Cap. 7

Cap.
7 - Análise de Regressão Múltipla: O problema da

estimação
Wallace Patrick1
1 Departamento de Economia - UFPB
Econometria
Wallace Patrick (UFPB) Cap. 7 Julho/2023 1 / 24

Sumário
1 Introdução
2 Estimação
3 Coeficiente de determinação - R 2
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Introdução
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Introdução
Introdução
Yi = β1 + β2 X2i + β3 X3i + ui (1)
Y → dependente;
X2 e X3 → explicativas;
i → indica a i-ésima observação;
β1 → intercepto. Efeito médio sobre Y quando X2 e X3 são iguais
a zero;
β2 e β3 → coeficientes parciais da regressão
Para séries temporais, o subscrito t denota a observação.

Introdução
Hipóteses
1. modelo de regressão linear → linear nos parâmetros.

2. X independente do termo de erro.
3. o termo de erro ui tem valor médio zero.
4. homocedasticidade → variância constante de ui .
5. ausência de correlação serial ou autocorrelação entre os termos
de erro.
6. o número de observações n deve ser maior que o número de
parâmetros a serem estimados.
7. deve haver variação nos valores das variáveis X.
8. ausência de multicolinearidade exata entre os X.
9. ausência de viés de especificação.

Introdução
Ex: Y= Consumo, X2 = renda X3 = riqueza

Suponha existir uma relação linear entre renda e riqueza, por exemplo,
X3i = 2X2i
Yi = β1 + β2 X2i + β3 X3i + ui
Yi = β1 + β2 X2i + β3 2X2i + ui
Yi = β1 + (β2 + 2β3 )X2i + ui
Yi = β1 + αX2i + ui
onde α = β2 + 2β3 . É a influência combinada de X2 e X3 em Y.

Introdução
Interpretação na regressão múltipla
E (Yi /X2i , X3i ) = β1 + β2 X2i + β3 X3i + E (ui /X2i , X3i )
E (Yi /X2i , X3i ) = β1 + β2 X2i + β3 X3i
O valor esperado ou a média de Y, condicional aos valores dados de X2

e X3 .

Introdução
Coeficientes parciais na regressão
Como mantemos constante a influência de X2

Derivada parcial de E (Yi /X2i , X3i ).
β2 mede a variação na E (Y ), por unidade de variação em X2 , man-
tendo X3 constante.
É o efeito lı́quido, ou direto de X2 .

Introdução
Ŷi = β1 + β3 X3i + û1i
X̂2i = β1 + β3 X3i + û2i
û1i e û2i são os resı́duos ds regressões.

Introdução
û1i = Ŷi − β1 − β3 X3i
é a parte de Y que resta após remover a influência de X3 .
û2i = X̂2i − β1 − β3 X3i
é a parte de X2 que resta após remover a influência de X3 .
Portanto, a regressão de û1i em função de û2i dá o efeito lı́quido de X2

sobre Y, limpo da influência de X3 .

Estimação
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Estimação
Estimadores de MQO
Yi = β̂1 + β̂2 X2i + β̂3 X3i + ûi
Escolher os valores dos parâmetros de forma que a soma dos quadrados

dos resı́duos (SQR) ûi2 seja a menor possı́vel.
P
ûi2 = (Yi − β̂1 − β̂2 X2i − β̂3 X3i )2

X X
min

Estimação
Estimadores de MQO
Derivadas parciais e igualar a zero.
Encontrar os Betas.
Encontrar as variâncias e erros padrão dos estimadores.
Em todas as fórmulas σ 2 é a variância (homocedástica) dos termos
de erro da população, ui .
P 2
û
σ =2 i
n−3
onde n-3 são os graus de liberdade, pois para ûi , precisamos es-
P 2
timar primeiro os betas.

Coeficiente de determinação - R 2
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Escrevendo a regressão como um resultado do valor previsto:
Ŷi = β̂1 + β̂2 X2i + β̂3 X3i
Sabemos que:
β̂1 = Ȳ − β̂2 X̄2 − β̂3 X̄3
Substituindo
Ŷi = (Ȳ − β̂2 X̄2 − β̂3 X̄3 ) + β̂2 X2i + β̂3 X3i
Ŷi = Ȳ + β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 )

Fazendo o desvio com relação a média
Ŷi − Ȳ = β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 )
ŷi = β̂2 x2i + β̂3 x3i (2)

Modelo de regressão
Seja:
Yi = β̂1 + β̂2 X2i + β̂3 X3i + ûi
então:
Yi = Ŷi + ûi
Podemos também escrever como o desvio em relação a média
Yi − Ȳ = β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 ) + ûi
yi = β̂2 x2i + β̂3 x3i + ûi (3)

então, usando o resultado da equação (2):
yi = ŷi + ûi

Elevando ao quadrado e somando os valores amostrais
yi2 = ŷi2 +
X X X
ûi2
SQT = SQE + SQR
R2
Por definição:
ŷ 2
P
SQE
R = 2
= P i2
SQT yi
û 2
P
SQR
R =1−
2
= 1 − P i2
SQT yi

R 2 ajustado
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

R 2 ajustado
R 2 ajustado
Usado para evitar a introdução de variáveis apenas para ter um me-

lhor ajuste, dado que o R 2 é uma função não decrescente do número
de regressores.
ŷ 2 /(n − k)
P
SQE
R2 = = P i2
SQT yi (n − 1)
k = nº de parâmetros do modelo.
ŷi tem n-k graus de liberdade.
P 2
yi tem n-1 graus de liberdade.

