Catalog

1. Introducao.............................................................................................................................................2
2. Objectivos.............................................................................................................................................3
2.1. Objectivo Geral.........................................................................................................................3
3. Desenvolvimento...................................................................................................................................3
3.1. Regressao Linear e Correlacao..................................................................................................3
3.2. Correlação.................................................................................................................................3
3.3. Tipos de Correlação...................................................................................................................4
3.3.1. Correlação Simples.................................................................................................................4
3.3.2. Correlação Múltipla................................................................................................................4
3.3.3. Correlação Parcial..................................................................................................................4
3.3.4. Correlacao Simples.................................................................................................................5
3.4. Analise de Regressao Simples...................................................................................................5
3.5. Estimação dos parametros de modelo.......................................................................................6
3.6. Testes de hipoteses e intervalos de confianca...........................................................................6
3.7. Exemplos de confianca e testes de hipotestes para os parametros............................................6
4. Conclusao..............................................................................................................................................8
Concluido este trabalho pode-se concluir que o primeiro passo para adentrar esse imenso
universo das ferramentas estatísticas e econométricas que podem ser de grande utilidade para a
avaliação de políticas públicas................................................................................................................8
1. Introducao

O presente trabalho tem como objectivo abordar sobre a Regressao Linear

Simples e a Correlacao Linear.

A análise de correlação tem por objetivo medir a intensidade de relação entre

as variáveis, deve-se estar atentos aos princípios desta relação. Nas correlações
supostamente lógicas, as relações causais se compreendem claramente. Nas
chamadas correlações ilusórias não se encontra nenhuma conexão razoável
entre as variáveis. Assim o tamanho de uma população de insetos pode estar
correlacionado com a altura de certas ervas ou, pode ser simplesmente uma
função do tempo. Pode não haver relação ecológica entre as plantas e os
insetos, mas sim com uma outra variável. Também vamos estudar os tipos de
correlação e como calcular o coeficiente de correlação.

Na regressão podemos aprender a estimar a relação de uma variável com outra,

expressando a variável dependente em função da variável independente. A
regressão estuda conjuntos de variáveis que se supõe estar numa relação de
causa e efeito. O estudo da regressão conduz a um acompanhamento da
tendência da variável dependente em função do comportamento da variável
independente
2. Objectivos

2.1. Objectivo Geral

 Conhecer sobre o funcionamento da Regressao Linear.

 Estudar sobre a Correlacao Linear.

3. Desenvolvimento

3.1. Regressao Linear e Correlacao

Quando se deseja estudar o comportamento simultâneo de duas ou mais

variáveis, emprega-se a análise de Regressão e a de Correlação para avaliação
da informação desejada.

Na regressão estimamos a relação de uma variável com outra, expressando a

variável dependente em função da variável independente. A regressão estuda
conjuntos de variáveis que se supõe estar numa relação de causa e efeito. A
correlação que às vezes se confunde com regressão, estuda o grau em que duas
ou mais variáveis variam simultaneamente. Isto é, o grau de inter-
relacionamento entre as variáveis.

Os métodos de regressão e correlação não podem ser aplicados em variáveis

qualitativas (atributos). É preciso que as variáveis sejam contí-nuas. De acordo
com a função de regressão podemos ter: Correlação Retilínea, Exponencial,
Parabólica, Potencial, etc.

3.2. Correlação

É o estudo do grau de associação entre variáveis. Na correlação interessa

observar se duas ou mais variáveis são independentes ou variam juntas.
  Tamanho do braço ou tamanho da perna em uma população de
mamíferos.

 Conteúdo de colesterol no sangue e peso de pessoas de mesma idade e

sexo.

 Estatura dos pais e estatura dos filhos de pessoas de mesma raça.

 Renda e consumo por faixa de salário.

 Preço e Demanda.

 Produção agrícola e fertilizante. etc,

Como o objetivo da análise de correlação é medir a intensidade de relação entre

as variáveis, devemos estar atentos aos princípios desta relação. Nas
correlações supostamente lógicas, as relações causais se compreendem
claramente. Nas chamadas correlações ilusórias não se encontra nenhuma
conexão razoável entre as variáveis. Assim o tamanho de uma população de
insetos pode estar correlacionado com a altura de algum tipo de erva ou, pode
ser simplesmente uma função do tempo. Pode não haver relação ecológica
entre as plantas e os insetos. A população de insetos pode depender de outras
variáveis que não necessariamente a altura das ervas.

3.3. Tipos de Correlação

3.3.1. Correlação Simples

Quando se estuda o grau de relação entre duas variáveis, sendo uma

dependente (Yi ) e outra independente (Xi ).

3.3.2. Correlação Múltipla

Quando se estuda o grau de relação simultânea entre a variável dependente e

duas ou mais variáveis independentes.
3.3.3. Correlação Parcial

No caso de uma relação múltipla, quando se estuda a relação pura entre duas
variáveis, depois de eliminada estatisticamente a influencia de outras variáveis
independentes.

