se cometer o Erro Tipo I e o Erro Tipo II são,
respectivamente, iguais a 5% e 95%.
e) se no teste de hipóteses individual para 2 se rejeitar a hipótese nula (H0),
então tem-se fortes razões para acreditar que x2 não explica Y.
Resolução
Vamos analisar uma a uma:
A – se a variável x1 for acrescida em uma unidade Y aumentará em 2,5, não em
percentual.
B – Perfeito, esta é a definição de p-valor.
C – O R² não é ó para x3, mas para a regressão toda.
D – Alternativa sem sentido
E – Errado, a rejeição da hipótese nula indica a significância do respectivo
coeficiente.
00000000000 - DEMO
Exercício 17
(ESAF – ATRFB/2009) O modelo de Regressão Linear Múltipla Y = + X+ Z

+ é ajustado às observações (Y, X, Z) que constituem uma amostra aleatória
simples de tamanho 23. Considerando que o coeficiente de determinação foi
R² = 0,80, obtenha o valor mais próximo da estatística F para testar a hipótese
nula de não existência da regressão:
a) 84
b) 44
c) 40
d) 42
e) 80
Resolução
Vamos aplicar a fórmula do teste F:
Alternativa (c).
00000000000 - DEMO
Exercício 18
(TRT 19ª região – FCC\2014 - modificada) Sejam duas variáveis X e Y

representando os salários dos empregados nas empresas Alfa e Beta,
respectivamente, com 100 empregados cada uma. Em um censo realizado nas
duas empresas apurou-se que a média, em milhares de reais, de X foi igual a
2,5 e a média de Y foi igual a 3,2. A soma dos valores dos quadrados, em (R$
1.000,00)², de todos os valores de X foi igual a 650 e de todos os valores de Y
foi igual a 1.047,04. Assim, o coeficiente de variação de:
a) X é igual a 10% e o de Y igual a 20%.
b) X é igual a 20% e o de Y igual a 15%.
c) X é igual ao coeficiente de variação de Y.
d) Y é igual à metade do coeficiente de variação de X.
e) Y não é menor que o coeficiente de variação de X.
Resolução
Bom, o coeficiente de variação (cv) tem a seguinte fórmula:
ã
é
A média nós já temos, portanto temos que calcular a variância com base na
seguinte fórmula:
� é é
Vamos encontrar a variância para X e Y:
00000000000 - DEMO
Assim, os coeficientes de variação são:
Esta última conta é meio complicada, mas não tem jeito! A melhor forma de
encontrar a resposta é utilizar . Como os números são bem próximos, você
consegue perceber que o coeficiente de variação de Y será menor do que o de X,
eliminando a maior parte das alternativas. A alternativa (d), também não seria
possível, pois cv(Y) não chegaria a ser metade do de X.
Alternativa (b).
Exercício 19
(SEFAZ-SP – 2013/FCC) Considere:

I. O coeficiente de variação de uma variável é uma medida de dispersão
absoluta que é o resultado da divisão entre a média e o desvio padrão da
variável em questão.
II. Um dispositivo útil quando se deseja verificar se existe correlação linear
entre duas variáveis é o gráfico de colunas justapostas.
III. O desvio padrão é mais apropriado do que o coeficiente de variação
quando se deseja comparar a variabilidade de duas variáveis.
IV. Na amostragem aleatória estratificada, a população é dividida em estratos,
usualmente, de acordo com os valores ou categorias de uma variável, e,
depois, uma amostragem aleatória simples é utilizada na seleção de uma
amostra de cada estrato. Está correto o que se afirma APENAS em
a) I.
b) II.
c) III.
d) I e IV.
e) IV.
00000000000 - DEMO
Resolução
Vamos analisar cada item:
I.O conceito está incorreto, o conceito de coeficiente de variação é uma medida de

dispersão relativa, que decorre da divisão do desvio padrão pela média e não o
contrário.
II.Essa utilização gráfica não é adequada para encontrar correlação linear, há vários
métodos, conforme descritos na aula de correlação e regressão.
III.O coeficiente de variação permite uma comparação mais adequada entre as
dispersões de duas variáveis diferentes, essa é sua principal utilidade!
IV.Definição perfeita. Alternativa (e).
Exercício 20
(TRT 12ª – FCC\2013) Um modelo de regressão linear múltipla, com intercepto,

