Pressupostos do modelo de regressão linear (1)

• Suponha n pares de valores (X1,Y1), (X2,Y2), …. ,(Xn,Yn).

• Considere que Y é função linear de X, cujo modelo

estatístico é :
Yi = β 0 + β1 X i + ε i , i = 1,2,...n

• Pressupõe-se para este modelo que:

(i) A relação entre Y e X é linear (Linearidade)

(ii) Os valores de X são fixos (ou controlados)

(iii) A média do erro é nula, ou seja, E (ε i ) = 0 .

© Leila Amorim, UFBA Aula 3/Slide 1

Please purchase 'e-PDF Converter and Creator' on http://www.e-pdfconverter.com to remove this message.
 Pressupostos do modelo de regressão linear(2)

(iv) Para um dado valor de X, a variância do erro ε i

2
é sempre σ , isto é,
Var (ε i ) = E (ε i2 ) − [ E (ε i )]2 = E (ε i2 ) = σ 2
2 2 2
Isto implica que Var (Yi ) = E[Yi − E (Yi | X i )] = E (ε i ) = σ
(Homocedasticidade)

(v) O erro de uma observação é independente do erro de

outra observação, isto é,
Cov (ε i , ε i ' ) = E (ε iε i ' ) − E (ε i ) E (ε i ' ) = E (ε iε i ' ) = 0,
para i ≠ i ' .
(vi) Os erros têm distribuição normal.

© Leila Amorim, UFBA Aula 3/Slide 2

Please purchase 'e-PDF Converter and Creator' on http://www.e-pdfconverter.com to remove this message.
Estimação dos parâmetros: Entendendo o método dos mínimos quadrados

Valores preditos (ŷi) são estimados usando a

reta ajustada yˆ i = βˆ 0 + βˆ1 x i

Resíduos (yi - ŷi ) são as distâncias entre

os valores observados e preditos para um
dado valor de X

Valores observados (yi)

são os valores obtidos na amostra

Assim uma “boa” reta passaria pelo “centro”

dos dados e teria resíduos pequenos (yi- ŷi);
…os menores resíduos possíveis???

Método dos mínimos quadrados: Minimizar a soma do quadrado dos resíduos

∑ 2
(
(y i − yi ) = ∑ yi − ( β 0 + β1 xi )
ˆ ˆ ˆ 2
)
Método seleciona as estimativas dos parâmetros que
minimizam a soma do quadrado dos resíduos (para uma
amostra em particular)
© Leila Amorim, UFBA Aula 3/Slide 3

Please purchase 'e-PDF Converter and Creator' on http://www.e-pdfconverter.com to remove this message.
 Resultados do ajuste do modelo de regressão aos dados de Burt
The REG Procedure
Model: MODEL1
Dependent Variable: fostiq

Number of Observations Read 53

Number of Observations Used 53
Tamanho amostral
Verique Analysis of Variance
resposta e Sum of Mean
preditor Source DF Squares Square F Value Pr > F

Model 1 9250.65939 9250.65939 169.42 <.0001

Error 51 2784.66136 54.60120
Corrected Total 52 12035 Inferências
para o
Root MSE 7.38926 R-Square 0.7686 Será discutido
Dependent Mean 98.11321 Adj R-Sq 0.7641 modelo
Coeff Var 7.53136 a seguir
Parameter Estimates

Parameter Standard
Variable DF Estimate Error t Value Pr > |t|

Intercept 1 9.71949 6.86647 1.42 0.1630

owniq 1 0.90792 0.06975 13.02 <.0001

FOSˆTIQ = 9.72 + 0.91(OWNIQ ) Slope: Diferença em Y

por 1 unidade de
Intercepto: Valor de diferença em X.
FOSTIQ em OWNIQ=0

© Leila Amorim, UFBA Aula 3/Slide 4

Please purchase 'e-PDF Converter and Creator' on http://www.e-pdfconverter.com to remove this message.
A reta de regressão ajustada pelo método dos mínimos quadrados

(120, 118.67)

(97.36, 98.11)

Reta regressao estimada

(80, 82.35)
FOSˆTIQ = 9.7195 + 0.9079(OWNIQ )

Predição de valores:
Quando X = 80: Ŷ=9.7195 + 0.9079 (80) = 82.35
Quando X = 120: Ŷ=9.7195 + 0.9079 (120) = 118.67
Quando X = 97.36: Ŷ=9.7195 + 0.9079 (97.36) = 98.11

© Leila Amorim, UFBA Aula 3/Slide 5

Please purchase 'e-PDF Converter and Creator' on http://www.e-pdfconverter.com to remove this message.