3.3.4. Correlacao Simples

Investiga a existência de associação entre duas variáveis, isto é, o grau de inter-

relacionamento entre a variável dependente e a independente. Porém devemos
ficar atentos que a correlação linear simplesmente comprova uma variação
concomitante entre duas variáveis, não significando, a priori, que uma é causa
da outra, visto que muitas outras variáveis, não consideradas no estudo, podem
afetar o comportamento da variável dependente.

De acordo com a relação entre as variáveis esta correlação pode ser:

Direta ou Positiva – quando a variável dependente está diretamente

relacionada com a variável independente. Ex.: Renda e Consumo.

Indireta ou Negativa – quando a variável dependente tem relação

inversamente proporcionalmente com a variável independente. Ex.: Preço e
Demanda

3.4. Analise de Regressao Simples

A análise de regressão linear estuda a relação entre a variável dependente ou variável

resposta y e uma ou várias variáveis independentes ou regressoras x1 e x2. Esta
relação representa-se por meio de um modelo matemático, ou seja, por uma equação
que associa a variável dependente y com as variáveis independentes x1 e xp. O
Modelo de Regressão Linear Simples define-se como a relação linear entre a variável
dependente y e uma variável independente x . Enquanto que o Modelo de Regressão
Linear Múltiplo define-se como a relação linear entre a variável dependente y e várias
variáveis independentes x1 e xp. Nesse capítulo vamos apenas debruçar-nos sobre o
modelo de regressão linear simples. Será apresentado o modelo teórico e os seus
pressupostos, assim como a estimação dos parâmetros do modelo pelo método dos
mínimos quadrados. Serão ainda construídos testes e intervalos de confiança para os
parâmetros do modelo.

3.5. Estimação dos parametros de modelo

Supondo que existe efectivamente uma relação linear entre ܺ e ܻ, coloca-se a questão de
como estimar os parâmetros ba e b1.

Karl Gauss entre 1777 e 1855 propôs estimar os parâmetros bo e b1 visando

minimizar a soma dos quadrados dos desvios, ei, I=1, … , chamando este processo de
método dos mínimos quadrados. Este método será descrito de seguida. (Maroco,
2003)

3.6. Testes de hipoteses e intervalos de confianca

Teste de hipoteses e um dos procedimentos básicos para a interferência estatística.

Passos para construção de um teste de hipóteses

1. Definir as hipóteses estatísticas.

2. Escolher a estatística para testar a hipótese e verificar a pressuposição para o seu

uso.

3. Fixar a taxa de erro aceitável ( α - nível de significância).

4. Usar as observações da amostra para calcular o valor da estatística do teste.

5. Decidir sobre a hipótese testada e concluir.

3.7. Exemplos de confianca e testes de hipotestes para os parametros

Exemplo 1-(INTERVALO DE CONFIANÇA PARA MÉDIA)

Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se

que 100 peças sejam ensaiadas, fornecendo uma duração de vida média de horas.
Suponha-se o# que seja conhecido e igual a 4 horas, e que se deseje obter um
intervalo de confianças de 95 por cento para a média u.

Solucao
Nesse caso, encontra-se o seguinte intervalo de confiança para u=E(x)

(1-a)=0.95, temos z0.975=1,96

Entao Z0.975 a/vn=1.96*4/10=0.784

Portanto, os limites de confianca sao

LI=501.2-0.784=500.41

LS=501.2+0.784=501.98

Ic0.95=(500.41 e 501.98)

OBS: Cabe uma observação. Ao afirmar que (500,41 ; 501,98) constitui um intervalo
de confiança de 95% para u , não estaremos dizendo que 95 % das vezes a média
amostral cairá naquele intervalo. A próxima vez que tirarmos uma amostra aleatória, x
presumivelmente será diferente e, por isso, os extremos do intervalo de confiança
serão diferentes. Estaremos afirmando que 95% das vezes, u estará contido no
intervalo.
4. Conclusao

Concluido este trabalho pode-se concluir que o primeiro passo para adentrar esse
imenso universo das ferramentas estatísticas e econométricas que podem ser de
grande utilidade para a avaliação de políticas públicas.

Ao invés de apresentar de todas possibilidades dos modelos de regressão linear, o que

se pretendeu aqui foi simplesmente abrir a tampa de uma imensa caixa de utensílios, e
apontar as limitações e hipóteses subjacentes aos modelos econométricos mais
simples.

De outro lado, cabe uma lembrança final de que o instrumental estatístico, seja qual
for, não subsiste sem a teoria e o conhecimento da questão que se busca analisar.
Logo, para se avaliar uma política pública, é preciso, antes de mais nada, conhecer
sobre tal política, o que motivou a sua elaboração, o que se pretende com a mesma,
quem é o seu públicoalvo, quais podem ser seus desdobramentos e todas as demais
questões a ela atreladas.

Por fim, muitos são os pacotes econométricos capazes de dar respostas rápidas,
estimações complexas, mas nada disso tem significado sem o conhecimento técnico
do cientista social, do economista, do epidemiologista ou de qualquer outro
profissional que domine o tema associado aos modelos estimados.