consiste de uma variável dependente, 3 variáveis explicativas e com base em
12 observações. As estimativas dos parâmetros do modelo foram obtidas pelo
método dos mínimos quadrados e o valor encontrado da estatística F (F
calculado) utilizado para testar a existência da regressão foi igual a 14. O
coeficiente de explicação (R2), definido como sendo o resultado da divisão da
variação explicada pela variação total, é, em %, igual a
a) 80,0.
b) 76,8.
c) 78,0.
d) 72,0.
e) 84,0.
Resolução
Vamos inverter um raciocínio que já fizemos a fim de encontrar o R²! Veja a fórmula
que já usamos:
00000000000 - DEMO
Agora, a nossa incógnita é o R²! A quantidade de observações é 12, há 3 variáveis

explicativas e o F calculado é de 14. Assim:
Vamos multiplicar invertido:
Multiplicando invertido novamente:
Alternativa (e).
(ANATEL – CESPE/2014)
00000000000 - DEMO
Exercício 21
Resolução
Pessoal, esta questão exige um pouco de raciocínio lógico. Veja, qual é a fórmula
do nosso coeficiente ?
Você percebe que o que a regressão faz é explicar a “variação média em y pela
variação média em x”. Se a variância de x é nula, isso significa que se trata de uma
constante. O que você acha que acontece se tentarmos encontrar os valores
centrados para x se o mesmo é uma constante? Ora, a média da série de x é igual
a todos os seus valores! Se isso ocorre, para todas as observações:
Assim, não há como determinar o coeficiente procurado quando a variância da

variável explicativa neste nosso modelo é nula.
Alternativa falsa.
Exercício 22
00000000000 - DEMO
Resolução
Já mostrei isso na questão anterior. Pode-se escrever a fórmula de nosso estimador

da seguinte forma:
Alternativa correta.
Exercício 23
Resolução
Nós iremos estudar isso de forma mais aprofundada mais adiante no curso. Porém,
com base nesta aula, você já responde esta questão! Compare dois modelos (1 e 2,
por exemplo). Suponha que o modelo 1 possua um maior valor para o R² do que o
2, isso significa que este é “melhor”? Não! Por exemplo, você olhou o teste F? Se o
teste F indicar uma regressão não significativa para o modelo 1, mas significativa
para o 2, com certeza você irá preferir o modelo 2!
Alternativa errada.
00000000000 - DEMO
Exercício 24
(PETROBRAS – CESGRANRIO/2012)
Resolução
Questão muito fácil, pois basta utilizar a fórmula que eu mostrei na questão anterior.
Porém, atenção, tem uma pegadinha! O exercício te dá o desvio padrão de x e não

sua variância. Se o desvio padrão é de 10:
Substituindo na primeira fórmula:
Alternativa (c).
00000000000 - DEMO
Exercício 25
Resolução
Lembrem-se da nossa fórmula para o cálculo da estatística de teste do “teste de

hipótese sobre os coeficientes”:
Ou seja, basta dividir o valor da estimativa do coeficiente pelo seu respectivo desvio
padrão:
00000000000 - DEMO
Alternativa (b).
00000000000 - DEMO
Lista das questões Apresentadas com Gabarito
Exercício 2


Utilizando a equação da reta obtida pelo método dos mínimos quadrados, tem-
se que, caso haja um gasto anual com propaganda de 80 mil reais, a previsão
do lucro bruto anual, em mil reais, será de:
a) 158
b) 128,4
c) 121
d) 102,5
e) 84
00000000000 - DEMO
Exercício 3.
(CESGANRIO – BACEN/2010)
Fonte de Soma dos Graus de Média de F

Variação Quadrados Liberdade Quadrados
Fator 6752,0 2
Erro 30178,0
Total 36930,0 29
Analisando a tabela ANOVA acima, considere as conclusões a seguir:
I – A análise de variância (ANOVA) teste se várias populações têm a mesma

média; para tanto, são comparadas a dispersão das médias amostrais e a
variação existente dentro da amostra
II – ANOVA indica que:
III – A estatística F, calculada com a informação da tabela acima, é acima 2,651

e deve ser comparada com o valor tabelado F(2,29) para um grau de
significância escolhido.
É correto APENAS o que se conclui em:
a) I
b) III
c) I e II
d) I e III
e) II e III
00000000000 - DEMO
Exercício 5


