Resumo da aula de 11 de Abril de 2023

Estatística Aplicada ao Marketing II.

Exercício 3 da Ficha 3
Num estudo sobre o preço de vinhos de Bordéus (www.liquidasset.com) foram
considerados 27 anos de dados sobre o logaritmo do preço médio relativo à colheita de
1961 (Y) e as temperaturas médias entre Abril e Setembro em graus centígrados (X).
Considerando a seguinte informação:

𝑦̅ = −1.452, 𝑥̅ = 16.53,

∑ i= 1 e 2i = 5.819
n
s y= 0.6346 , s x= 0.6593 , r x , y= 0.666 ,

a) Determine a equação de regressão estimando os parâmetros pelo método dos mínimos

quadrados.
b) Admita que em 2022 a temperatura média entre Abril e Setembro foi 17 graus
centígrados. Com base na equação de regressão, efetue uma previsão pontual para o preço
médio relativo em 2024 da colheita de 2022.
c) Construa e interprete um intervalo de confiança, com um nível de confiança de 95%,
para o parâmetro 𝛽1.
d) Efetue um teste de hipótese que permita obter evidência que a temperatura média entre
Abril e Setembro, tem efeito no valor esperado do logaritmo do preço médio relativo de
uma colheita.
e) Calcule e interprete o coeficiente de determinação.

Em vez de usarmos o preço médio relativo vamos usar o log do preço médio
relativo (p).
𝑦 = log 𝑝
𝑒 𝑦 = 𝑒 log 𝑝
𝑒 𝑦 = 𝑝, no final para termos as interpretações que interessam fazemos 𝑒 𝑦 =
2.718𝑦
a)

𝛽̂0 = 𝑦̅ − 𝛽̂1 𝑥̅ = −1.452 − 0.641 ∗ 16.53=-12.05

𝐶𝑜𝑣(𝑥,𝑦) 𝑠𝑦 0.6346
𝛽̂1 = 2 = 𝑟𝑥.𝑦 × =0.666 × = 0.641
𝑠𝑥 𝑠𝑥 0.6593

𝑦̂𝑖 = −12.05 + 0.641𝑥𝑖

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 1
Estimamos que o valor esperado de Y varia 0.641 quando a temperatura média
no verão varia 1 grau.
b) Em 2022 a temperatura média no verão foi de 17 graus.
𝑦̂2022 = −12.05 + 0.641 × 17 = −1.153
Converter na estimativa do preço médio relativo: 𝑒 −1.153 = 2.718−1.153 = 0.316.
Estimamos que o preço média relativo dos vinhos de Bordéus da colheita de 2022
vai ser de 31.6% do preço médio relativo da colheita de 1961.

c)
∑𝑛𝑖=1 𝑒𝑖2
𝐼. 𝐶.𝛽1 = 𝛽̂1 ± 𝑡𝛼 (𝑛 − 2) × √ 𝑛 𝑛 − 2 2
2 ∑𝑖=1(𝑥𝑖 − 𝑥̅ )

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
𝑠𝑥 = √
𝑛−1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
0.6593 = √
27 − 1

∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2
0.65932 =
26
𝑛

11.3 = 26 × 0.65932 = ∑(𝑥𝑖 − 𝑥̅ )2

𝑖=1

Quantil 𝑡𝛼 (𝑛 − 2):
2

𝛼
95% de confiança. 𝛼 = 0.05, = 0.025
2

Gaus de liberdade = n – 2 =27 – 2 = 25

𝑡0.025(25) = 2.06 (consulta a tabela t-Student)

∑ i= 1 e 2i = 5.819
n

5.819
𝐼. 𝐶.𝛽1 = 0.641 ± 2.06 × √ 25
=[0.345; 0.937]
11.3

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 2
Temos 95% de confiança que o valor esperado do log do preço médio relativo
varia entre 0.345 e 0.937, quando a temperatura média no verão varia 1 grau.

d) 𝐻0 : 𝛽1 = 0
𝐻1 : 𝛽1 ≠ 0
Uma vez que o enunciado não pede um nível de significância, vamos escolher o
nível de significância de 1% (Vamos escolher a probabilidade de cometer um
ERRO tipo I igual a 0.01). Erro tipo I = Rejeitar H0 quando H0 é verdadeira.
Valor observado da estatística de teste:

