(Greene, Cap.

04)

Professor Cleomar Gomes

Introdução
▪ Por que usar MQO se há outros candidatos para se estimar “β”?

▪ Escolha do estimador:
❖ Baseia-se nas propriedades estatísticas dos candidatos, tais como:

➢Viés

➢Consistência

➢Eficiência

➢Distribuição Amostral

▪ Vamos considerar as propriedades em amostras finitas do MQO,

como o viés, e estas são independentes do tamanho da amostra.

2
Introdução

▪ A análise supõe que os dados correspondam às hipóteses do modelo:

❖ A1. Linearidade

❖ A2. Posto completo

❖ A3. Exogeneidade das variáveis independentes

❖ A4. Homocedasticidade e não-autocorrelação

❖ A5. Geração exógena dos dados

❖ A6. Distribuição Normal

3
4.2. Motivação para o MQO

▪ Condições de Ortogonalidade da População:

❖ Seja X um vetor de variáveis independentes no modelo de regressão

populacional.

❖ Pela Hipótese A3 e pela Lei das Expectativas Iteradas:

▪ Assim:

Equação (4-1): relação da população

O lado direito não é uma função de

“y”. Assim, as expectativa é tomada
somente para “x”)
4
Condições de Ortogonalidade da População

▪ Lembre-se da equação do MQO:

▪ Basta dividir isso por “n” e escrevê-lo como um somatório:

Equação (4-2): relação da amostra

❖ Assumindo as condições da Lei dos Grandes Números, as somas dos lados

esquerdo e direito de (4-2) são estimadores de suas contrapartes em (4-1).

❖ Assim, com o uso do MQO podemos “imitar” na amostra as relações da

população.
5
6
Distribuição Amostral e Ausência de Viés
▪ Seja uma extração de 1.000 amostras aleatórias de 100 observações de
uma população.
▪ Análise da distribuição das inclinações:
❖ Média: se aproxima do "verdadeiro
valor“ de 0,5.
❖ Variância: variância substancial,
refletindo o fato de a inclinação da
regressão ser uma variável
aleatória.

▪ Conceito de ausência de viés:

❖ Relaciona com a tendência central
da distribuição dos valores obtidos
em amostras repetidas a partir da
população. 7
4.3.1. Estimação não viesada

▪ Hipóteses para a ausência de viés:

❖ Um estimador MQO é não-viesado para qualquer amostra.

❖ Para ver isso basta escrever:

❖ Tirando expectativas e iterando o processo:

❖ Pela Hipótese A3 de Exogeneidade, o 2º termo da equação acima é zero.

8
4.3.1. Estimação não viesada

▪ Assim:

▪ Interpretação deste resultado

❖ Para qualquer conjunto particular de observações, X, o estimador MQO

tem expectativa “β”.

❖ Portanto, quando se tira a média dos possíveis valores de X, fica claro

que a média incondicional também é “β”.

9
Conceitos: Ausência de Viés, Eficiência e Consistência

▪ Ausência de Viés
❖ Um estimador é não viesado se seu valor esperado é o verdadeiro valor do
parâmetro.

▪ Eficiência
❖ Um estimador é eficiente se possuir erro padrão inferior a outros estimadores
para um dado tamanho de amostra.

❖ Um estimador eficiente é também um estimador não viesado com variância

mínima (BLUE).

▪ Consistência
❖ Um estimador é consistente se converge para seu verdadeiro valor na medida
em que o tamanho da amostra aumenta. 10
11
Omissão e Inclusão de Variáveis

▪ Omissão de variáveis relevantes:

❖ Provoca subespecificação do modelo

❖ Gera viés nos estimadores de MQO.

▪ Inclusão de variáveis irrelevantes:

❖ Provoca superespecificação do modelo.

❖ Não afeta a inexistência de viés dos estimadores MQO.

❖ Mas tem efeitos indesejáveis sobre as variâncias dos estimadores de

MQO.
12
4.3.2. Viés causado pela omissão de variáveis relevantes

▪ Seja o seguinte modelo de regressão é:

▪ Existem inúmeros tipos de erros de especificação na construção de um

modelo de regressão. Por exemplo:
❖ Omissão de variáveis relevantes

❖ Inclusão de variáveis supérfluas (irrelevante).

