Econometria 1

Regressão Linear Simples:

Duas Variáveis
 O conceito de Função de Regressão
Populacional (FRP)
• A cada média condicional é uma função
de . Simbolicamente, em que ,
indica alguma função linear de . Em exemplo
hipotético, é função linear de .A
equação é conhecida como função
de regressão populacional (FRP) de duas
variáveis ou, abreviadamente, regressão
populacional (RP). Ela expressa simplesmente
que a média populacional da distribuição Y,
dado X, se relaciona funcionalmente com X.
 Cont.
Que forma assume a função ? É uma questão
importante porque, nas situações reais, não
temos a população inteira disponível para
exame. A forma funcional da FRP é, portanto,
uma questão empírica, embora em casos
específicos a teoria possa ter algo a dizer.
Então, como uma primeira aproximação ou
uma hipótese de trabalho, podemos supor
que FRP seja uma função linear de , do
tipo
 O significado do termo Linear
Uma vez que esta cadeira se ocupa
principalmente de modelos lineares como
é essencial saber o que significa
realmente o termo linear, já que este pode ser
interpretado de duas maneiras.
Linearidade nas Variáveis
O primeiro- e talvez mais ‘’natural’- significado
de linearidade é que a expectativa condicional
de Y é função linear de X.
 Cont.
Geometricamente, a curva de regressão neste
caso é uma reta.

Linearidade nos Parâmetros

A segunda interpretação de linearidade é que a
expectativa condicional de Y, E(Y/X), é uma
função linear dos parâmetros, os Bs, isso pode
ou não ser linear na variáveis.
Linearidade nos Linearidade nas Resultado exemplo
parâmetros variáveis

Sim Sim MRL

Sim Não MRL

Não Sim Não é MRL

Não Não Não é MRL

Especificação Estocástica da FRP
Podemos expressar o desvio de um Y,
individual em torno do seu valor esperado,
assim: ou em que o desvio
é uma variável aleatória não-observável
que pode assumir valores positivos ou
negativos. Tecnicamente, é conhecido como
termo erro estocástico ou perturbação
estocástica. Ler página 28,29,30 Damodar N.
Gujarati
A função de Regressão Amostral
Agora é a hora de encaramos os problemas da
amostragem, já que temos na maioria das
situações práticas é somente uma amostra de
valores Y correspondentes a alguns Xs fixos.
Por isso, nossa tarefa agora é estimar a FRP
com base nas informações da amostra. Para
podermos determinar o valor médio da
população nos usamos a amostra porque na
maioria das vezes não temos a população
interna para um determinado estudo.
 Tabela1 tabela2
Y X Y X
70 80 55 80
65 100 88 100
90 120 90 120
95 140 80 140
110 160 118 160
115 180 120 180
120 200 145 200
140 220 135 220
155 240 145 240
150 260 175 260
 Cont.
A questão é: pela amostra da tabela 1,
podemos prever o consumo médio semanal Y,
da população como um todo, correspondente
aos Xs escolhidos? Em outras palavras,
podemos estimar a FRP a partir dos dados da
amostra? Como vocês devem suspeitar, não
conseguiremos estimar a FRP ‘’acuradamente’’
por causa das flutuações da amostragem. Para
ver isso supunha que tiramos uma amostra
aleatória da população tabela 1 e 2.
 Cont.
consumo

200 FRP2

FRP1
150

100

50

80 100 120 140 160 180 200 260

Renda
 Cont.
Agora, analogamente à FRP, que fundamenta a
recta da população, podemos desenvolver o
conceito de função de regressão amostral
(FRA) para representar a recta de regressão
amostral temos a equação: em que
= estimador de E(Y/X)
= estimador de
= estimador de
 Cont.
Observe que um estimador, também conhecido
como uma estatística (da mostra), é
simplesmente uma regra, fórmula ou método
que nos diz como estimar o parâmetro da
população a a partir das informações dadas
pela amostra disponível.
representa o termo resíduo (da amostra).
Conceitualmente, é uma estima de
 O Problema da estimativa
A nossa tarefa é estimar a função de regressão
populacional (FRP) com base na função de
regressão amostral (FRA) de tão acurado
possível. Há vários métodos de construção da
FRA, mas, no que interessa à análise de
regressão, o método utilizado com mais
frequência é o método dos mínimos
quadrados ordinários (MQO).
 MQO
O método dos mínimos quadrados ordinários é
atribuído a Carl Friedrich Gauss, um
matemático alemão. Sob certas hipóteses, o
método dos mínimos quadrados tem algumas
propriedades estatísticas muito atraentes, que
fizeram dele um dos mais poderosos e
populares métodos de análise de uma
regressão.
formulas
 Exemplo
Y X

3 -2

2 -1

1 0

1 1

0.5 2
 obrigado

dr. Nixon Vicente