Você está na página 1de 6

Regressão Linear Simples

Domingos Francisco

07/03/2021

Os dados a serem analisados foram extraídos do FMI, dados macroeconô micos que
explicam o ocorrido dos anos 2000 até 2019, sobre as variá veis macroeconô micas
como Pib, taxa de juros, e taxa de inflaçã o. Objetivo é analisa através do softwer
RStudio, como uma variá vel influencia no crescimento ou diminuiçã o dos mesmos.
library(pacman)
pacman::p_load(dplyr, car, rstatix, ggplot, lmtest, ggpubr)

## Installing package into 'C:/Users/Domingos Francisco/Documents/R/win-


library/4.0'
## (as 'lib' is unspecified)

dados <- read.csv2("Macroeconomia.csv")


glimpse(dados)

## Rows: 20
## Columns: 4
## $ Data <int> 2000, 2001, 2002, 2003, 2004, 2005, 2006,
2007, 2008,~
## $ Taxa.de.inflação <dbl> 325.0, 152.6, 108.9, 98.2, 43.5, 23.0, 13.3,
12.2, 12~
## $ PIB <dbl> 3.0546242, 4.2059986, 13.6656865, 2.9898500,
10.95286~
## $ Taxa.de.juros <dbl> -60.781327, -5.032933, -33.553402, -1.128336,
-36.641~

##Banco de dados
Neste ponto se apresentará o banco de dados que está constituido com informaçõ es
relacionadas ao Pib, a taxa de inflçã o e a taxa de juros num periodo de 10 anos, isto é,
de 2000 a 2019.
dados

## Data Taxa.de.inflação PIB Taxa.de.juros


## 1 2000 325.0 3.0546242 -60.781327
## 2 2001 152.6 4.2059986 -5.032933
## 3 2002 108.9 13.6656865 -33.553402
## 4 2003 98.2 2.9898500 -1.128336
## 5 2004 43.5 10.9528618 -36.641129
## 6 2005 23.0 15.0289153 -17.799804
## 7 2006 13.3 11.5476832 2.042995
## 8 2007 12.2 14.0100182 12.837334
## 9 2008 12.5 11.1661383 -5.727000
## 10 2009 13.7 0.8587126 38.975947
## 11 2010 14.5 4.8591975 -6.944856
## 12 2011 13.5 3.4719814 9.876413
## 13 2012 10.3 8.5421473 8.764746
## 14 2013 8.8 4.9545047 12.610780
## 15 2014 7.3 4.8226256 12.380597
## 16 2015 9.2 0.9435756 21.144188
## 17 2016 30.7 -2.5800972 -4.922053
## 18 2017 29.8 -0.1472074 -5.552691
## 19 2018 19.6 -2.0035768 -6.499689
## 20 2019 17.1 0.8693938 12.218611

Deste modo, vamos descrever a fuçã o summary para obtermos a estatística descritiva
das variá veis estudadas.
summary(dados)

## Data Taxa.de.inflação PIB Taxa.de.juros


## Min. :2000 Min. : 7.30 Min. :-2.580 Min. :-60.781
## 1st Qu.:2005 1st Qu.: 12.43 1st Qu.: 0.925 1st Qu.: -6.611
## Median :2010 Median : 15.80 Median : 4.514 Median : -3.025
## Mean :2010 Mean : 48.19 Mean : 5.561 Mean : -2.687
## 3rd Qu.:2014 3rd Qu.: 33.90 3rd Qu.:11.006 3rd Qu.: 12.259
## Max. :2019 Max. :325.00 Max. :15.029 Max. : 38.976

O objetivo principal deste relató rio é de apresentar apresentar a relaçã o linear de


duas variá veis, que sã o a taxa de inflaçã o com a taxa de juros.
pretende-se analisar como o aumento da taxa de juros influencia no aumento da taxa
de inflaçã o. Neste caso, tem se como a variá vel dependente, a taxa de inflaçã o e a
variá vel independente a taxa de juros. Antes de aplicar o modelo primeiro passo é
observar o plot das variá veis.
plot(dados$Taxa.de.inflação, dados$Taxa.de.juros)
A partir dos grá ficos acima obserava-se a ausência de homocedasticidade, ou seja, os
dados nã o sã o homogenio.
Para obter-mos a consturçã o do modelo, temos o seguinte có digo:
mod <- lm(Taxa.de.inflação ~ Taxa.de.juros, dados)

Aná lise grá fica


par(mfrow=c(2,2))
plot(mod)
[Interpretaçã o dos grá ficos] (https://data.library.virginia.edu/diagnostic-plots/)
par(mfrow=c(1,1))

Vamos fazer o teste de Shapiro Wilk para obtençã o da normalidade dos residuos:
shapiro.test(mod$residuals)

##
## Shapiro-Wilk normality test
##
## data: mod$residuals
## W = 0.91981, p-value = 0.09827

Espaço para fazer comentá rios…


Independência dos Resíduos (Durbin-Watson)
durbinWatsonTest(mod)

## lag Autocorrelation D-W Statistic p-value


## 1 0.1515471 1.363876 0.126
## Alternative hypothesis: rho != 0

Aná lise da homocedasticidade (Breusch-Pagan):


bptest(mod)
##
## studentized Breusch-Pagan test
##
## data: mod
## BP = 8.2057, df = 1, p-value = 0.004176

Para obtermos a aná lise completa do modelo usar-se-á a funçã o Sumary.


summary(mod)

##
## Call:
## lm(formula = Taxa.de.inflação ~ Taxa.de.juros, data = dados)
##
## Residuals:
## Min 1Q Median 3Q Max
## -87.721 -28.523 -6.959 8.848 134.743
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 41.6149 12.4108 3.353 0.003540 **
## Taxa.de.juros -2.4455 0.5708 -4.285 0.000446 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 55.08 on 18 degrees of freedom
## Multiple R-squared: 0.5049, Adjusted R-squared: 0.4774
## F-statistic: 18.36 on 1 and 18 DF, p-value: 0.0004461

Dados a serem interpretado…


Para obter-se os grá ficos de dispersã o usa-se o seguinte có digo:
ggplot(data = dados, mapping = aes(x = Taxa.de.inflação, y =
Taxa.de.juros))+
geom_point()+
geom_smooth(method ="lm", col = "red")+
stat_regline_equation(aes(label = paste(..eq.label.., ..adj.rr.label..,
sep = "*plain(\",\")~~")),
label.x = 0, label.y = 400) +
theme_classic()

## `geom_smooth()` using formula 'y ~ x'


Obs:
descrever a aná lise do grá fico.

Você também pode gostar