▪ Suponha que um modelo corretamente especificado fosse:

❖ em que as 2 partes de X têm K1 e K2 colunas, respectivamente.

13
4.3.2. Viés causado pela omissão de variáveis relevantes

▪ Se regredirmos “y” em “X1” sem incluirmos “X2”, o estimador será:

▪ Tomando as expectativas, b1 não será viesado somente se 𝑋1′ 𝑋2 = 0 ou se

β2 = 0. Caso contrário b1 será viesado.

▪ Este resultado gera a fórmula variável omitida:

14
4.3.2. Viés causado pela omissão de variáveis relevantes

▪ Podemos ver a omissão de variáveis ​relevantes como equivalente à

imposição de uma restrição incorreta em (4-8).

▪ Em particular, omitindo X2 seria equivalente a estimar incorretamente (4-8)

sujeito à restrição de β2 = 0.

▪ E isso gera um estimador com viés.

▪ Omissão de variáveis relevantes

❖ Provoca subespecificação do modelo
❖ E gera viés nos estimadores de MQO.

15
Variáveis omitidas: como testar isso?
▪ Seja a regressão abaixo;
❖ Queremos testar se permanência no trabalho e experiência são importantes
(ou não) para o modelo.

16
Variáveis omitidas: como testar isso?

17
Variáveis omitidas: como testar isso?

▪ Hipótese Nula H0 :
as variáveis não são
importantes para a
equação.

▪ Como o p-valor é
menor que 5%,
rejeitamos H0 .

18
Curioso sobre o Likelihood Ratio?
▪ O teste LR é realizado estimando-se 2 modelos e comparando ambos os ajustes. A
exclusão de variáveis de um modelo quase sempre o tornará menos adequado, ou
seja, ele terá menor probabilidade de ser o escolhido.

▪ Mas é necessário testar se a diferença observada no ajuste do modelo é

estatisticamente significativa.

▪ O teste LR faz isso comparando as probabilidades logarítmicas dos 2 modelos.

▪ Se essa diferença for estatisticamente significativa, o modelo menos restritivo

(aquele com mais variáveis) é considerado o mais adequado.
https://stats.idre.ucla.edu/other/mult-pkg/faq/general/faqhow-are-the-likelihood-ratio-wald-and-lagrange-multiplier-score-tests-different-andor-similar/

19
4.3.3. Inclusão de variáveis irrelevantes

▪ Suponha o modelo de regressão for corretamente dado por:

▪ Mas insistimos em estimar a Eq. (4-8):

❖ Ou seja, incluímos algumas variáveis ​extras.

❖ Então, surgirá algum problema.

▪ A inclusão das variáveis ​irrelevantes X2 na regressão é equivalente a não

impor β2 = 0 na estimação de (4-8).

▪ Mas (4-8) não é incorreta. Ela simplesmente não incorpora β2 = 0.

20
4.3.3. Inclusão de variáveis irrelevantes

▪ Portanto, não precisamos provar formalmente que o estimador MQO de β

em (4-8) é não viesado, mesmo com esta restrição. Isso já foi provado.

▪ Por exemplo:

❖ Se x2 for altamente correlacionada com x1, a inclusão incorreta de x2 na

regressão irá aumentar consideravelmente a variância do estimador de β1.

▪ Inclusão de variáveis irrelevantes

❖ Provoca superespecificação do modelo
❖ Não afeta a inexistência de viés dos estimadores MQO
❖ Mas tem efeitos indesejáveis sobre as variâncias dos estimadores de MQO.

21
Redundância: como testar isso?
▪ Seja a regressão abaixo:
❖ Queremos testar se permanência no trabalho e experiência são reduntantes
para o modelo.

22
Redundância: como testar isso?

23
Redundância: como testar isso?

▪ Hipótese Nula H0 :
as variáveis são
redundantes para a
equação

▪ Como o p-valor é
menor que 5%,
rejeitamos H0 .

24
Resumo: Direção do Viés

Corr(x1, x2) > 0 Corr(x1, x2) < 0

β2 > 0 Viés positivo Viés negativo

β2 < 0 Viés negativo Viés positivo

▪ A tabela acima resume a direção do viés.

▪ Mas o tamanho do viés também é muito importante.

▪ Um viés pequeno não precisa causar preocupação.

