Escolar Documentos
Profissional Documentos
Cultura Documentos
Yi = β0 + 1Xi + i
onde:
Y = variável dependente;
X= variável explicativa;
β0 = intercepto ou constante da regressão;
β1 = coeficiente angular ou inclinação;
= erro aleatório
Significado do erro aleatório:
Imprecisão da teoria
Indisponibilidade de dados
Casualidade intrínseca no comportamento econõmico
Variáveis proxys fracas
Forma funcional errada
PRESSUPOSIÇÕES CLÁSSICAS DO MODELO DE REGRESSÃO:
diagrama de dispersão
• Estimação do modelo:
X Y
X Y −
i i
i i
ˆ = n
( X i ) 2
X i
2
−
n
O estimador do intercepto ou constante será:
α̂ = Y - β̂.X
Para o exemplo do faturamento em função do investimento em MKT, temos:
x y x2 xy y2
n
1 5 80 25 400 6400
2 2 58 4 116 3364
3 6 95 36 570 9025
4 7 83 49 581 6889
5 7 108 49 756 11664
6 10 103 100 1030 10609
7 9 105 81 945 11025
8 12 121 144 1452 14641
9 12 135 144 1620 18225
10 10 129 100 1290 16641
11 10 133 100 1330 17689
TOTAL 90 1150 832 10090 126172
10090 - ( 90 . 1150)/11
β̂ = β̂ = 7,12
832 - ( 90 2 ) / 11
Interpretação do modelo:
Também podemos estimar que se esta Cia variar em 1 unidade (R$ 1.000,00) os
investimentos em MKT, o faturamento irá variar em R$ 7,12 milhões.
-AVALIAÇÃO DO MODELO
a) Coeficiente de Determinação (R2):
Uma vez que queremos uma medida sintética para todas as observações, aplicamos
somatório e elevamos ao quadrado, obtendo-se após simplificação:
(Y − Y)
i
2
= (Ŷi − Y) 2 + (Yi − Ŷi ) 2 SQT=SQReg + SQRes
SQReg SQ Re s
R =
2
= 1−
SQT SQT
β̂.( XY −
X Y
)
i i
i i
R =
2 n
Y i
2
− nY 2
Observações sobre R2:
• 0 R2 1. O R2 é sempre positivo e varia de 0 a 1.
• Quanto mais próximo de 1, melhor o ajustamento do modelo;
• Quanto mais próximo de zero, pior o ajustamento do modelo;
• Se R2 = 1, todos os pontos estão sobre a reta ajustada e o modelo se ajusta
perfeitamente aos dados;
• Se R2 = 0, a reta ajustada é horizontal e as variáveis não apresentam nenhuma
associação linear;
• O R2 é interpretado como o percentual de variação em Y que é explicado pelo
modelo de regressão, ou seja, pelas variáveis explicativas do modelo;
• Na regressão simples: R2 = (rx,y)2, ou seja, o R2 é igual ao coeficiente de correlação
simples entre x e y elevado ao quadrado;
Para o exemplo, temos:
R2 = 0,8150 ou 81,50%
Interpretação:
81,50% das variações do faturamento da Cia X são explicadas pelas variações
nos investimentos em marketing.
b) Estimativa da variância do erro:
S(β0) = 𝒗𝒂𝒓(β0)
S(β1) = 𝒗𝒂𝒓(β1)
H0 : K = 0
A : Kutiliza
EsteHteste 0 a distribuição t e consiste em calcular:
β̂ -
t=
S(β̂)
Substituindo β̂ - , tem-se
t=
S(β̂)
P[ ˆ − t c .S ( ˆ ) ˆ + t c .S ( ˆ )] = 1 − NS
Propriedades dos estimadores de mínimos quadrados
O teorema de Gauss- Markov:
Dadas as hipóteses do modelo clássico de regressão linear, os estimadores de MQO são, na
classe dos estimadores lineares não tendenciosos os que possuem variância mínima (BLUE
ou MELNV).
Modelo Matricial: Modelo Geral
- Multicolinearidade perfeita
Neste caso, os coeficientes de regressão das variáveis X são indeterminados e seus erros-
padrão são infinitos.
- Multicolinearidade imperfeita
Neste caso, os coeficientes de regressão, embora determinados, possuem erros-padrão
grandes, o que significa que os coeficientes não podem ser estimados com grande
precisão ou exatidão.
Conseqüências:
Teóricas:
A multicolinearidade não afeta em nada as propriedades dos estimadores de MQO, que
continuam sendo os melhores estimadores lineares não tendenciosos (MELNV).
Práticas:
- aumenta a variância dos estimadores;
- aumenta os erros-padrão dos estimadores;
- intervalos de confiança maiores;
- razões t “insignificantes”;
- estimativas muito sensíveis;
HIPÓTESE DO MCRL: a variância de cada termo de perturbação i, condicional aos valores
escolhidos das variáveis explicativas, é algum número constante igual a 2
(HOMOCEDASTICIDADE).
E(i2) = 2 i = 1, 2, ..., n
Violação: HETEROCEDASTICIDADE
E(i2) = i2
Como detectar?
- análise gráfica dos resíduos
- testes formais: Goldfeld-Quandt
Park
Glejser
White
Como corrigir?
Violação: AUTOCORRELAÇÃO
Significa dependência temporal dos resíduos obtidos após um ajustamento, ou seja, COV( i,
j) 0.
CONSEQÜÊNCIA:
A conseqüência da heterocedasticidade é que o método de MQO não gera estimadores
eficientes ou de variância mínima, o que implica em erros-padrão viesados e incorreção dos
testes de hipótese e dos I.C.
Causas da autocorrelação:
H0: = 0
H1: 0
n
u t u t -1
DW = 1 - 2 t =2
n
+1
u
t =1
t
u t u t -1
DW = 2 − 2 t =2
n
ut =1
t
DW = 2 - 2
ˆ
DW = 2(1 −
ˆ)
Se = 0 → DW = 2
Se = + 1 → DW = 0
Se = - 1 → DW = 4
DEFICIÊNCIAS DO TESTE DE DW:
- testa apenas autocorrelação de 1a ordem;
- regiões inconclusivas;
- para ser válido a regressão deve incluir intercepto;
- não é valido quando o modelo tem variável dependente defasada como variável explicativa;
t = t-1 + vt (2)