Análise da Regressão Múltipla

Análise de Regressão Linear Múltipla: Estimação
Aula 09, Introdução à Econometria
Prof. Moisés A. Resende Filho
Capítulo 03, parte 2
08 de julho de 2022
Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 1 / 31

1. Revisão
A regressão linear múltipla (RLM), ao possibilitar a inclusão de mais

que uma única variável explicativa e, assim, propiciar o uso de
especi…cações mais ‡exíveis com a inclusão de termos quadráticos,
cúbicos e de interação entre variáveis, retira fatores antes relegados
ao erro na RLS. Com isso, pode aumentar a plausibilidade ou
probabilidade de a hipótese crucial RLM.4 - E (u jx1 , x2 , ..., xk ) = 0 ser
verdadeira.
Contudo, nem sempre adicionar uma nova variável ou termo à RLM é
sem custo. Lembremos da possibilidade de variável colisora ou
collider, a qual, se adicionada à RLM, inviabiliza a hipótese crucial.

Revisão
Os estimadores MQO b βj , j = 0, 1, 2, ..., k são a solução do problema

de minimização da SQR ∑ni=1 u bi2 , ou seja, a solução de um sistema
linear de k + 1 CPOs.
Aplicando os estimadores MQO a uma amostra
f(yi , xi 1 , ..., xik ) : i = 1, ..., ng, obtemos a função RLM estimada
por MQO
yb = bβ0 + b β1 x1 + ... + b
βk xk ,
em que, cada b
βj , j = 1, 2, ..., k tem uma interpretação ceteris paribus,
ou seja,
y=b
∆b βj ∆xj , se ∆x1 = ... = ∆xj 1 = ∆xj +1 = ... = ∆xk = 0.

2. Interpretação de Parcialidade na RLM
Tomando a forma geral da RLM com k variáveis explicativas
y = β0 + β1 x1 + . . . + βk xk + u (1)
e, por aplicação dos estimadores MQO à amostra

f(yi , xi 1 , ..., xik ) : i = 1, ..., ng, obtemos a RLM estimada por MQO
yi = b
β0 + b
β1 xi 1 + ... + b bi , i = 1, 2, ..., n
βk xik + u (2)
Queremos mostrar que cada b

βj , j = 1, 2, ..., k é o efeito em y na
amostra de xj líquido ou …ltrado das outras k 1 variáveis
explicativas.
De outra forma, queremos mostrar que, adicionando ou retirando uma
variável da RLM, é praticamente impossível que o efeito estimado de
xj em y não mude.

Interpretação de Parcialidade na RLM
Estágio 1: estime por MQO a regressão de x1 em x2 , ..., xk , ou seja,

estime o modelo
x1 = φ0 + φ1 x2 + ... + φk 1 xk + r1 , (3)
|{z}
erro aleatório
obtendo b xi 1 = φ b0 + φb1 xi 2 + ... + φ

bk 1 xik e os resíduos
b
ri 1 = xi 1 b xi 1 , i = 1, ..., n.
Pelas propriedades algébricas da regressão (3), temos:
∑i =1 bri 1 xi 0 = ∑i =1 bri 1 xi 2 = ... = ∑i =1 bri 1 xik = 0, xi 0 = 1, 8i

n n n
(4)
percebemos que os resíduos b ri 1 , i = 1, ..., n são a parte de x1 não

correlacionada com x0 , x2 , ..., xk , ou seja, são x1 líquido de
x0 , x2 , ..., xk .

Estágio 2: estime a RLS
y = α1b
r1 + ε
|{z} (5)
erro aleatório
com o estimador MQO de α1
∑ni=1 b
ri 1 yi
b
α1 = n (6)
∑ i =1 b
ri21
Note que tanto faz se, ao invés do modelo (5), estimássemos o

modelo com intercepto y = α0 + α1b r1 + u, pois, neste caso, como
n
∑ i =1 b
ri 1 = 0 = b
r i 1 , então
∑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 .