Montando o quadro de análise de variância (ANOVA), tem-se que:
a) a variação total apresenta um valor de 62,5.
b) a variação explicada, fonte de variação devido à regressão, apresenta um

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

determinação (R²).
d) o valor da estatística F necessária para o teste da existência da regressão é

igual ao quociente da divisão da variação explicada pela variação residual.
e) a variação residual apresenta um valor igual a 17,5.
00000000000 - DEMO
(ESAF – Agente Fiscal de Tributos Estaduais – SEFAZ PI) Um investigador

toma uma amostra de 10 carregamentos levados a efeito em caminhões de
uma firma de transporte. Para cada carregamento (i) anota a distância
percorrida pelo caminhão em 1.000 Km (X(i)) e o tempo de entrega do
carregamento em dias (Y(i)). Neste contexto postula que o modelo de
regressão linear
Y(i) = + X(i) + (i), i = 1, 2...10
se ajusta a suas observações, onde e são parâmetros desconhecidos e os

(i) são componentes estocásticas (resíduos) não diretamente observáveis,
não correlacionadas, com média zero e variância ² > 0.
Foram encontradas as estatísticas seguintes no ajuste do modelo de

regressão linear:
X(i) = 8;
X(i)² = 12
X(i)*Y(i) = 26
Y(i) = 29
Y(i)² = 100
Com base nessas informações responda:
Exercício 6
Assinale a opção que corresponde à estimativa do aumento esperado no

tempo de entrega decorrente da adição de 1.000km na distância percorrida.
a) 0,5 dias
b) 1,0 dias
c) 3,0 dias
d) 5,0 dias
e) 4,5 dias
00000000000 - DEMO
Exercício 7
Assinale a opção que corresponde à estimativa de mínimos quadrados do

parâmetro ².
a) 1,77
b) 1,81
c) 0,40
d) 1,22
e) 1,13
Exercício 8
(IBGE 2002 – Analista Socioeconômico) Numa regressão linear simples, o

coeficiente de determinação representa:
a) a média da soma dos quadrados dos desvios
b) a soma dos quadrados dos resíduos
c) a raiz quadrada do coeficiente de correlação amostral
d) a variância dos dados
e) a porcentagem da variação total dos dados que é explicada pela regressão
Exercício 9
(SUSEP 2010 – Atuária) A partir de uma amostra aleatória [x(1), y(1)], [x(2),
y(2)]...[x(20), y(20)] foram obtidas as estatísticas:
Média de X = 12,5
Média de Y = 19
Variância de X = 30
Variância de Y = 54
Covariância entre X e Y = 36
00000000000 - DEMO
Calcule a reta de regressão 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
Exercício 10
(SUSEP 2010 – Atuária) Com os dados da questão anterior, determine o valor

da estatística F para testar a hipótese nula de que o coeficiente angular da reta
do modelo de regressão linear simples de Y contra X é igual a zero.
a) 144
b) 18
c) 36
d) 72
e) 48
Exercício 11
(ESAF – AFRFB 2009) Na análise de regressão linear simples, as estimativas
e dos parâmetros e da reta de regressão podem ser obtidas pelo

método de Mínimos Quadrados. Nesse caso, os valores dessas estimativas
são obtidos através de uma amostra de n pares de valores com (i = 1,
2,....,n), obtendo-se: , onde é a estimativa de .

