Escolar Documentos
Profissional Documentos
Cultura Documentos
Sancho Alfredo
3º Grupo
Universidade Rovuma
Lichinga
2024
2
Sancho Alfredo
3º Grupo
Orientador
Universidade Rovuma
Lichinga
2024
3
Índice
1. Introdução................................................................................................................................. 4
3. Conclusão ............................................................................................................................... 18
1. Introdução
1.1.Objectivos
1.1.1. Objectivo geral
Compreender os sistemas de equações de regressão linear.
1.1.2. Objectivos específicos
Apresentar o modelo de regressão linear e as hipóteses do modelo;
Explicar o modelo generalizado dos momentos; estimação conjunta versus estimação
separada; implicações da homocedasticidade condicionada; e Coeficientes Comuns;
Interpretar os resultados obtidos.
1.2.Metodologia
Este trabalho realizou-se através das referências bibliográficas e de algumas investigações mais
amplas pela internet.
5
Segundo HOFFMANN, R. (2016) “Um sistema de equações de regressão linear envolve várias
equações de regressão que estão interligadas de alguma forma. Por exemplo, podemos ter um
sistema de equações onde várias variáveis dependentes estão sendo agredidas em várias variáveis
independentes comuns.”
2.1.Apresentação do modelo
O modelo de regressão linear é usado para descrever a relação entre uma variável dependente e
uma ou mais variáveis independentes. A equação do modelo de regressão linear é expressa como:
Onde:
– é a intercessão ou o intercepto;
Este modelo permite analisar a influência de diversas variáveis independentes sobre uma variável
dependente. A interceptação representa o valor de Y quando todas as variáveis independentes são
iguais a zero. Os coeficientes de regressão indicam a mudança em Y para uma mudança de uma
unidade em X específica, mantendo as outras variáveis independentes constantes. O termo de erro
representa a diferença entre o valor observado de Y e o valor previsto pelo modelo.
2.2.Hipóteses do modelo
As hipóteses do modelo de regressão linear são importantes para garantir a validade das
inferências que podem ser feitas a partir dos resultados. As hipóteses têm o prefixo SER (sistema
de equações de regressão linear). As hipóteses do modelo são:
Esta hipótese refere-se à suposição de que a relação entre as variáveis Y e X é linear, ou seja, de
acordo com CHEIN, F. (2019, p.20) “os betas do modelo populacional entram de forma linear na
equação.”
Esta hipótese sugere que as propriedades estatísticas do processo gerador dos dados permanecem
inalteradas ao longo do tempo. Em outras palavras, não há mudanças sistemáticas na média ou na
variabilidade das variáveis ao longo do tempo.
. Onde .
A hipótese SER.3 é a hipótese mais fraca de não correlação entre variáveis instrumentais e
variáveis residuais; nem sequer exige ortogonalidades “cruzadas” (não estabelece, por exemplo,
que é ortogonal a ). Podem estabelecer-se hipóteses mais fortes do que SER.3:
É imediato concluir que estas condições são sucessivamente mais fortes. No entanto, a hipótese
SER.3 é suficiente para estabelecer as propriedades assintóticas desejáveis dos estimadores
MGM dos parâmetros do modelo: consistência e normalidade assintótica.
As matrizes do tipo ,
8
existem e verificam, ( ) .
[ ]
O modelo econométrico que verifica as hipóteses SER.1 a SER.5 designa-se por sistema de
equações de regressão linear (SER), admitindo-se a possibilidade de existirem regressores
endógenos.Estas hipóteses são importantes para garantir a validade dos resultados da análise. A
violação de qualquer uma dessas hipóteses pode levar a resultados incorrectos ou enganosos.
Para Matemática:
Para Português:
Onde:
Para Matemática:
10
iv. Calcular a soma dos quadrados dos desvios de tempo de estudo e quantidade de
sono:
vi. Estimar , ,e
̂ ̂
̂
11
Para Português:
Os passos para calcular os coeficientes para Português são os mesmos que os anteriores, e,
portanto, para Português, os coeficientes estimados são e
̂ ̂ ̂ ̂
Para Matemática:
Intercessão : 15
Coeficiente de tempo de estudo ( ): 0
Coeficiente de quantidade de sono ( ): 0
Isso significa que o tempo de estudo e a quantidade de sono não afectam o desempenho dos
alunos em Matemática, mantendo todas as outras variáveis constantes.