25
26
4.3.4. A variância do estimador MQO

መ também devemos
▪ Além das tendências centrais dos estimadores 𝛽,
ter uma medida de dispersão da distribuição amostral.

▪ Isso é dado pela variância dos estimadores de MQO:

❖ Homoscedasticidade: a variância do erro, condicionada às variáveis

explicativas, é constante:

Var(u|x1, x2,…, xk) = s2

❖ Heteroscedasticidade: quando a hipótese de variância constante é

violada.
Var(u|x1, x2,…, xk) = si2
27
4.3.4. A variância do estimador MQO

▪ Lembre-se da Eq. (4-4):

▪ Repetindo (4-4):

❖ Podemos escrever onde “A” é

❖ Assim, “b” é uma função linear das perturbações que, por definição,
geram um estimador linear.

▪ Pela Hipótese A3, o valor esperado do 2º termo de (4-14) é zero.

28
4.3.4. A variância do estimador MQO

▪ Portanto, independentemente da distribuição de “ε”, sob nossas

hipóteses, “b” é um estimador linear, não viesado de β.

▪ Pela Hipótese A4:

▪ Assim, a matriz de covariância condicional do estimador da

inclinação por MQO é:

29
4.3.5. O Teorema de Gauss-Markov

▪ Teorema 4.3: Teorema de Gauss-Markov:

❖ No modelo de regressão linear com matriz regressora “X”, o estimador

de MQO “b” é o estimador de β linear, não viesado e com variância
mínima, seja “X” estocástica ou não estocástica, desde que as outras
hipóteses do modelo sejam cumpridas.

▪ Note que o teorema não faz uso da Hipótese A6 (normalidade da

distribuição das perturbações).

▪ Apenas A1 a A4 são necessárias.

30
4.3.5. O Teorema de Gauss-Markov

▪ Exemplo 4.3.5: Variância num Modelo de 2 Variáveis:

❖ Suponha que a matriz X contenha apenas uma constante (coluna de 1s)
e um único regressor “x”.

❖ O elemento inferior direito de é:

❖ Quanto maior a variação em x, menor a variância.

▪ O tamanho da variância é importante na prática:

❖ Uma variância maior significa um estimador menos preciso.
❖ Isso se traduz em intervalos de confiança maiores e testes de hipótese
menos acurados.
31
4.3.5. O Teorema de Gauss-Markov

▪ Sob as hipóteses do MRL:

❖ A1. Linearidade
❖ A2. Posto completo
❖ A3. Exogeneidade das variáveis independentes
❖ A4. Homocedasticidade e não-autocorrelação
❖ A5. Geração exógena dos dados

▪ 𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 , são BLUE (Best Linear Unbiased Estimators): são os
melhores estimadores estimados não-viesados de 𝛽0 , 𝛽1 , … , 𝛽𝑘 .
❖ Isso é crucial em econometria, e deve ser verificado a cada
regressão, principalmente via Testes de Diagnóstico.
32
Testes de Diagnóstico
▪ Verificar os resíduos leva o nome de “testes de diagnósticos”, estamos verificando
se os erros são Gaussianos.
▪ Devemos sempre checar se a média é realmente zero e se os erros são
homoscedásticos.

33
4.3.7. Estimando a Variância do Estimador MQO

▪ Sob as Hipóteses de Gauss-Markov:

( )
Var ˆ j =
s2
(
SQT j 1 − R 2j )
❖ Onde SQT j =  (xij − x j ) : é a variação amostral total em xj ,
2

❖ 𝑅𝑗2 é o R2 da regressão xj sobre todas as outras variáveis independentes

(incluindo o intercepto)

▪ Pela equação acima, a variância de 𝛽መ𝑗 depende de 3 fatores:

❖ A variância do erro;

❖ A variação total amostral em xj (SQT);

❖ As relações lineares entre as variáveis independentes Rj2 .

34
Componentes da Variância

1. A variância do erro:

❖ Um 𝜎 2 implica em variâncias maiores do estimadores MQO.

❖ Mas s2 é uma característica da população. Ele não tem nada a ver com o
tamanho da amostra.

❖ Devemos obter um estimador não viesado de 𝜎 2 .

❖ Uma forma de reduzir a variância do erro é adicionar mais variáveis

explicativas à equação, ou seja, retirar fatores do termo de erro.

❖ Mas isso nem sempre é possível ou desejável.

