Escolar Documentos
Profissional Documentos
Cultura Documentos
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋 + 𝑢𝑖 (2.4.2)
3.1 Método dos mínimos quadrados ordinários
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖 = 𝑌𝑖 + 𝑢𝑖 (2.6.2) e (2.6.3)
𝑢𝑖 = 𝑌𝑖 − 𝑌𝑖 = 𝑌𝑖 − 𝛽1 − 𝛽2 𝑋𝑖 (3.1.1)
min 𝑢𝑖 = (𝑌𝑖 − 𝑌𝑖 )
2 2
𝑢𝑖 = 𝑌𝑖 − 𝑌𝑖
2
= 𝑌𝑖 − 𝛽1 − 𝛽2 𝑋𝑖 (3.1.2)
𝑢𝑖 2 = 𝑓(𝛽1 , 𝛽2 ) (3.1.3)
em que 𝑦𝑖 = 𝑌𝑖 − 𝑌 e 𝑥𝑖 = 𝑋𝑖 − 𝑋
𝑏1 = 𝑌 − 𝑏2 𝑋 (3.1.7)
• Exemplo numérico
• Exemplo numérico
Linha de regressão estimada para os dados salário- escolaridade da Tabela 2.6
16
14
Y = 0,7241X - 0,0145
12
10
Salário-hora médio
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
Anos de escolaridade
3.1 Método dos mínimos quadrados ordinários
Hipótese Descrição
Hipótese Descrição
𝜎2 𝜎2
𝑣𝑎𝑟 𝑏2 = (3.3.1) ep 𝑏2 = (3.3.2)
𝑥2 𝑥2
𝑋2 𝑋2
𝑣𝑎𝑟 𝑏1 = 𝜎2 (3.3.3) ep 𝑏1 = 𝜎2 (3.3.4)
𝑛 𝑥2 𝑛 𝑥2
𝑢𝑖 2
𝜎2 = (3.3.5)
𝑛−2
𝑢𝑖 2
𝜎2 = (3.3.8)
𝑛−2
• Exemplo numérico
1. É linear, isto é, uma função linear de uma variável aleatória, como a variável
dependente Y no modelo de regressão.
2. É não viesado (ou não tendencioso), isto é, seu valor médio ou esperado E(𝛽2 )
é igual ao verdadeiro valor 𝛽2 .
Teorema de Gauss-Markov:
Dadas as premissas do modelo clássico de regressão linear, os
estimadores de mínimos quadrados da classe dos estimadores lineares
não viesados têm variância mínima, isto é, são o melhor estimador linear
não viesado (MELNT).
𝑌𝑖 = 𝐸 𝑌𝑖 + 𝑢𝑖 (2.6.3)
𝑌𝑖 = 𝑌𝑖 + 𝑢𝑖
𝑌𝑖 − 𝑌 = (𝑌𝑖 − 𝑌) + 𝑢𝑖
2
2
(𝑌𝑖 − 𝑌) = 2
(𝑌𝑖 − 𝑌) − 𝑢𝑖
2
𝑆𝑄𝐸 𝑌𝑖 − 𝑌
𝑟2 = = 2
𝑆𝑄𝑇 𝑌𝑖 − 𝑌
2
𝑆𝑄𝑅 𝑢2
𝑟 =1− =1− 2
𝑆𝑄𝑇 𝑌𝑖 − 𝑌
3.5 O coeficiente de determinação 𝒓𝟐 : uma
medida da “qualidade do ajustamento”
𝑟 = ± 𝑟2 (3.5.12)
(𝑥𝑖 .𝑦𝑖 )
𝑟= (3.5.13)
(𝑥𝑖 )2 (𝑦𝑖 )2
3.5 O coeficiente de determinação 𝒓𝟐 : uma
medida da “qualidade do ajustamento”