Análise de Regressão Linear Múltipla. Wooldridge, 2011 Capítulo 3 tradução da 4ª ed.
|
|
- Samuel Leão Vilalobos
- 6 Há anos
- Visualizações:
Transcrição
1 Análise de Regressão Linear Múltipla Wooldridge, 2011 Capítulo 3 tradução da 4ª ed.
2 Introdução Como pode ser visto anteriormente, o modelo de regressão linear simples, com uma variável explicativa (regressor), aplica-se a várias situações. Entretanto, diversos problemas envolvem dois ou mais regressores influenciando o comportamento da variável resposta (dependente), y. Chamamos Modelo de Regressão Linear Múltipla a qualquer modelo de regressão linear com duas ou mais variáveis explicativas. 2
3 Introdução x 1 x 2 y variável resposta x 3 x k x 1, x 1,..., x k : variáveis explicativas (regressores)
4 Modelo de regressão linear múltipla Vamos admitir que X 1, X 2,..., X k sejam as variáveis independentes e Y a variável dependente. Dada uma amostra de n observações, (x 1i, x 2i,..., x ki, y i ), i = 1, 2,..., n, o modelo de regressão linear múltipla será dado por: 4
5 Modelo de regressão linear múltipla E[y i x 1i, x 2i,..., x ki ] = x 1i + 2 x 2i k x ki, i = 1, 2,..., n ou y i = x 1i + 2 x 2i k x ki + i, i = 1, 2,..., n. em que n > (k+1). 5
6 7 n i ki k i i n i i x β x β β y Para determinarmos os estimadores de mínimos quadrados de 0, 1,..., k, devemos minimizar o erro quadrático total ( i2 ): Método dos Mínimos Quadrados
7 Método dos Mínimos Quadrados O mínimo da função S(β n n 0, β1,, βk ) x i1 i1 2 i yi β0 β1x1 i βk ki é obtido derivando-a em relação a 0, 1,..., k, e igualando o resultado a zero. Ou seja, 2 β 0 S(β 0, β β ) 0 βk 1,, k S(β, β ) 0 0 1,,βk
8 9 Equações Normais 0 ˆ ˆ ˆ n i ki k i i k,, x β x β β y ) β, β S(β β 0 ˆ ˆ ˆ n i i ki k i i k,, x x β x β β y ) β, β S(β β 0 ˆ ˆ ˆ n i ki ki k i i k,, k x x β x β β y ) β, β S(β β
9 E Regressão Múltipla Y X x X k x k x 1 1,, k xk y abuso de notação Modelo Estimado ˆ ˆ x ˆ ˆ x Interpretação do Intercepto Valor médio estimado para a variável resposta, condicionado a x 1 = x 2 =... = x k = 0. Muitas vezes pode não ter significado!!! k k
10 Interpretação dos demais parâmetros Considerando y ˆ x ˆ x ˆ ˆ 2 k x k se x 2 =... = x k = 0 (ou seja, as outras variáveis são mantidas constantes), então o efeito parcial de x 1 no valor médio estimado para a variável resposta é dado por yˆ x 1 ˆ 1 29
11 Aplicação O departamento de RH da empresa TEMCO objetiva estudar o comportamento dos salários dos funcionários dos mais diversos setores da empresa. Para tanto, o gerente de RH, baseando-se numa amostra aleatória de 46 empregados, coletou informações sobre as seguintes variáveis: 30
12 Aplicação id número cadastral do funcionário; salario anual, em dólares; anosemp tempo (em anos) na empresa; expprev experiência anterior (em anos); educ anos de estudo após o segundo grau; sexo (feminino = 0, masculino = 1); dept departamento no qual atua (Compras = 1, Engenharia = 2, Propaganda = 3, Vendas = 4); super número de empregados sob responsabilidade do empregado. 31
13 Aplicação Quadro 1 - Parte de uma planilha que contem informações sobre os 32 empregados da empresa TEMCO.
14 Aplicação Como parte do estudo, a gerente de RH propôs a estimação dos parâmetros do seguinte modelo de regressão múltipla: salario = educ + 2 anosemp + a) Em termos do problema, 0 apresenta algum significado prático? b) Qual o sinal esperado para 1? E para 2? c) Encontre as estimativas dos parâmetros, via mínimos quadrados ordinários, escreva a equação estimada e interprete os resultados obtidos, em termos do problema de interesse. 33
15 Aplicação Interpretação dos parâmetros do modelo proposto, em termos do problema: 0 salário médio dos funcionários da empresa TEMCO, que acabaram de entrar na empresa (ou que ainda não completaram um ano) e que não apresentam nenhum ano de escolaridade após o segundo grau; 1 2 efeito no salário médio dos funcionários da empresa TEMCO, dada a variação de um ano no tempo de escolaridade após o segundo grau, mantendo constante a variável anosemp; e efeito no salário médio dos funcionários da empresa TEMCO, dada a variação de um ano no tempo de empresa, mantendo constante a variável educ.
