UNIVERSIDADE ZAMBEZE

FACULDADE DE CIÊNCIAS SOCIAIS E HUMANIDADES

ECONOMIA

POS-LABORAL
Econometria

ESTIMAÇÃO DO MODELO DE REGRESSÃO DE DUAS VARIÁVEIS

Discente:
Euridse Bernardo Simango

Docentes:
Quinitéria Gabriel

BEIRA
2023
ÍNDICE

INTRODUÇÃO-----------------------------------------------------------------------------------------3
OBJECTIVOS-------------------------------------------------------------------------------------------4
Objectivo geral-------------------------------------------------------------------------------------------4
Objectivos específicos----------------------------------------------------------------------------------4
ESTIMAÇÃO DO MODELO DE REGRESSÃO DE DUAS VARIÁVEIS-------------------4
Método dos mínimos quadrados ordinários----------------------------------------------------------5
Propriedades de numéricas MQO---------------------------------------------------------------------6
Estimadores de mínimos quadrados: o teorema de Gauss-Markov-------------------------------7
O teorema de limite central----------------------------------------------------------------------------7
Inferência intervalo de confiança e testes de hipóteses--------------------------------------------8
CONCLUSÃO------------------------------------------------------------------------------------------9
BIBLIOGRAFIA---------------------------------------------------------------------------------------10
INTRODUÇÃO
Neste presente trabalho iremos abordar sobre estimação do modelo de regressão de duas
variáveis e dizer que discutiremos primeiro essas hipóteses no contexto do modelo de regressão
de duas variáveis; e as estenderemos ao modelo de regressão múltipla, isto é, ao modelo em que
há mais de um regressor, este modelo pode ser estendido para incluir mais variáveis explicativas.
Apêndice A, examinaremos dois métodos de estimação muito usados: (1) o dos mínimos
quadrados ordinários (MQO); e (2) o de máxima verosimilhança (MV).
OBJECTIVOS

Objectivo geral

 Estudar e compreender as estimações do modelo de regressão de duas variáveis.

Objectivos específicos

 Estudar e compreender o método dos

mínimos quadrados ordinários
 Estudar e compreender as
propriedades de numéricas MQO
 Estudar e compreender os
estimadores de mínimos quadrados: o teorema de Gauss-Markov
 Estudar e compreender o teorema de
limite central
 Estudar e compreender a inferência
intervalo de confiança e testes de hipóteses
ESTIMAÇÃO DO MODELO DE REGRESSÃO DE DUAS VARIÁVEIS

O modelo clássico de regressão linear, gaussiano ou padrão (MCRL), que é a pedra angular
de boa parte da teoria econométrica, parte de sete hipóteses. Discutiremos primeiro essas
hipóteses no contexto do modelo de regressão de duas variáveis; e as estenderemos ao modelo de
regressão múltipla, isto é, ao modelo em que há mais de um regressor, este modelo pode ser
estendido para incluir mais variáveis explicativas. Apêndice A, examinaremos dois métodos de
estimação muito usados: (1) o dos mínimos quadrados ordinários (MQO); e (2) o de máxima
verosimilhança (MV). Em grande parte, o primeiro método é o mais utilizado para a análise de
regressão principalmente porque é intuitivamente convincente e matematicamente muito mais
simples que o da máxima verosimilhança. Além disso, como mostraremos mais adiante, no
contexto da regressão linear, os dois costumam proporcionar resultados similares.

Método dos mínimos quadrados ordinários

Este método é atribuído a Carl Friedrich Gauss, um matemático alemão. Sob certas hipóteses, o
MQO tem algumas propriedades estatísticas muito atraentes que o tornaram um dos métodos de
análise de regressão mais poderosos e difundidos. Para que você o entenda, explicaremos
primeiro o princípio dos mínimos quadrados.
Recordando a FRP de duas variáveis:

No entanto, a FRP não pode ser observada directamente. Temos de estimá-la por meio da FRA:

Em que Yi é o valor estimado (média condicional) de Yi.

Agora, dados n pares de observações de Y e X, queremos determinar a FRA de maneira que fique
o mais próximo possível do Y observado. Para tanto, podemos adoptar o seguinte critério:
escolher a FRA de tal forma que a soma dos resíduos seja a menor possível.
Como os valores ^β do primeiro experimento nos fornecem um ∑ ui^ menor do que os obtidos
com os valores de ^β no segundo experimento, podemos dizer que os ^β do primeiro experimento
são os “melhores” valores. Mas como sabemos disso? Se tivéssemos tempo e paciência infinitos,
poderíamos conduzir muitos mais experimentos desse tipo, escolhendo diferentes conjuntos de ^β
a cada vez, comparando os resultantes e escolhendo o conjunto de valores de ^β que nos dessem o
menor valor possível de ^β , supondo, é claro, que tivéssemos considerado todos os valores
possíveis de ^β 1 e ^β 2. Mas como tempo e, certamente, paciência são, em geral, escassos,
precisamos encontrar algum atalho para esse processo de tentativa e erro. Felizmente, o método
dos mínimos quadrados oferece tal atalho. O princípio, ou método, dos mínimos quadrados
escolhe ^β 1 e ^β 2 de tal forma que, para qualquer amostra ou conjunto de dados.