35
Componentes da Variância

2. A variação total amostral em xj:

❖ Quanto maior a soma dos quadrados totais (SQT), menor a variância dos
estimadores.

❖ Assim, precisamos ter tanta variação amostral quanto possível.

❖ A solução é aumentar o tamanho da amostra pois, assim, SQT aumenta

sem limites.

36
Componentes da Variância

2. As relações lineares entre as variáveis independentes Rj2 :

❖ Aqui, Rj2 envolve somente as variáveis independentes.

❖ Rj2 : é a proporção total de xj que pode ser explicada pelas outras

variáveis independentes da equação.

❖ Se Rj2 = 1 podemos estar tendo um caso de combinação linear perfeita

entre algumas das variáveis, isto é, multicolinearidade.

37
4.3.7. Estimando a Variância do Estimador MQO

▪ Para testar hipóteses sobre β será necessária uma estimativa da

amostra da matriz de covariância:

▪ Como σ2 é um valor esperado de 𝜀𝑖2 e “ei” é uma estimativa de “εi”,

um estimador natural de σ2 seria:

❖ Mas os resíduos do MQO são estimativas imperfeitas de suas

contrapartes da população:

38
Lembre-se do cap. 03
▪ Vetor dos resíduos dos mínimos quadrados resíduos:

▪ Voltando à Eq. (3-6):

▪ Inserindo (3-13) em (3-6) para “b” gera:

❖ A matriz “M” definida em (3-14) é fundamental na análise de regressão.

❖ Pode-se mostrar que “M” é simétrica (M = M’) e idempotente (M = M2).

❖ Por (3-13), “M” pode ser interpretada como uma matriz que produz o vetor
dos resíduos dos mínimos quadrados na regressão de “y” em “X”.
39
4.3.7. Estimando a Variância do Estimador MQO
▪ Segue-se que

❖ Maneira de interpretar esse resultado: se “X” é regredida em “X”, o resultado

será um ajuste perfeito e os resíduos serão zero.

▪ Os resíduos dos mínimos quadrados são:

MX = 0

▪ Um estimador de σ2 será baseado na SQR

❖ Pode-se provar que de forma que o estimador natural

é viesado em direção a zero, apesar de o viés se tornar menor com o aumento da
amostra.
40
4.3.7. Estimando a Variância do Estimador MQO
▪ Um estimador não viesado de σ2 será:

❖ Este estimador também será não viesado incondicionalmente.

❖ O erro padrão da regressão é “s”, que é a raiz quadrada de s2.

▪ Com s2, pode-se computar:

❖ A notação Est. Var [·] indica uma estimativa da amostra da variância amostral
de um estimador.
❖ A raiz quadrada do k-ésimo elemento diagonal desta matriz,
é o erro padrão do estimador bk.
41
4.3.8. A Hipótese da Normalidade

▪ A Hipótese A6 de Normalidade de “ε” é útil para a construção de

estatísticas que gerem intervalos de confiança.

▪ Voltando na Eq. (4-4):

❖ Em (4-4), “b” é uma função linear do vetor de perturbações “ε”

▪ Se supormos que “ε” tem distribuição normal, então:

❖ Isso especifica uma distribuição normal multivariada, de modo que cada

elemento de b|X é normalmente distribuído:

42
4.3.8. A Hipótese da Normalidade

▪ A distribuição de “b” está condicionada a X.

▪ A distribuição normal de “b” em amostras finitas é consequência das

hipóteses específicas de erros normalmente distribuídos.

▪ Sem esta hipótese, e sem alguma hipótese específica alternativa sobre a

distribuição de ε, não é possível fazer qualquer afirmação definitiva sobre a
exata distribuição de “b”, condicional ou de outra forma.

▪ Mais adiante, poderemos obter uma distribuição normal aproximada para

“b”, mesmo assumindo (ou não) erros distribuídos normalmente, e se os
regressores são estocásticos ou não.

43
Testando Normalidade dos Resíduos no Eviews

44
Testando Normalidade dos Resíduos no Eviews

▪ Teste de normalidade dos resíduos: Estatística Jarque-Bera.

▪ Se os resíduos são normalmente distribuídos, o histograma ter a forma de sino e a
Estatística Jarque-Bera não deve ser significativa.
▪ H0 de JB: erros normalmente distribuídos.