16 Aplicação 35
17 Aplicação Modelo estimado sa lário ˆ 23177,471916,49educ 672,32anosemp Pergunta: qual o salário médio estimado para pessoas com 3 anos de escolaridade após o 2º grau e com 5 anos na empresa? salario ˆ salario ˆ , , ,54 * , * 5 36
18 Exemplo A senhorita Jolie, gerente do departamento de RH da empresa TEMCO, objetiva estudar o comportamento médio dos salários dos funcionários dos mais diversos setores da empresa. Para tanto, baseando-se numa amostra aleatória de 46 funcionários da empresa, ela propôs os seguintes modelos de regressão: salario = educ + (1) salario = anosemp + n (2) salario = educ + 2 anosemp + (3) Como a gerente pode avaliar a qualidade de ajuste dos modelos?
19 COEFICIENTE DE EXPLICAÇÃO ou COEFICIENTE DE DETERMINAÇÃO 3
20 Coeficiente de Explicação Resultado: SST = SSE + SSR Parcela da variabilidade de y que é explicada pelas variáveis do modelo Parcela da variabilidade de y que não é explicada pelas variáveis do modelo 2 R SSE SST Proporção da variabilidade de y que é explicada pelo conjunto de variáveis explicativas. 4
21 salario = educ + Voltando ao Exemplo salario = anosemp + n salario = educ + 2 anosemp +
22 Voltando ao Exemplo Variáveis explicativas no modelo R 2 Educ 60,4% Anosemp 58,6% Educ e Anosemp 74,0% 6
23 Voltando ao Exemplo O departamento de RH desconfia que a variável EXPPREV (experiência anterior, em anos) não é importante para explicar o salário dos funcionários, uma vez que os recémcontratados passam por um treinamento antes de iniciar as atividades na empresa. Pede-se, então: acrescente a variável ao modelo de regressão linear múltipla e verifique o que acontece com o R 2? 7
24 Salário vs EXPPREV Salário Correlação: 0,03 Experiência prévia 8
25 Salário vs EXPPREV
26 Coeficiente de Determinação Fato: Quanto maior o número de variáveis independentes, maior será o valor de R 2. Isso pode vir a ser um problema ao se comparar modelos, já que modelos com um número maior de variáveis tenderão a ter um R 2 maior do que um modelo, eventualmente equivalente, em termos de qualidade, com um número menor de variáveis. 10
27 R 2 ajustado Valor ajustado pelo número de variáveis R 2 a 1 1R 2 n n1 k 1 O acréscimo de variáveis não acarreta necessariamente um aumento em R 2 a. 11
28 Voltando ao Exemplo Variáveis explicativas no modelo R 2 R 2 a Educ 60,3% 59,5% Anosemp 58,6% 57,6% Educ e Anosemp 73,9% 72,8% Educ, Anosemp e Expprev 74,1% 72,2% 12
29 Suposições e Propriedades MLR.1 O modelo de regressão é linear nos parâmetros O modelo na população pode ser escrito como y = x x k x k + em que 0, 1,..., k são parâmetros desconhecidos (constantes); termo de erro aleatório não observável.
30 Suposições e Propriedades MLR.2 Amostragem Aleatória Temos uma amostra aleatória de n observações (x 1i, x 2i,..., x ki, y i ), i = 1, 2,..., n, do modelo populacional descrito em MLR.1. MLR.3 Ausência de Colinearidade Perfeita Na amostra (e, portanto, na população) nenhum regressor é constante e não há relação linear PERFEITA entre os regressores (a matriz X apresenta posto completo).