Propriedades de numéricas MQO

Os estimadores obtidos anteriormente são conhecidos como estimadores de mínimos quadrados,
pois são derivados do princípio dos mínimos quadrados. Note as seguintes propriedades
numéricas dos estimadores obtidos por meio do método dos MQO: “Propriedades numéricas são
aquelas que se sustentam em consequência do uso dos mínimos quadrados ordinários,
independentemente das formas pelas quais os dados foram gerados”. Em breve, veremos as
propriedades estatísticas dos estimadores de MQO, isto é, as propriedades que “se mantêm
apenas sob certas hipóteses sobre a forma como os dados foram gerados”.
1. Os estimadores de MQO são expressos unicamente em termos de quantidades
observáveis (amostrais), como X e Y. Portanto, podem ser calculados com facilidade.
2. São estimadores pontuais, isto é, dada a amostra, cada estimador proporciona apenas
um único valor (ponto) do parâmetro populacional relevante.
3. Uma vez obtidas as estimativas de MQO para os dados amostrais, a linha de regressão
amostral pode ser obtida facilmente.
Estimadores de mínimos quadrados: o teorema de Gauss-Markov
Como mencionado, dadas as hipóteses do modelo clássico de regressão linear, as estimativas de
mínimos quadrados possuem algumas propriedades ideais ou óptimas. Estas estão contidas no
conhecido teorema de Gauss-Markov. Para entendê-lo, precisamos considerar a propriedade
de melhor estimador linear não viesado (ou não tendencioso): MELNT ou BLUE de um
estimador. Como explicado no Apêndice A, um estimador, por exemplo, o estimador de MQO, é
considerado o melhor estimador linear não viesado (ou não tendencioso) de ^β 2 se atender às
seguintes condições:
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( ^β 2) é igual ao
Verdadeiro valor ^β 2.
4. Tem variância mínima na classe de todos os estimadores lineares não viesados; um
estimador não viesado com a menor variância é conhecido como um estimador eficiente.

O teorema de limite central

O teorema de Gauss-Markov é notável, porque não faz suposições sobre a distribuição de
probabilidade da variável aleatória ui e, portanto, de Yi. Enquanto as hipóteses do modelo
clássico de regressão linear forem atendidas, o teorema será válido.
Consequentemente, não precisamos procurar outro estimador linear não viesado, pois não
encontraremos um cuja variância seja menor que o estimador de mínimos quadrados ordinários.
É claro, se uma ou mais dessas hipóteses não se aplicarem, o teorema deixa de ser válido. Por
exemplo, se considerarmos os modelos de regressão não linear nos parâmetros, poderemos
encontrar estimadores melhores que os estimadores de MQO. Também, como veremos no
capítulo sobre heterocedasticidade, se a hipótese de variância homocedástica não for satisfeita, os
estimadores de MQO, embora não viesados e consistentes, deixam de ser estimadores com
variância mínima mesmo na classe dos estimadores lineares.

Inferência intervalo de confiança e testes de hipóteses

verdadeiro valor, embora em amostras repetidas espera-se que seu valor médio seja igual ao
valor verdadeiro.
Na estatística, a confiabilidade de um estimador pontual é medida por seu erro padrão. Em vez
de tomarmos como base apenas a estimativa pontual, podemos construir um intervalo em torno
de um estimador pontual por exemplo, de dois ou três erros padrão de cada lado do estimador
pontual, de modo que esse intervalo tenha, por exemplo, 95% de probabilidade de incluir o
verdadeiro valor do parâmetro. Essa é a ideia que está por trás da estimação de intervalo.
Esse intervalo, quando existe, é conhecido como intervalo de confiança; como coeficiente de
confiança; e Æ (0 < Æ < l), como nível de significância.2 Os pontos extremos do intervalo de
confiança são os limites de confiança (ou valores críticos). é o limite inferior de confiança é o
limite superior de confiança.
CONCLUSÃO
Neste presente trabalho concluímos que O modelo clássico de regressão linear, gaussiano ou
padrão (MCRL), que é a pedra angular de boa parte da teoria econométrica, parte de sete
hipóteses. Discutiremos primeiro essas hipóteses no contexto do modelo de regressão de duas
variáveis; e as estenderemos ao modelo de regressão múltipla, isto é, ao modelo em que há mais
de um regressor, este modelo pode ser estendido para incluir mais variáveis explicativas.
Apêndice A, examinaremos dois métodos de estimação muito usados:
(1) O dos mínimos quadrados ordinários (MQO);
(2) o de máxima verosimilhança (MV). Em grande parte, o primeiro método é o mais utilizado
para a análise de regressão principalmente porque é intuitivamente convincente e
matematicamente muito mais simples que o da máxima verosimilhança.
Além disso, como mostraremos mais adiante, no contexto da regressão linear, os dois costumam
proporcionar resultados similares.
BIBLIOGRAFIA
GUJARATI, D., BASIC ECONOMETRICS. 3rd ed. New York, McGraw Hill, Internacional
Editions, Economics Series, 1995.