Escolar Documentos
Profissional Documentos
Cultura Documentos
08 de julho de 2022
y=b
∆b βj ∆xj , se ∆x1 = ... = ∆xj 1 = ∆xj +1 = ... = ∆xk = 0.
y = β0 + β1 x1 + . . . + βk xk + u (1)
yi = b
β0 + b
β1 xi 1 + ... + b bi , i = 1, 2, ..., n
βk xik + u (2)
x1 = φ0 + φ1 x2 + ... + φk 1 xk + r1 , (3)
|{z}
erro aleatório
y = α1b
r1 + ε
|{z} (5)
erro aleatório
∑ni=1 b
ri 1 yi
b
α1 = n (6)
∑ i =1 b
ri21
∑ni=1 (b
ri 1 b
r i 1 )yi ∑n b ri 1 yi
b
α1 = = i =n 1 2
n
∑i =1 (b
ri 1 b
r i1) 2 ∑ i =1 b
ri 1
α1 é igual a b
No próximo slide, demonstramos que b β1 da RLM (2).
Ou seja, demonstramos que é possível aplicar o estimador MQO de
α1 para obter a estimativa b
dois estágios b β1 de MQO, tal que
b ∑n b ri 1 yi
β1 = i =n 1 2 , (3.22)
∑ i =1 b
ri 1
e, assim, b
β1 deve ser interpretado como a medida da relação
amostral de y e x1 após x1 ter sido …ltrado, puri…cado ou
parcializado de x0 , x2 , ..., xk .
α1 = b
Queremos mostrar que b β1 , para tanto, substitua a RLM (2) em
(6), obtendo:
ri 1 b
∑ni=1 b β0 + b
β1 xi 1 + ... + b bi
βk xik + u
b
α1 =
∑ni=1 b
ri21
b
β0 ∑ni=1 bri 1 + b ri 1 xi 1 + ... + b
β1 ∑ni=1 b βk ∑ni=1 b
ri 1 xik + ∑ni=1 b bi
ri 1 u
= n
∑ i =1 b 2
ri 1
n
∑ b bi
ri 1 u
= b
β1 + i =n 1 2 ,
∑ i =1 bri 1
∑ni=1 b
ri 1 x i 1
pois = 1 e ∑ni=1 bri 1 = ∑ni=1 bri 1 xi 2 = ... = ∑ni=1 bri 1 xik = 0 tal
∑ni=1 b ri21
α1 = b
que, …nalmente, b β1 porque ∑ni=1 b bi = 0.
ri 1 u
Demonstrações complementares estão nos dois slides a seguir.
e, assim,
∑ni=1 b
ri 1 x i 1
Ou seja, como ∑ni=1 b
ri21 = ∑ni=1 b
ri 1 (xi 1 xi 1 ) = ∑ni=1 b
b ri 1 xi 1 , ∑ni=1 b ri21
= 1.
CQD.
Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 9 / 31
Demonstrações
∑i =1 bri 1 ubi
n
∑i =1 (xi 1 bxi 1 ) ubi
n
=
∑i =1 ubi bxi 1 , pois ∑i =1 ubi xi 1 = 0
n n
=
que, substituindo b b0 + φ
xi 1 = φ b1 xi 2 + ... + φ
bk 1 xik , obtemos
b ∑n b rij yi
βj = i =n 1 2 , j = 1, 2, ..., k (7)
∑ i =1 b
rij
b ∑n b ri 0 yi
β0 = i =n 1 2
∑ i =1 b
ri 0
kpl = β0 + β1 hp + u (8)
Pelo grá…co de dispersão de kpl e hp, obtido com o comando Stata graph
twoway scatter kpl hp,
De fato, pela regressão MQO de kpl em hp, obtida com o comando Stata
reg kpl hp, cformat(%9.3f) pformat(%5.3f) sformat(%8.3f),
Source SS df MS Number of obs = 81
F( 1, 79) = 135.41
Model 681.986066 1 681.986066 Prob > F = 0.0000
Residual 397.875633 79 5.03640042 R-squared = 0.6315
Adj R-squared = 0.6269
Total 1079.8617 80 13.4982712 Root MSE = 2.2442
kpl = β0 + β1 hp + β2 vm + β3 pv + u (9)
25
Desempenho médio (em km/litro de gasolina)
