Mestrado Profissional em Desenvolvimento Rural e

Gestão de Empreendimentos Agroalimentares

Prof. M.sc Félix Lélis

SERVIÇO PÚBLICO FEDERAL

MINISTÉRIO DA EDUCAÇÃO
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO PARÁ CAMPUS CASTANHAL

ASSUNTO:

MODELAGEM: REGRESSÃO MULTIPLA

Professor: FÉLIX LELIS DA SILVA

Castanhal
 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

2013

A regressão múltipla envolve três ou mais variáveis, portanto, estimadores. Ou seja,

ainda uma única variável dependente, porém duas ou mais variáveis independentes
(explanatórias).

O modelo de regressão linear é dado por:

Yi   0  1 X i1   2 X i 2  ...   p 1 X i , p 1   i (1)

Onde Yi é a resposta no i-ésimo ensaio

Onde: 0, 1,...,  p-1, são os parâmetros;

Xi1,..., Xi,p-1 são constantes conhecidas;

i são independentes com distribuição N(0, 2)

i=1,2,...,n.

O parâmetro  0 é o intercepto do plano de regressão. Se a abrangência do modelo

inclui X1=0 e X2=0 então 0 representa a resposta média E(Y) neste ponto. Em outras
situações,  0 não tem qualquer outro significado como um termo separado no modelo de
regressão.

O parâmetro 1 indica a mudança na resposta média E(Y) por unidade de acréscimo

em X1 quando X2 é mantido constante. Da mesma forma  2 indica a mudança na
resposta média por unidade de aumento em X2 quando X1 é mantido constante.

Ajuste do Modelo de Regressão Multipla: estimação dos parâmetros

A partir de uma amostra de n observações retirada das variáveis Y, X1 e X, deve-se

determinar as estimativas a, b1 e b2 correspondentes aos parâmetros α, β1 e β2. De
modo, a obter a estimativas do modelo adotado, compondo o estimador:

Yi  a  b1X 1b2 X 2 i (2)

 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

O cálculo de a, b1 e b2 de ocorrer de modo que o quadrado dos desvios dos valores

observados em relação aos calculados para Y sejam um mínimo. Isto exige que a
relação abaixo:

= − = ( − − − )

Seja um mínimo. Para tanto, deveremos ter:

= 0, = 0, =0

Neste caso temos:

= −2 ( − − − )=0

= −2 ( − − − )=0

= −2 ( − − − )=0

Daí tem-se que:

∑ = + ∑ − ∑ (I)
∑ = ∑ + ∑ − ∑ (II)
∑ = ∑ + ∑ − ∑ (III)
Resolvendo o sistema, temos: Partimos da solução da equação (I) por n, teremos:

∑ ∑ ∑
= + −

= + − ou = − −

Agora substituindo o valor de a na equação (II);

= ( − − )+ +

= − − + +

∑ ∑ ∑ ∑
= − − − +
 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

∑ ∑ (∑ ) ∑ ∑
= − − + +

Vamos colocar b1 e b2 em evidência

∑ ∑ (∑ ) ∑ ∑
− = − + −

Chamando
∑ ∑
= −

(∑ )
= −

(∑ )
= −

∑ ∑
= = −

temos

= +

De forma análoga substituindo a na equação (III) obtemos:

= +

Concluindo no seguinte sistema

= +
= +

−
=
−

= − .

Ou simplesmente resolvendo o sistema.

 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

Exemplo:

Estimar o modelo de regressão que explique a venda (Y) de um determinado

produto a partir de gastos com propagandas em TV (X1) e Jornais (X2)

Y X1 X2 YX1 YX2 X1X2 X 12 X2 2 Y2

6 3 1 18 6 3 9 1 36
7 4 2 28 14 8 16 4 49
15 8 3 120 45 24 64 9 225
18 8 5 144 90 40 64 25 324
20 10 8 200 160 80 100 64 400
23 11 6 253 138 66 121 36 529
89 44 25 763 453 221 374 139 1563

Solução

1º Passo: Calcular as médias

∑ 89
= = = 14,83
6
∑ 44
= = = 7,33
6
∑ 25
= = = 4,17
6
89 × 44
= 763 − = 110,33
6
(44)
= 453 − = 82,17
 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

44 × 25
= 221 − = 37,67
6
(25)
= 139 − = 34,83
6
sistema

= +
= +

110,33 = 51,33 + 37,67

82,17 = 37,67 + 34,83
Resolvendo o sistema, tem-se:

= 2,03
= 0,16
Logo;
= − −

= 14,83 − (2,03)(7,33) − (0,16)(4,17)

= −0,72

Portanto chegamos ao seguinte modelo ajustado:

= −0,72 + 2,03 − 0,16

Observem que podemos utilizar o seguinte a resolução na forma matricial daí,

devemos considerar:

1 X 11 . . X 1, p 1   1 
Y1  1 X  0 
Y   21 . . X 2, p 1    
 
 2
 2 . . . . .   1  .
Y  .  X   β  .  ε  
n x1
  n xp
. . . . .  p x1   n x1  . 
. . . . . .   .  .
Yn      p 1   
 
1 X n1 . . X n, p 1   n 

Solução do exemplo anterior no Excel.

 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

TESTE DE EXISTÊNCIA DE REGRESSÃO

Construção da ANOVA

Fonte de Soma de quadrados GL Quadrados médios F

variação
Devido a = − 2 −
Regressão 2 −

Residual n-3 − − − −
= − −
−3
−3

Total = n-1

ONDE:

2
2 (∑ )
= −

1º Passo: Formulação das Hipóteses do Teste

H0: β=0 – Não existe regressão
H1: β≠0 – Existe regressão

2º Passo: A um nível alfa de 5%; Variável F com 1 grau de liberdade no numerador e 9 no

denominador
F com 5% (1;n-2)gl = 5,32

3º Passo: Definir a Região Critica e de Aceitação com base no resultado da tabela.

RA RR definido por alfa5%

F=5,32
 Mestrado Profissional em Desenvolvimento Rural e
Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis

4º Passo: Encontrar o valor de F calculado (Ver ANOVA)

Fonte de Soma de quadrados GL Quadrados médios F

variação
Devido a 2 = (2,03.110,33) −
Regressão (0,16.82,17) = −
= (2,03.110,33) 2
2
− (0,16.82,17) = − −
−3

Residual n-3 = 242,83 − (2,03.110,33)

−(0,16.82,17) =
= 242,83 − (2,03.110,33)
−3
− (0,16.82,17) =

Total = 242,83 n-1

2 2
2 (∑ ) (89)
= − = 1563 −
6
= 242,83