Você está na página 1de 12

Suposições

(Recordação)
Suposições

MLR.1 – O modelo de regressão é linear nos parâmetros

O modelo na população pode ser escrito como

y= 0 + 1 x1 + 2 x2 + ... + k xk +u

em que

0, 1, ..., k – são parâmetros desconhecidos


(constantes);

u – erro aleatório não observável.


Suposições
MLR.2 – Amostragem Aleatória

Temos uma amostra aleatória de n observações

(x1i, x2i, ..., xki, yi), i = 1, 2, ..., n,

do modelo populacional descrito em MLR.1.

MLR.3 – Ausência de Colinearidade Perfeita

Na amostra (e, portanto, na população) nenhum regressor é


constante e não há relação linear PERFEITA entre os
regressores.
Suposições
MLR.4 – Média Condicional Zero

O termo de erro aleatório, u, tem valor esperado igual a zero,


dados quaisquer valores dos regressores. Ou seja,

E(u | x1, x2, ..., xk) = E(u) = 0.

Observação

Todos os fatores contidos em u devem ser não


correlacionados com as variáveis explicativas, e deve ter
sido usada a forma funcional correta.
Resultados

Teorema. Sob as suposições MLR.1 a MLR.4, os estimadores


de mínimos quadrados ordinários (MQO) para os parâmetros
do modelo de regressão múltipla são não-viesados, ou seja,
E(βˆ j )  β j , j = 0, 1, 2, ..., k.

Teorema. Sob as suposições MLR.1 a MLR.4, os estimadores


de MQO para os parâmetros do modelo de regressão múltipla
 
são consistentes, ou seja, p lim ˆ j   j , j = 0, 1, 2, ..., k.
Suposições

MLR.5 – Homocedasticidade

O termo de erro aleatório tem a mesma variância dado


quaisquer valores dos regressores. Ou seja,

Var (u | x1, x2, ..., xk) = 2.

Observação

As suposições MLR.1 a MLR.5 conjuntamente são


conhecidas como suposições de Gauss-Markov.
6
Resultados
Teorema. Sob as suposições MLR.1 a MLR.5, condicionadas
aos valores amostrais das variáveis explicativas
 2
Var ( ˆ j )  , j  1, 2 , ..., k
SQTx (1  Rx )
j
2
j

em que
2 = variância do termo de erro estocástico;
SQTxj = SQT associado ao j-ésimo regressor na
amostra;
R2xj = R2 da regressão de xj contra todos os outros
regressores (incluindo um intercepto).
7
Resultados

Teorema. Sob as suposições de Gauss-Markov (MLR.1 a


MLR.5),

 SQR 
E(σˆ )  E(QMR)  E 
2
  σ 2 .
 n  (k  1) 

Observação

̂  QMR : erro padrão da regressão.

8
Resultados

Teorema. Sob as suposições de Gauss-Markov (MLR.1 a


MLR.5),
  a
n ˆ j   j ~ Normal

 
p lim ˆ 2   2

( ˆ j   j ) a
~ N (0,1)
ep( ˆ )
j

9
Resultados

Teorema. Sob as suposições MLR.1 a MLR.5,

ˆ0 , ˆ1 , ..., ˆk

são os melhores estimadores, na classe dos lineares não-


viesados (BLUE) para 0, 1, ..., k, respectivamente.

(TEOREMA DE GAUSS-MARKOV)

10
Suposições

MLR.6 – Normalidade

A v.a. u, que denota o termo de erro estocástico do modelo


de regressão linear múltipla, é independente dos regressores
e é normalmente distribuída, com média zero e variância 2.

Ou seja, u ~ N(0; 2)

11
Resultados

Teorema. Sob as suposições CLM (MLR.1 a MLR.6),


condicionado nos valores amostrais das variáveis
explicativas,
  2 
βˆ j ~ N  β j ; 
 SQT (1  R 2
) 
 x j x j 

12