2.1. Demonstrações
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.

Demonstrações
n
Queremos mostrar que ∑∑i =n1 ibr1 2 i 1 = 1. Como
b
r x
i =1 i 1
∑ni=1 b
ri 1 = ∑ni=1 b
ri 1 xi 2 = ... = ∑ni=1 b
ri 1 xik = 0,
∑i =1 bri 1 bxi 1 ∑i =1 bri 1 φb0 + φb1 xi 2 + ... + φbk 1 xik

n n
=
= b 0 ∑n b
φ r +φ b 1 ∑n b r x + ... + φ b k 1 ∑n b r x
i =1 i 1 i =1 i 1 i 2 i =1 i 1 ik
= 0
e, assim,
∑i =1 bri21 ∑i =1 bri 1 (xi 1 bxi 1 )

n n
=
∑i =1 bri 1 xi 1 ∑i =1 bri 1 bxi 1
n n
=
∑i =1 bri 1 xi 1 , pois ∑i =1 bri 1 bxi 1 = 0
n n
=
∑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.
Demonstrações
Queremos mostrar que ∑ni=1 b bi = 0. Como pelas propriedades algébricas

ri 1 u
de MQO da RLM (2)
∑ni=1 u
bi = ∑ni=1 u
bi xi 1 = ∑ni=1 u
bi xi 2 = ... = ∑ni=1 u
bi xik = 0, então
∑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
∑i =1 bri 1 ubi ∑i =1 φb0 + φb1 xi 2 + ... + φbk

n n
= 1 xik bi
u
= b 0 ∑n u
φ b φ b 1 ∑n u bx ... bk
φ ∑i =1 ubi xik
n
i =1 i i =1 i i 2 1
= 0. CQD.

2.2. Generalização da Interpretação de Parcialidade na
RLM
É possível generalizar o resultado (3.22), demonstrando que, em qualquer

amostra de tamanho n,
b ∑n b rij yi
βj = i =n 1 2 , j = 1, 2, ..., k (7)
∑ i =1 b
rij
em que b rij é o resíduo da regressão com intercepto de xj nas outras k 1

variáveis explicativas da RLM e
b ∑n b ri 0 yi
β0 = i =n 1 2
∑ i =1 b
ri 0
em que bri 0 é o resíduo da regressão sem intercepto da variável x0i = 1, 8i

nas k variáveis explicativas da RLM.

3. Aplicação no Stata
Esse é um exemplo de aplicação do estimador em dois estágios de

MQO.
Queremos estimar o efeito ceteris paribus de hp, potência do motor
em hp, sobre kpl, o desempenho do carro em km rodados por litro de
gasolina, com base na RLS
kpl = β0 + β1 hp + u (8)
O arquivo carros.dta na página web do curso contém os dados de 81

modelos de carros comercializados nos EUA em dado ano para as
variáveis: kpl, desempenho médio em quilômetros rodados por litro;
hp, potência do motor em hp; vm, velocidade máxima potencial em
km por hora; e pv , peso do automóvel em kg.

Aplicação
Pelo grá…co de dispersão de kpl e hp, obtido com o comando Stata graph
twoway scatter kpl hp,
observamos que, na amostra, kpl é negativamente correlacionado com hp.

Aplicação
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 Coef. Std. Err. t P>|t| [95% Conf. Interval]
hp -0.051 0.004 -11.637 0.000 -0.060 -0.042

_cons 18.352 0.573 32.020 0.000 17.211 19.493
estimamos uma redução de 0, 051 km por litro de gasolina no desempenho

para cada hp do automóvel.

Aplicação
No entanto, nosso modelo teórico diz que vm e pv afetam hp e kpl,

pois os fabricantes levam em conta vm e pv na determinação da
potência do carro, tal que hp vm ! kpl e hp pv ! kpl.
Além disso, pv e vm são correlacionados, tal que pv ! vm.
Todas essas relações podem ser representadas com o seguinte
diagrama causal, grafo acíclico direcionado ou dirigido - Directed
Acyclic Graph (DAG),

Pela DAG, o efeito causal hp ! kpl torna-se não identi…cável se os
caminhos espúrios, da porta dos fundos, ou back-door paths
hp pv ! kpl, hp pv ! vm ! kpl, hp vm ! kpl,
hp vm ! pv ! kpl estiverem abertos.
Para fechá-los, basta adicionar pv e vm ao modelo (8), tal que a
especi…cação do modelo seja (9).

Aplicação
De outra forma, como o erro do modelo (8) é u = fvm, pv , outros

fatoresg, pv ! hp e vm ! hp implicam em E (u jhp ) 6= 0 - violação
de RLM.4.
Assim, para estimar o efeito causal hp ! kpl é necessário contornar o
problema de endogeneidade de hp em (8), utilizando a especi…cação
modelo RLM
kpl = β0 + β1 hp + β2 vm + β3 pv + u (9)
para o qual a hipótese E (u jhp, vm, pv ) = 0 é plausível.