H0 = normalidade dos resíduos

45
4.4.1. Consistência do Estimador MQO de β

▪ A ausência de viés é um ponto de partida útil para se avaliar as virtudes de

um estimador.

▪ Ela assegura que o estimador não errará persistentemente a sua meta, seja
para cima ou para baixo.

▪ No entanto, como um guia para a estratégia de estimação, a questão do

viés possui deficiências.
❖ Salvo nos pontos discutidos neste capítulo, é relativamente raro se ter um
estimador sem viés. Em quase todos os casos, para além do modelo de
regressão múltipla, espera-se uma melhora do viés do estimador quanto mais
informações (dados) são coletadas. Assim, vamos precisar de mais
ferramentas para orientar a pesquisa econométrica.
46
Distribuição Amostral quando a amostra “n” aumenta

47
Consistência

▪ Sob o Teorema de Gauss-Markov, o MQO é BLUE

▪ Mas em outros casos não é possível encontrar estimadores não viesados.

▪ Neste caso, contentamos com estimadores consistentes, o que significa

que, quando n → ∞, a distribuição do estimador colapsa para o valor do
parâmetro.

48
 Multicolinearidade
Ausência de Valores (Missing Values)
Erro de medida

49
4.7.1. Multicolinearidade
▪ Na regressão permite-se que as variáveis sejam correlacionadas, mas
não pode haver relações lineares exatas entre as variáveis
independentes.

▪ Exemplo de Colinearidade Perfeita:

❖ Incluir uma variável que é função linear exata de outras 2 já existentes

no modelo.

➢ Exemplo: gasto do candidato A, gasto do candidato B; gasto total da campanha

votoA = β0 + β1gastoA + β2gastoB + β3totalgasto + u

50
4.7.1. Multicolinearidade
▪ Forma de reduzir a variância do erro:
❖ Adicionar mais variáveis explicativas à equação, ou seja, retirar fatores
do termo de erro.

❖ Mas isso nem sempre é possível ou desejável.

▪ Rj2 : é a proporção total de xj que pode ser explicada pelas outras

variáveis independentes da equação.

▪ Se Rj2 = 1 podemos estar tendo um caso de combinação linear

perfeita entre algumas das variáveis, isto é, multicolinearidade

51
4.7.1. Multicolinearidade
▪ Mas o "problema" de multicolinearidade não é muito bem definido.
❖ Por exemplo, Rj2 = 0,9 significa que 90% da variação da amostra em xj
pode ser explicada pelas outras variáveis ​independentes no modelo.

❖ Significa que xj tem uma forte relação linear com as variáveis

independentes.

❖ Mas se isso se traduz em maior variância de 𝛽መ𝑗 vai depender dos

tamanhos de σ2 e SQT.

▪ Para inferência estatística, o que vale, em última instância é quão

grande é 𝛽መ𝑗 em relação ao seu desvio padrão.

52
4.7.1. Multicolinearidade: Variance Inflation Factor (VIF)

▪ Alguns pacotes econométricos já divulgam o VIF (Variance Inflation

Factor), 1/(1 - Rk2).

▪ VIF (Variance Inflation Factor):

❖ É um índice que mede o quanto a variância de um coeficiente estimado

foi inflada devido à colinearidade com os outros regressores.

❖ Quantifica a gravidade da multicolinearidade numa regressão por MQO.

❖ Uncentered VIF: razão entre a variação do coeficiente da equação

original dividida pela variação do coeficiente de uma equação com
apenas um regressor (sem constante).

❖ Centered VIF: idem com constante.

53
Variance Inflation Factor

54
4.7.4. Missing Values
▪ Numa base de dados é comum haver “buracos”, por várias razões:
❖ Talvez o mais frequente seja que, numa pesquisa de entrevistas, os
entrevistados podem simplesmente deixar de responder às perguntas.

▪ Em séries temporais:
❖ Dados podem faltar porque eles não existem na frequência necessária.
❖ Por exemplo, o modelo pode especificar relações mensais, mas algumas
variáveis ​são observadas apenas trimestralmente.

▪ Em dados de painel:
❖ Os “buracos” podem surgir por causa de “atritos” na pesquisa.
❖ Isto é comum quando indivíduos decidem não mais participar de uma
pesquisa. 55
4.7.4. Missing Values
▪ Há vários casos possíveis a considerar, dependendo do porque os
dados estão faltando.