31 Suposições e Propriedades MLR.4 Média Condicional Zero O valor esperado do vetor de erro aleatório,, condicionado na matriz de explicação X, é igual a zero. Ou seja, E( X ) = 0. Teorema 1. Sob as suposições MLR.1 a MLR.4, condicionado nos valores do regressores, os estimadores de MQO para os E( β ˆ ) parâmetros do modelo de regressão múltipla são nãoviesados, ou seja,, j = 0, 1, 2,..., k. j β j
32 Suposições e Propriedades SUPOSIÇÃO FUNDAMENTAL: E( X ) = 0. Ou seja, todos os fatores contidos em devem ser não correlacionados com as variáveis explicativas, e deve ter sido usada a forma funcional correta. 7
33 Suposições e Propriedades SUPOSIÇÃO FUNDAMENTAL: (cont) Como pode falhar? Omissão de variável explicativa importante, correlacionada com x 1, x 2,... ou x k ; Forma funcional especificada incorretamente; Erro de medida em x 1, x 2,... ou x k ; Simultaneidade entre y e x 1, x 2,...ou x k ; 8
34 Inclusão e Exclusão de Regressores ANÁLISE DE DOIS CASOS ESPECIAIS: A) Inclusão de variável irrelevante não prejudica a propriedade de ausência de viés B) Omissão de variável relevante modelo correto tem k = 2, mas usamos k = 1 Resultado: ~ ( 1 x1 ) E( 2 1 ) 1 xi xi ( xi1 x1 ) 9
35 Inclusão e Exclusão de Regressores Direção do Viés Corr(x 1, x 2 ) > 0 Corr(x 1, x 2 ) < 0 2 > 0 Viés Positivo Viés Negativo 2 < 0 Viés Negativo Viés Positivo 10
36 Inclusão e Exclusão de Regressores Observações viés depende tanto dos sinais quanto das magnitudes; em geral, se k > 1, omissão de qualquer variável relevante faz com que todos os estimadores de mínimos quadrados sejam viesados; a menos que a variável omitida seja irrelevante ou nãocorrelacionada com as demais variáveis explicativas presentes no modelo, os estimadores de mínimos quadrados serão viesados. 11
37 Suposições e Propriedades MLR.5 Homocedasticidade A variância do vetor de erro aleatório, condicional na matriz de explicação, é diagonal (com todos os elementos da diagonal iguais a 2 ). 12
38 Observação 1 As suposições MLR.1 a MLR.5 conjuntamente são conhecidas como suposições de Gauss-Markov.
39 Variância dos Estimadores de MQO Teorema 2. Sob as suposições MLR.1 a MLR.5, condicionadas aos valores amostrais das variáveis explicativas Var 2 ˆ ), j 0,,..., k j SQT (1 R ) 1 ( 2 x j x j em que 2 = variância do erro; SQT x = SQT do j-ésimo regressor na amostra; j R x = R j2 2 da regressão de x j contra todas as outras variáveis explicativas (incluindo um intercepto). 16
40 Componentes da Variância dos Estimadores de Mínimos Quadrados Var( ˆ j ) 2 SQT ( R 2 1 j x j x ) Variância da v.a. u: 2 mínimos quadrados com alta variância; alto implica num estimador de SQT xj : se a j-ésima variável explicativa apresentar uma variação total alta, então, a variância do i-ésimo estimador, associado à esta variável explicativa, será pequena; 17
41 Componentes da Variância dos Estimadores de Mínimos Quadrados Var( ˆ j ) 2 SQT ( R Relações lineares entre as variáveis explicativas: altos 2 1 j x j x ) valores de R xj2 estimadores. implicam numa alta variância para os 1/(1R xj2 ) conhecido como fator de inflação de variância ou, VIF, em inglês. Inclusão de variável irrelevante geralmente aumenta as variâncias dos demais estimadores de MQO 18
42 Estimação de 2 Como 2 estimador: em geral é desconhecida, utilizaremos o ˆ 2 MSR SSR n-(k 1) MSR (Quadrado Médio devido aos Resíduos) SSR perde k+1 graus de liberdade, devido às k+1 restrições impostas pelas condições de primeira ordem de MQO. 19
43 Estimação de 2 Teorema 3. Sob as suposições de Gauss-Markov (MLR.1 a MLR.5), E(σˆ 2 ) E(MSR) σ 2. Observação ˆ MSR : erro padrão da regressão. 20
44 Erro Padrão dos Estimadores de MQO Dessa forma, o erro-padrão dos estimadores de mínimos quadrados podem ser obtidos através da expressão ˆ 2 ˆ ˆ j SQT (1 R 2 x x j j ) 21
45 Eficiência dos Estimadores de MQO Teorema 4. (TEOREMA DE GAUSS-MARKOV) Sob as suposições MLR.1 a MLR.5, ˆ 0, ˆ 1,..., ˆ k são os melhores estimadores, na classe dos lineares nãoviesados (BLUE) para 0, 1,..., k, respectivamente. 22
46 Eficiência dos Estimadores de MQO Restringindo a classe de estimadores não viesados a todos os estimadores lineares em y, o teorema de Gauss-Markov prova que o estimador de mínimos quadrados é o melhor (no sentido em que apresenta variância mínima) Diz-se que, sob as suposições MLR.1 a MLR.5, os estimadores de mínimos quadrados são BLUEs (best linear unbiased estimators) 23
47 Suposições e Propriedades MLR.6 O vetor de erro estocástico é independente dos regressores e segue uma distribuição normal multivariada, com vetor de médias igual a zero e matriz de variâncias e 2 I n ~ covariâncias igual a. 24
48 Suposições e Propriedades Observações 1) Para aplicações de regressão com dados do tipo crosssectional, as suposições MLR.1 a MLR.6 são conhecidas como suposições do modelo linear clássico (suposições CLM). 2) Uma maneira sucinta de resumir as suposições CLM na população é y (x 1, x 2,..., x k ) ~ N( x x k x k ; 2 ). 3) Sob as suposições CLM os estimadores de mínimos quadrados são estimadores não-viesados de variância mínima.