𝛽̂1 0.641
𝑡= = = 4.47
∑𝑛𝑖=1 𝑒𝑖2 5.819
√ 25
√ 𝑛−2
∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 11.3

𝑅. 𝐶. =] − ∞; − 𝑡𝛼 (𝑛 − 2)] ∪ [𝑡𝛼 (𝑛 − 2); +∞[

2 2
𝛼
𝛼 = 0.01, = 0.005
2
𝑡0.005(25) = 2.787 (consultar a tabela t-Student)
𝑅. 𝐶. =] − ∞; − 2.787] ∪ [2.787; +∞[
O valor observado de 4.47 pertence à RC logo existe evidência estatística que a
temperatura média no verão tem efeito no valor esperado do log do preço médio
relativo.

e) Coeficiente de determinação.
∑𝑛𝑖=1 𝑒𝑖2 5.819
𝑅2 = 1 − 𝑛 = 1 − = 0.444
∑𝑖=1(𝑦𝑖 − 𝑦̅)2 10.47
44.4% da variação dos dados observados da variável dependente é explicada
pelo modelo, isto é, é explicada pela relação linear com a variável temperatura
média no verão.

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 3
 ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
𝑠𝑦 = √
𝑛−1

∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
0.6346 = √
27 − 1

∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2
0.63462 =
26
10.47 = 26 × 0.63462 = ∑𝑛𝑖=1(𝑦𝑖 − 𝑦̅)2 (variação total dos dados 𝑦𝑖 )

Regressão linear múltipa

𝑌𝑖 = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑘 𝑥𝑘𝑖 + 𝜀𝑖
𝜀𝑖 ~𝑁𝑜𝑟𝑚𝑎𝑙(𝐸 [𝜀𝑖 ] = 0, 𝑉𝐴𝑅 [𝜀𝑖 ] = 𝜎 2 )
𝐸 [𝑌𝑖 ] = 𝛽0 + 𝛽1 𝑥1𝑖 + 𝛽2 𝑥2𝑖 + ⋯ + 𝛽𝑘 𝑥𝑘𝑖

Equação de regressão:

𝑦̂𝑖 = 𝛽̂0 + 𝛽̂1 𝑥1𝑖 + 𝛽̂2 𝑥2𝑖 + ⋯ + 𝛽̂𝑘 𝑥𝑘𝑖

Exercício 4 da Ficha 3
Considere as seguintes variáveis e outputs do Jamovi para 27 anos de dados.

𝑝 = 𝑝𝑟𝑒 𝑟𝑒𝑙𝑎𝑡 (Preço médio da colheita relativamente a 1961 (média de vários produtores))
𝑦 = log 𝑝𝑟𝑒 𝑟𝑒𝑙𝑎𝑡 ( Logaritmo do preço médio da colheita relativamente a 1961)
𝑥1 = 𝐶ℎ𝑢𝑣𝑎 𝐼𝑛𝑣 (Chuva no inverno (Out. a Março) ml/m^2)
𝑥2 = 𝑇𝑒𝑚𝑝𝑒𝑟𝑎𝑡𝑢𝑟𝑎 (Temperatura média de Abril a Setembro (graus c.))
𝑥3 = 𝐶ℎ𝑢𝑣𝑎 𝑐𝑜𝑙ℎ (Chuva na colheita (Ago. e Setembro) ml/m^2)
𝑥4 = 𝑇𝑒𝑚𝑝𝑜 𝑑 𝑐𝑜𝑙ℎ (Tempo desde a colheita (anos))

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 4
 Teste ao Modelo Global

F gl1 gl2 p

26.3 4 22 < .001

Tabela 2

Coeficientes do Modelo - log_pre_relat

Preditor Estimativas Erro-padrão t p

Intercepto -12.14015 1.68979 -7.18 < .001

Chuva_Inv 0.00117 4.83e-4 2.42 0.024

Temperatura 0.61602 0.09526 6.47 < .001

Chuva_colh -0.00387 8.08e-4 -4.78 < .001

Temp_d_colh 0.02388 0.00717 3.33 0.003

Tabela 3

∑𝒏𝒊=𝟏(𝒚𝒊 − 𝒚
̅)𝟐 = 10.47 ∑𝒏𝒊=𝟏 𝒆𝟐𝒊 = 1.809

b) Interprete o valor p na tabela 2 “Teste ao Modelo Global”.