▪ Eles podem estar simplesmente indisponíveis, por razões

desconhecidas para o analista.

▪ Outro caso comum são as “surveys”, com dados auto-reportados.

❖ Por exemplo, o pesquisa decide não informar sua renda.

▪ O caso intermediário é aquele em que há alguma informação sobre

os dados faltantes na base de dados completa.

▪ O que fazer? Interpolação, Chow & Lyn (1971), etc.

56
4.7.5. Erro de Medida
▪ Erro Sistemático:
❖ Também chamado de viés de medida, é um componente do erro que
permanece constante, ou que depende de alguma outra quantidade.

▪ Erro Aleatório:
❖ Está associado ao fato de que, quando uma medida é repetida, ela será
diferente do valor anterior.

❖ É aleatório porque o próximo valor medido não pode ser previsto a

partir dos valores anteriores.

57
4.7.5. Erro de Medida
▪ Erro de Medida na Variável Dependente:
❖ Seja o modelo para descrever a renda esperada:

➢ onde I* é a variável renda total.

❖ Suponha que o observado seja I, relativo à renda, mas relação entre I e

I* não é clara.

❖ Suponha que o erro de medida seja aditivo, então I = I* + w.

❖ Inserindo esta expressão para I em (4-55):

❖ Que nada mais é do que uma regressão.

58
4.7.5. Erro de Medida
▪ Suponha que “w” seja um erro homocedástico com média zero, não
correlacionado com “x”:

❖ Então, a única diferença entre os modelos (4-55) e (4-56) é que a

variância do erro em (4-56) é

▪ O custo do erro de medida fica concentrado na precisão do

estimador.

▪ A solução para o erro de medida é uma questão ambígua.

▪ O melhor é conseguir a variável.

▪ O “second best” seria uma variável proxy.

59
4.7.5. Erro de Medida

▪ Erro de Medida na Variável Independente:

❖ Considere-se uma regressão simples:

➢ onde “y” é a variável dependente perfeitamente medida

❖ O mesmo erro de medida ( I = I* + w ) agora se aplica à variável

independente.

❖ Inserindo I na equação e reorganizando:

❖ Como o regressor em (4-57) é correlacionado com o erro, a regressão

MQO é inconsistente.
60
4.7.5. Erro de Medida

▪ Equação (4-57) apenas se parece com (4-56).

▪ Mas este não é o caso pois:

▪ Sabe-se que:

❖ σ2 é a variação marginal de I*. O fator de escala é menor do que um,

então o estimador MQO é viesado em direção a zero.

❖ Quanto maior a variância de erro de medida, pior é o viés (isso é

chamado de atenuação dos mínimos quadrados)

61
4.7.5. Erro de Medida

▪ Agora, suponha que haja variáveis ​adicionais no modelo:

▪ Neste caso, existem as seguintes conclusões gerais:

1. O estimador MQO de β2 continua viesado em direção a zero.

2. Todos os elementos do estimador de β1 são viesados, em direções

desconhecidas, mesmo se as variáveis ​em “x” não são medidas com o
erro.

▪ As soluções para o "problema de erro de medida" vêm em 2 formas.

1. Uso de métodos dos momentos
2. Uso de variáveis instrumentais
62
4.7.6. Outliers
Gráfico de Dispersão com Reta de Regressão
Salários vs Educação
Salário (US$/hora)
25

20

15

10

5
y = 0,604x - 1,0312
R² = 0,1434
0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
63
4.7.6. Outliers
Gráfico de Dispersão com Reta de Regressão
Salários vs Educação
Salário (US$/hora)
25

20

15

10

5
y = 0,604x - 1,0312
R² = 0,1434
0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
64
4.7.6. Outliers
Gráfico de Dispersão com Reta de Regressão
Salários vs Educação com outliers
Salário (US$/hora)
120

100
outliers

80

60

40 y = 0,5612x + 0,8972
R² = 0,0148

20

0
0 2 4 6 8 10 12 14 16 18 20
Educação (anos de estudo)
65
Comparação de Modelos

Salários: Estatística Descritiva

sem outliers com outliers
média 6,40 7,80
variância 16,63 138,97
dp 4,08 11,79

▪ Modelo sem outliers:

▪ Modelo com outliers:

66