Para cada par de valores com (i = 1, 2,...,n) pode-se estabelecer o desvio
00000000000 - DEMO
ou resíduo - aqui denotado por - entre a reta de regressão e sua
estimativa . Sabe-se que o Método de Mínimos Quadrados consiste em

adotar como estimativas dos parâmetros e os valores que minimizam a
soma dos quadrados dos desvios . Desse modo, o Método de Mínimos
Quadrados consiste em minimizar a expressão dada por:
a)
b)
c)
d)
e)
(ANPEC – 2003/modificada) – Julgue as afirmativas
Exercício 12
Para que as estatísticas t e F sejam válidas é necessário que os erros sejam

normalmente distribuídos.
Exercício 13
Se uma regressão apresenta R² = 0,2 isso significa que a mesma não é

estatisticamente significante.
Exercício 14
00000000000 - DEMO
A significância conjunta de vários parâmetros estimados em uma regressão

pode ser testada por meio da estatística t.
Exercício 15
(FINEP – CESGRANRIO/2011) O modelo de regressão linear Y = X + erro,

onde (X, Y) são pares de dados observados e é um parâmetro a ser
estimado, foi ajustado aos dados (X, Y) mostrados na figura abaixo.
Foi usada a técnica de minimizar a soma dos erros quadráticos para ajustar a
reta de regressão, a qual
a) passa por ( ), onde e são as médias de X e de Y.
b) passa pela origem (0, 0).
c) não é a única reta que minimiza a soma dos erros quadráticos.
d) tem variância esperada nula.
e) tem coeficiente angular necessariamente negativo.
00000000000 - DEMO
Exercício 16
(AFRFB – ESAF/2013) Um modelo de regressão linear múltipla foi estimado

pelo método de Mínimos Quadrados, obtendo-se, com um nível de confiança
de 95%, os seguintes resultados:
I. = 10 + 2,5*x1 + 0,3*x2 + 2*x3

II. o coeficiente de determinação R2 é igual a 0,9532
III. o valor-p = 0,003
Desse modo, pode-se afirmar que:

a) se a variável x1 for acrescida de uma unidade, então Y terá um acréscimo
de 2,5 %.
b) 0,003 é o mais baixo nível de significância ao qual a hipótese nula pode ser
rejeitada.
c) x3 explica 95,32% das variações de Y em torno de sua média.
d) as probabilidades de se cometer o Erro Tipo I e o Erro Tipo II são,
respectivamente, iguais a 5% e 95%.
e) se no teste de hipóteses individual para 2 se rejeitar a hipótese nula (H0),
então tem-se fortes razões para acreditar que x2 não explica Y.
00000000000 - DEMO
Exercício 17
(ESAF – ATRFB/2009) O modelo de Regressão Linear Múltipla Y = + X+ Z

+ é ajustado às observações (Y, X, Z) que constituem uma amostra aleatória
simples de tamanho 23. Considerando que o coeficiente de determinação foi
R² = 0,80, obtenha o valor mais próximo da estatística F para testar a hipótese
nula de não existência da regressão:
a) 84
b) 44
c) 40
d) 42
e) 80
Exercício 18
(TRT 19ª região – FCC\2014 - modificada) Sejam duas variáveis X e Y

representando os salários dos empregados nas empresas Alfa e Beta,
respectivamente, com 100 empregados cada uma. Em um censo realizado nas
duas empresas apurou-se que a média, em milhares de reais, de X foi igual a
2,5 e a média de Y foi igual a 3,2. A soma dos valores dos quadrados, em (R$
1.000,00)², de todos os valores de X foi igual a 650 e de todos os valores de Y
foi igual a 1.047,04. Assim, o coeficiente de variação de:
a) X é igual a 10% e o de Y igual a 20%.
b) X é igual a 20% e o de Y igual a 15%.
c) X é igual ao coeficiente de variação de Y.
d) Y é igual à metade do coeficiente de variação de X.
e) Y não é menor que o coeficiente de variação de X.
00000000000 - DEMO
Exercício 19
(SEFAZ-SP – 2013/FCC) Considere:

I. O coeficiente de variação de uma variável é uma medida de dispersão
absoluta que é o resultado da divisão entre a média e o desvio padrão da
variável em questão.
II. Um dispositivo útil quando se deseja verificar se existe correlação linear
entre duas variáveis é o gráfico de colunas justapostas.
III. O desvio padrão é mais apropriado do que o coeficiente de variação
quando se deseja comparar a variabilidade de duas variáveis.
IV. Na amostragem aleatória estratificada, a população é dividida em estratos,
usualmente, de acordo com os valores ou categorias de uma variável, e,
depois, uma amostragem aleatória simples é utilizada na seleção de uma
amostra de cada estrato. Está correto o que se afirma APENAS em
a) I.
b) II.
c) III.
d) I e IV.
e) IV.
00000000000 - DEMO
Exercício 20
(TRT 12ª – FCC\2013) Um modelo de regressão linear múltipla, com intercepto,