Para Português:
Intercessão : 12
Coeficiente de tempo de estudo ( ): 0
Coeficiente de quantidade de sono ( ): 0
Isso significa que o tempo de estudo e a quantidade de sono não afectam o desempenho dos
alunos em Português, mantendo todas as outras variáveis constantes.
12
O MGM baseia-se na ideia de que as expectativas de certos momentos da amostra são iguais às
expectativas dos momentos da população.
A fórmula do MGM é:
[ ]
Onde:
[ ] é o operador de expectativa.
O MGM é um método flexível que pode ser utilizado para estimar os parâmetros de uma ampla
gama de modelos de regressão. O método é robusto à violação da homocedasticidade e da
normalidade do termo de erro.
13
Aqui estão os passos básicos para calcular o MGM de um sistema de equações de regressão
linear:
1. Defina o modelo: Comece definindo o modelo de regressão linear que você deseja
estimar. Isso inclui identificar as variáveis dependentes e independentes.
4. Verifique as condições: Para que o MGM seja válido e produza estimativas consistentes
dos parâmetros, é necessário que seja a solução única para a equação e também pertença a
um espaço compacto.
onde
̂ ∑̂ ̂
No entanto, esta estimação apresenta alguns inconvenientes práticos. Por um lado, a qualidade
dos estimadores dos coeficientes de uma dada equação, no caso de amostras pequenas, pode
melhorar fazendo-se a estimação separada.
Para calcular a estimação (seja ela conjunta ou separada), pode-se usar o método dos mínimos
quadrados. Aqui está um exemplo simplificado de como pode-se calcular a estimação para uma
única equação de regressão linear:
̅ ̅
Onde é a soma dos produtos das diferenças entre cada ̅ e a média de e cada ̅ e a média
de , a soma dos quadrados das diferen as entre cada e a m dia de , a m dia de
e a m dia de .
Exemplo: Consideremos um estudo que investiga a relação entre a quantidade de chuva (em
milímetros) e a produção de trigo (em toneladas) em uma determinada região agrícola ao longo
de vários anos. Se os erros de previsão da produção de trigo (isto é, a diferença entre a produção
observada e a produção prevista pelo modelo de regressão) tiverem a mesma variância para todos
os níveis de chuva, então o modelo exibe homocedasticidade condicionada.
Se o modelo prevê a produção de trigo com base na quantidade de chuva e os erros de previsão
(diferença entre a produção real e a produção prevista pelo modelo) não variarem
significativamente, independentemente de quanto choveu em um determinado ano, então o
modelo atende à condição de homocedasticidade condicionada.
16
2.5.1. Implicações
2.6.Coeficientes comuns
De acordo com RIBEIRO, C.S. (2014, p.415) “ Em muitas aplicações, em particular no contexto
de dados de painel, trabalha-se com um caso especial de modelo de equações múltiplas, onde o
número de regressores é o mesmo para todas as equações, e os coeficientes de regressão são os
mesmos. Diz-se, então, que o modelo tem coeficientes comuns.”
Por exemplo, suponhamos que estamos estudando o desempenho acadêmico dos alunos em
diferentes escolas e queremos entender como a quantidade de horas de estudo influencia o
desempenho nos exames. Podemos usar um modelo de regressão para isso, incluindo horas de
17
estudo como variável independente e o desempenho nos exames como variável dependente. Se os
coeficientes para "horas de estudo" forem os mesmos em todas as escolas, então temos
coeficientes comuns.
3. Conclusão
4. Referências bibliográficas
CHEIN, F. (2019). Introdução aos modelos de regressão linear: um passo inicial para
compreensão da econometria como uma ferramenta de avaliação de políticas públicas. Brasília:
Enap.