Aplicação
Queremos dar um exemplo para ilustrar que a estimativa MQO de β1

do modelo (9), obtida pela resolução do sistema de CPOs de MQO
em um único estágio, é a mesma obtida pelo estimador MQO em dois
estágios.
No primeiro estágio, estimamos a regressão com intercepto de hp
em vm e pv e guardamos os resíduos bri 1 , i = 1, .., 81 com os
comandos Stata qui reg hp vm pv; e predict hphat, residuals - baixe o
arquivo negativamente.do no sítio web da disciplina.
Geramos o grá…co de dispersão de kpl e b
r1 , que é hp líquido de vm e
pv , com o comando Stata graph twoway scatter kpl hphat, como
apresentado no próximo slide.

Aplicação
Tomando o grá…co de dispersão de kpl em hp líquido de vm e pv
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
observamos que kpl é positivamente correlacionado na amostra com

hp líquido de vm e pv .
Moral da história: kpl parecia ser negativamente correlacionado com
hp porque não estávamos controlando para vm e pv .
Aplicação
No segundo estágio, estimamos a regressão MQO sem intercepto de kpl

em hphat, a série dos resíduos da regressão de hp em vm e pv , obtendo
b
β1 = 0, 144 com o comando Stata reg kpl hphat, noconstant
cformat(%9.3f) pformat(%5.3f) sformat(%8.3f)

F(1, 80) = 0.26
Model 43.9329651 1 43.9329651 Prob > F = 0.6098
Adj R-squared = -0.0092
Total 13428.0099 81 165.7779 Root MSE = 12.934
hphat 0.144 0.281 0.512 0.610 -0.416 0.704
o que mostra que, na verdade, a estimativa é de um aumento de 0, 144 km

por litro de gasolina no desempenho para cada hp de potência do carro.
Aplicação
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)
F( 3, 77) = 195.64
Model 954.623479 3 318.207826 Prob > F = 0.0000
Adj R-squared = 0.8795
Total 1079.8617 80 13.4982712 Root MSE = 1.2753
hp 0.144 0.028 5.197 0.000 0.089 0.199

vm -0.292 0.053 -5.535 0.000 -0.397 -0.187
pv -0.015 0.001 -10.351 0.000 -0.018 -0.012
_cons 69.851 8.196 8.522 0.000 53.530 86.172

4. Comparando as Estimativas das Regressões Simples
(RLS) e Múltipla (RLM)
Considere as seguintes RLS e RLM
ỹ = β̃0 + β̃1 x1 (10)

yb = b
β0 + bβ1 x1 + b
β2 x2 (11)
em que o superescrito denota o estimador MQO na RLS e ^

denota o estimador MQO na RLM, ambas estimada com a mesma
amostra de tamanho n.
Observe que a RLS omite a variável x2 .
Questão: há uma relação entre β̃1 , obtido sem controlar para x2 , e
b
β1 , obtido controlando para x2 ?
Sim, como veremos no próximo slide.

Comparando as Estimativas das RLS e RLM
Substituindo a RLM estimada por MQO
yi = b
β0 + b
β1 xi 1 + b bi ,
β2 xi 2 + u
no estimador MQO da RLS (10)
∑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
obtemos, como ∑ni=1 (xi 1 bi = 0, que

x1) u
∑n (xi 1 x 1 ) xi 2
β̃1 = b
β1 + b
β2 i =n 1 2
(12)
∑i =1 (xi 1 x 1 )

Por (12), a relação entre β̃1 e b

β1 em cada amostra de tamanho n é
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.

Se apenas xk tiver sido omitido do modelo, caso de omissão de uma única

variável, é possível mostrar que
e
βj = b
βj + b
βk e
δj , j = 0, 1, 2, ..., k 1 (13)
em que eδj é a estimativa MQO do coe…ciente de xj , j = 0, 1, 2, ..., k 1

na regressão auxiliar de xk sobre as demais variáveis explicativas do
modelo.

Assim, tomando o caso em que j = 1,
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)
Ou seja, a omissão de x2 faz com que, em toda amostra de

tamanho n, β̃1 superestime ou subestime a estimava correta, que é
b
β1 .

No caso de omissão de todas exceto uma ou omissão das k 1

últimas variáveis explicativas da RLM, como
∑ni=1 (xi 1 x1) b

β0 + b
β1 xi 1 + b
β2 xi 2 + ... + b bi
βk xik + u
β̃1 = ,
∑ni=1 (xi 1 x 1 )2
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 .

Assim, com base em (14), as estimativas MQO do coe…ciente de β1

nas regressões de y em x1 e na regressão de y em x1 , x2 , ..., xk
somente serão iguais se (Wooldridge, 2011: p.76):
1 A estimativa MQO de cada coe…ciente de inclinação de x2 , ..., xk for

zero, ou seja, b
β2 = ... = b
βk = 0 - caso de irrelevância de x2 , ..., xk
para y ; e/ou
2 Corr (x1 , x2 ) = Corr (x1 , x3 ) = ... = Corr (x1 , xk ) = 0 na amostra -
caso de regressão ortogonal.