consiste de uma variável dependente, 3 variáveis explicativas e com base em
12 observações. As estimativas dos parâmetros do modelo foram obtidas pelo
método dos mínimos quadrados e o valor encontrado da estatística F (F
calculado) utilizado para testar a existência da regressão foi igual a 14. O
coeficiente de explicação (R2), definido como sendo o resultado da divisão da
variação explicada pela variação total, é, em %, igual a
a) 80,0.
b) 76,8.
c) 78,0.
d) 72,0.
e) 84,0.
(ANATEL – CESPE/2014)
Exercício 21
Exercício 22
00000000000 - DEMO
Exercício 23
Exercício 24
00000000000 - DEMO
Exercício 25
00000000000 - DEMO
2-d
3-c
5-e
6-a
7-b
8-e
9-c
10 - d
11 - a
12 – V
13 – F
14 – F
15 – b
16 – b
17 – c
18 – b
19 – e
20 – e
21 – F
22 – V
23 – F
24 – c
25 – b
É isso aí pessoal.
Logo estaremos de volta. Pratiquem! Este é o caminho. Precisando é só chamar.

Vou fazer o possível para atender rapidamente às suas perguntas.
Um forte abraço.
jeronymo@estrategiaconcursos.com.br
00000000000 - DEMO

Aula 0 Econometria para Bacen

Enviado por

Dados do documento

Descrição original:

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 0 Econometria para Bacen

Enviado por

Direitos autorais:

Formatos disponíveis

Livro Eletrônico

Econometria p/ Analista do BACEN - Área 3

AULA 00: REGRESSÃO SIMPLES

1. Introdução ao Método de Regressão 5

2. Estimação com base em amostra e Método dos Mínimos

4. Teste de hipóteses sobre os coeficientes 29

8. Lista das questões apresentadas com gabarito 54

- “Mas, afinal de contas, quem é você professor?”

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 68

- “Professor, é verdade que só pessoas com mestrado e doutorado passam no

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 68

-“Mas, será que eu consigo”?

Pessoal, o meu estilo se caracteriza pelo seguinte: pragmatismo e informalidade.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 68

AULA MATÉRIA DATA

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 68

Um detalhe importante: muitos alunos reclamam de dificuldade com Econometria.

Chega de conversa, vamos ao que interessa!

1. Introdução ao método de Regressão

Pessoal, hora de forçar a memória escolar e lembrar o que é uma função, 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 número de equipamentos elétricos em uma casa.

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

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 68

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

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

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

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 68

O processo de encontrar a relação entre y e x é chamado de Regressão e,

Como a equação (1) só possui uma variável explicativa, o processo de

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 68

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 68

1ª hipótese sobre o modelo de regressão:

2. Estimação com base em amostra e Método dos Mínimos Quadrados

População = conjunto de todos os elementos que

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 68

Sendo que o travessão sobre determinada variável representa o valor médio da

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 68

Assim, b pode ser encontrado pelo somatório da multiplicação de cada

Atenção! Muitos exercícios de concursos públicos se utilizam de propriedades

Ou seja, o exercício fornece o somatório das variáveis utilizadas na equação,

No caso da segunda equação, que define (também chamado de intercepto), há

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 11 de 68

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 12 de 68

Bom, primeiramente, vamos encontrar alguns dados necessários para a resolução.

Vamos aplicar a fórmula:

Com base no resultado acima, podemos calcular:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 13 de 68

Pessoal, vocês estão entendendo o que representa cada coeficiente? Pense um

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 14 de 68

Entenderam? Vamos ver:

(FCC - ANALISTA BACEN 2005) Uma empresa com a finalidade de determinar

Considerou, para o estudo, as seguintes informações referentes às

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 15 de 68

Assim, dadas as formas funcionais para cálculo:

Pode-se inferir as estimativas:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 16 de 68

Assim, temos a equação de reta. Substituindo X = 80, tem-se que:

Vamos lá pessoal, de olho na aprovação!

-“Professor, não entendi nada!”

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 17 de 68