10 15 5 20
-10 -5 0 5 10 15
Resíduos da regressão de hp em v m e pv
De fato, obtemos b
β1 = 0, 144 pelo estimador MQO em um único
estágio com o comando Stata reg kpl hp vm pv, cformat(%9.3f)
pformat(%5.3f) sformat(%8.3f)
Source SS df MS Number of obs = 81
F( 3, 77) = 195.64
Model 954.623479 3 318.207826 Prob > F = 0.0000
Residual 125.23822 77 1.62647039 R-squared = 0.8840
Adj R-squared = 0.8795
Total 1079.8617 80 13.4982712 Root MSE = 1.2753
yi = b
β0 + b
β1 xi 1 + b bi ,
β2 xi 2 + u
∑ni=1 e
ri 1 yi
β̃1 = n
∑ i =1 e
ri21
∑ni=1 (xi 1 x 1 ) yi
= ,
∑ni=1 (xi 1 x 1 )2
∑n (xi 1 x 1 ) xi 2
β̃1 = b
β1 + b
β2 i =n 1 2
(12)
∑i =1 (xi 1 x 1 )
β̃1 = b β2 e
β1 + b δ1 (3.23)
em que
e ∑n (xi 1 x 1 ) xi 2
δ1 = i =n 1 2
∑i =1 (xi 1 x 1 )
é o estimador MQO de δ1 da RLS com intercepto de x2 em x1 , com base
no modelo
x2 = δ01 + δ1 x1 + v
e v é um termo de erro aleatório.
e
βj = b
βj + b
βk e
δj , j = 0, 1, 2, ..., k 1 (13)
β̃1 = b
β1 + b
β2 e
δ1 , (3.23)
em que
∑n (xi 1 x 1 ) xi 2 d (x1 , x2 )
Cov
e
δ1 = i =n 1 =
2 d (x1 )
∑ i = 1 ( xi 1 x 1 ) Var
é o estimador MQO de δ1 da regressão simples de x2 em x1 ,
concluímos que β̃1 é igual a b
β1 somente se:
1 b
β2 = 0, caso em que o modelo verdadeiro é de fato RLS (10); e/ou
2 e d (x2 , x1 ) = 0 na
δ1 = 0, caso em que ∑ni=1 (xi 1 x 1 ) xi 2 = 0 ou Corr
amostra - Regressão Ortogonal.
Com base em
β̃1 = b β2 e
β1 + b δ1 (3.23)
temos que
e
δ1 > 0 ou Corr (x1 , x2 ) > 0 e
δ1 < 0 ou Corr (x1 , x2 ) < 0
b
β2 > 0 β̃1 > b
β1 (superestima) β̃1 < b
β1 (subestima)
b
β2 < 0 b
β̃1 < β1 (subestima) b
β̃1 > β1 (superestima)
β̃1 = b
β1 + b
β2 e
δ1 + b
β3 e
δ2 + ... + b
βk e
δk 1, em que (14)
d (x1 , xj )
Cov
e
δj 1 = , j = 2, .., k
d (x1 )
Var
é a estimativa MQO do coe…ciente de x1 na regressão de xj em x1 .
Impondo que yb seja zero quando todos os xj são zero é o mesmo que
impor uma estimativa zero para o intercepto da regressão múltipla, ou
seja, é o mesmo que impor a RLM estimada
tal que
e
βj = b
βj + b
β0 e
δj , j = 1, 2, ..., k (15)
Se bβ0 6 = 0 e e
δj 6= 0, então e
βj 6 = b
βj em toda amostra de tamanho n e
estaremos errando o tempo todo.
Ademais, impondo β0 = 0 quando β0 6= 0 e e δj 6= 0 viesa as
estimativas de cada coe…ciente de inclinação do modelo e a
interpretação do R 2 …ca comprometida.
No entanto, admitindo que β0 6= 0 quando β0 = 0 e e δj 6= 0 não viesa
as estimativas, apesar de in‡ar as variâncias dos estimadores.
Portanto, é recomendável estimar a regressão sempre com intercepto.