5. Regressão Passando pela Origem
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
ỹ = β̃1 x1 + β̃2 x2 + ... + β̃k xk ,
tal que
e
βj = b
βj + b
β0 e
δj , j = 1, 2, ..., k (15)
em que e δj é a estimativa MQO do coe…ciente de xj , j = 1, 2, ..., k na

regressão auxiliar sem intercepto de x0i = 1, 8i sobre as k variáveis
explicativas do modelo.

Regressão Passando pela Origem
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.

Análise da Regressão Múltipla

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Análise da Regressão Múltipla

Enviado por

Direitos autorais:

Formatos disponíveis

Análise de Regressão Linear Múltipla: Estimação

Aula 09, Introdução à Econometria

Prof. Moisés A. Resende Filho

Capítulo 03, parte 2

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 1 / 31

A regressão linear múltipla (RLM), ao possibilitar a inclusão de mais

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 2 / 31

Os estimadores MQO b βj , j = 0, 1, 2, ..., k são a solução do problema

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 3 / 31

Tomando a forma geral da RLM com k variáveis explicativas

e, por aplicação dos estimadores MQO à amostra

Queremos mostrar que cada b

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 4 / 31

Estágio 1: estime por MQO a regressão de x1 em x2 , ..., xk , ou seja,

obtendo b xi 1 = φ b0 + φb1 xi 2 + ... + φ

∑i =1 bri 1 xi 0 = ∑i =1 bri 1 xi 2 = ... = ∑i =1 bri 1 xik = 0, xi 0 = 1, 8i

percebemos que os resíduos b ri 1 , i = 1, ..., n são a parte de x1 não

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 5 / 31

Estágio 2: estime a RLS

com o estimador MQO de α1

Note que tanto faz se, ao invés do modelo (5), estimássemos o

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 6 / 31

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 7 / 31

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 8 / 31

∑i =1 bri 1 bxi 1 ∑i =1 bri 1 φb0 + φb1 xi 2 + ... + φbk 1 xik

∑i =1 bri21 ∑i =1 bri 1 (xi 1 bxi 1 )

Queremos mostrar que ∑ni=1 b bi = 0. Como pelas propriedades algébricas

∑i =1 bri 1 ubi ∑i =1 φb0 + φb1 xi 2 + ... + φbk

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 10 / 31

É possível generalizar o resultado (3.22), demonstrando que, em qualquer

em que b rij é o resíduo da regressão com intercepto de xj nas outras k 1

em que bri 0 é o resíduo da regressão sem intercepto da variável x0i = 1, 8i

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 11 / 31

Esse é um exemplo de aplicação do estimador em dois estágios de

O arquivo carros.dta na página web do curso contém os dados de 81

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 12 / 31

observamos que, na amostra, kpl é negativamente correlacionado com hp.

kpl Coef. Std. Err. t P>|t| [95% Conf. Interval]

hp -0.051 0.004 -11.637 0.000 -0.060 -0.042

estimamos uma redução de 0, 051 km por litro de gasolina no desempenho

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 14 / 31

No entanto, nosso modelo teórico diz que vm e pv afetam hp e kpl,

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 15 / 31

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 16 / 31

De outra forma, como o erro do modelo (8) é u = fvm, pv , outros

para o qual a hipótese E (u jhp, vm, pv ) = 0 é plausível.

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 17 / 31

Queremos dar um exemplo para ilustrar que a estimativa MQO de β1

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 18 / 31

Tomando o grá…co de dispersão de kpl em hp líquido de vm e pv

observamos que kpl é positivamente correlacionado na amostra com

No segundo estágio, estimamos a regressão MQO sem intercepto de kpl

Source SS df MS Number of obs = 81

kpl Coef. Std. Err. t P>|t| [95% Conf. Interval]

hphat 0.144 0.281 0.512 0.610 -0.416 0.704

o que mostra que, na verdade, a estimativa é de um aumento de 0, 144 km

kpl Coef. Std. Err. t P>|t| [95% Conf. Interval]

hp 0.144 0.028 5.197 0.000 0.089 0.199

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 21 / 31

Considere as seguintes RLS e RLM

ỹ = β̃0 + β̃1 x1 (10)

em que o superescrito denota o estimador MQO na RLS e ^

Moisés Resende Filho (ECO/UnB) Estimação da Regressão Múltipla 08/07/2022 22 / 31