c) Escreva e interprete a equação de regressão.
d) Interprete o valor p na linha da variável “Tempo_d_colh” na tabela 3.
e) Construa e interprete um intervalo de confiança, com um nível de confiança de 95%, para o
coeficiente da variável “Temperatura”.
f) Calcule e interprete o coeficiente de determinação.

b) Interprete o valor p na tabela 2 “Teste ao Modelo Global”.

𝐻0 : 𝛽1 = 𝛽2 = 𝛽3 = 𝛽4 = 0
𝐻0 significa que nenhuma variável explicativa (𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 ) tem efeito no valor
esperado da variável dependente.
O valor p é inferior a 0.001 e por isso rejeitamos 𝐻0 para qualquer nível de
significância usual. Existe evidência estatística muito forte que pelo menos uma
variável explicativa tem efeito no valor esperado de Y.

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 5
c) Escreva e interprete a equação de regressão.

Coeficientes do Modelo - log_pre_relat

Preditor Estimativas Erro-padrão t p

Intercepto -12.14015 1.68979 -7.18 < .001

Chuva_Inv 0.00117 4.83e-4 2.42 0.024

Temperatura 0.61602 0.09526 6.47 < .001

Chuva_colh -0.00387 8.08e-4 -4.78 < .001

Temp_d_colh 0.02388 0.00717 3.33 0.003

Tabela 3

𝑦̂𝑖 = −12.14 + 0.00117𝑥1𝑖 + 0.616𝑥2𝑖 − 0.00387𝑥3𝑖 + 0.02388𝑥4𝑖

𝛽̂3 = −0.00387. Estimamos que o valor esperado de Y varia -0.00387 quando a
chuva na colheita varia 1 ml/m^2.

𝛽̂4 = 0.02388. Estimamos que o valor esperado de Y aumenta 0.02388 quando

o tempo desde a colheita aumenta 1 ano.

d) Interprete o valor p na linha da variável “Tempo_d_colh” na tabela 3.

𝐻0 : 𝛽4 = 0
𝐻1 : 𝛽4 ≠ 0
Valor p = 0.003, inferior aos níveis de significância usuais e por isso temos forte
evidência estatística que permite rejeitar 𝐻0 . Existe forte evidência estatística
que o tempo desde a colheita tem efeito no valor esperado de Y.

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 6
e) Construa e interprete um intervalo de confiança, com um nível de confiança
de 95%, para o coeficiente da variável “Temperatura”.

𝐼. 𝐶.𝛽2 = 𝛽̂2 ± 𝑡𝛼 (𝑛 − 𝑘 − 1) × 𝐸𝑟𝑟𝑜 𝑝𝑎𝑑𝑟ã𝑜𝛽̂2 = 0.616 ± 2.074 × 0.09526

2
[0.418; 0.813]
𝑡0.025 (27 − 4 − 1) = 2.074

Temos 95% de confiança que o valor esperado do logaritmo do preço médio

relativo varia entre 0.418 e 0.813, quando a temperatura média no verão varia 1
grau.

∑𝒏𝒊=𝟏(𝒚𝒊 − 𝒚
̅)𝟐 = 𝟏𝟎. 𝟒𝟕 ∑𝒏𝒊=𝟏 𝒆𝟐𝒊 = 𝟏. 𝟖𝟎𝟗

f) Calcule e interprete o coeficiente de determinação.

1.809
𝑅2 = 1 − = 0.827
10.47
82.7% da variação dos dados observados da variável dependente é explicada pelo
modelo, isto é, é explicada pelas relações lineares com as variáveis chuva no
inverno, temperatura no verão, chuva durante a colheita e tempo desde a
colheita.

Escola Superior de Gestão e Tecnologia de Santarém – Resumo da aula de 11 de Abril de 2023

Paulo José Araújo dos Santos, PhD, MBA. pág. 7