P 2

Outros Conceitos
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Outros Conceitos
Regressão com variáveis padronizadas

as variáveis são expressas em termos de desvios em relação à média e
dividida por seu desvio padrão.
Viés de especificação
especificação errada pode gerar parâmetros que não são os verdadeiros
efeitos das variáveis.
Modelo de regressão polinomial
Yi = β0 + β1 Xi + β2 Xi2 + ui
ex: idade, custo marginal.

Formas funcionais
Sumário
1 Introdução
2 Estimação
4 R 2 ajustado
5 Outros Conceitos
6 Formas funcionais

Formas funcionais
Função de produção Cobb-Douglas
Yi = β1 X2iβ2 X3iβ3 e ui
Aplicando o logaritmo:
lnYi = lnβ1 + β2 lnX2i + β3 lnX3i + ui
Modelo log-linear, os betas representam as elasticidades do Y em relação a

cada uma das variáveis explicativas
∂lnY
β2 =
∂lnX2
∂lnY
β3 =
∂lnX3

Cap. 7

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

Cap. 7

Enviado por

Direitos autorais:

Formatos disponíveis

Cap.

7 - Análise de Regressão Múltipla: O problema da

Wallace Patrick (UFPB) Cap. 7 Julho/2023 1 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 2 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 3 / 24

Yi = β1 + β2 X2i + β3 X3i + ui (1)

Wallace Patrick (UFPB) Cap. 7 Julho/2023 4 / 24

1. modelo de regressão linear → linear nos parâmetros.

Wallace Patrick (UFPB) Cap. 7 Julho/2023 5 / 24

Ex: Y= Consumo, X2 = renda X3 = riqueza

Yi = β1 + (β2 + 2β3 )X2i + ui

onde α = β2 + 2β3 . É a influência combinada de X2 e X3 em Y.

Wallace Patrick (UFPB) Cap. 7 Julho/2023 6 / 24

Interpretação na regressão múltipla

E (Yi /X2i , X3i ) = β1 + β2 X2i + β3 X3i + E (ui /X2i , X3i )

E (Yi /X2i , X3i ) = β1 + β2 X2i + β3 X3i

O valor esperado ou a média de Y, condicional aos valores dados de X2

Wallace Patrick (UFPB) Cap. 7 Julho/2023 7 / 24

Coeficientes parciais na regressão

Como mantemos constante a influência de X2

Wallace Patrick (UFPB) Cap. 7 Julho/2023 8 / 24

Coeficientes parciais na regressão

Ŷi = β1 + β3 X3i + û1i

X̂2i = β1 + β3 X3i + û2i

û1i e û2i são os resı́duos ds regressões.

Wallace Patrick (UFPB) Cap. 7 Julho/2023 9 / 24

Coeficientes parciais na regressão

û1i = Ŷi − β1 − β3 X3i

é a parte de Y que resta após remover a influência de X3 .

û2i = X̂2i − β1 − β3 X3i

é a parte de X2 que resta após remover a influência de X3 .

Portanto, a regressão de û1i em função de û2i dá o efeito lı́quido de X2

Wallace Patrick (UFPB) Cap. 7 Julho/2023 10 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 11 / 24

Yi = β̂1 + β̂2 X2i + β̂3 X3i + ûi

Escolher os valores dos parâmetros de forma que a soma dos quadrados

ûi2 = (Yi − β̂1 − β̂2 X2i − β̂3 X3i )2

Wallace Patrick (UFPB) Cap. 7 Julho/2023 12 / 24

timar primeiro os betas.

Wallace Patrick (UFPB) Cap. 7 Julho/2023 13 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 14 / 24

Escrevendo a regressão como um resultado do valor previsto:

Ŷi = β̂1 + β̂2 X2i + β̂3 X3i

β̂1 = Ȳ − β̂2 X̄2 − β̂3 X̄3

Ŷi = Ȳ + β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 )

Wallace Patrick (UFPB) Cap. 7 Julho/2023 15 / 24

Fazendo o desvio com relação a média

Ŷi − Ȳ = β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 )

ŷi = β̂2 x2i + β̂3 x3i (2)

Wallace Patrick (UFPB) Cap. 7 Julho/2023 16 / 24

Yi = β̂1 + β̂2 X2i + β̂3 X3i + ûi

Podemos também escrever como o desvio em relação a média

Yi − Ȳ = β̂2 (X2i − X̄2 ) + β̂3 (X3i − X̄3 ) + ûi

yi = β̂2 x2i + β̂3 x3i + ûi (3)

Wallace Patrick (UFPB) Cap. 7 Julho/2023 17 / 24

Elevando ao quadrado e somando os valores amostrais

SQT = SQE + SQR

Wallace Patrick (UFPB) Cap. 7 Julho/2023 18 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 19 / 24

Usado para evitar a introdução de variáveis apenas para ter um me-

yi tem n-1 graus de liberdade.

Wallace Patrick (UFPB) Cap. 7 Julho/2023 20 / 24

Wallace Patrick (UFPB) Cap. 7 Julho/2023 21 / 24