49 Distribuição amostral de βˆ j Teorema 4.1 Sob as suposições CLM (MLR.1 a MLR.6), condicionado nos valores amostrais das variáveis explicativas, βˆ j ~ N β j ; SQT 2 2 (1 R ) x j x j 28
50 Distribuição amostral de βˆ j Do teorema anterior segue que, βˆ SQT j β 2 (1 R 2 x j x j j ) ~ N 0; 1 Como 2 é um parâmetro desconhecido, então será proposto um estimador para tal parâmetro. Dessa maneira, será necessário estudar a distribuição de probabilidades da nova v.a. que será gerada.
51 Exemplo Tomando por base o modelo salario i 0 1educi 2anosempi exp previ i log 3 a senhorita Jolie, gerente do departamento de RH da empresa TEMCO, desconfia que ao menos um dos regressores é relevante para explicar a variável resposta. Utilizando um nível de significância de 1%, conduza um teste de hipóteses adequado. 2
52 Exemplo Modelo salarioi 0 1educi 2anosempi exp previ i log 3 Hipóteses de Interesse H 0: β1 β2 β3 0 H : pelo menos um parâmetro difere de zero A SST = SSR + SSE Se H 0 for verdadeira, espera-se que SSE seja pequena e SSR grande.
53 TESTE F (Análise de Variâncias ANOVA) 4
54 Teste F É possível demonstrar que, sob certas condições, as v.a. SSR, SSE e SST apresentam as seguintes características: 1. SSR σ ~ χ 2 n k 1 2 ; SSE 2 2. ~ χ(k), se β1 σ β 2 k 0; 3. SSRe SSEsãoindependentes. 5
55 Consequências: Teste F (a) E SSR 2 σ n k 1 E SSR n k 1 E 2 MSR σ Logo, MSR é um estimador não-viesado de s 2 (b) SSE E s SSE k 2 2 k, se β1 β k 0 E E MSE σ Se 1 = 2 =... = k = 0, então MSE = SSE/k é um estimador não-viesado de s 2.
56 Consequências: (cont.) Teste F (c) Se β 1 β k 0, ESSR ESSE E SST n k 1 σ k σ (n-1 ) σ Logo, SST/(n-1) é estimador não-viesado de s 2 7
57 Consequências: (cont.) Teste F (d) Se β 1 β k 0, F SSE/ σ k SSR/ σ 2 2 SSE k-1 SSR n-k 1 n-k 1 MSE MSR ~ F k,n- k1 8
58 Consequências: (cont.) Teste F Fonte de variação SS gl MS F Regressão SSE k MSE MSE/MSR Erro SSR n-(k+1) MSR Total SST n-1 MSE SSE k MSR SSR n - k 1 9
59 Consequências: (cont.) Teste F F MSE MSR (1- R 2 R ) 2 (k) n -(k 1) sob H ~ 0 F k, n-(k1) Região crítica: F c 10
60 Exemplo Tomando por base o modelo salario i 0 1educi 2anosempi exp previ i log 3 a senhorita Jolie, gerente do departamento de RH da empresa TEMCO, desconfia que ao menos um dos regressores é relevante para explicar a variável resposta. Utilizando um nível de significância de 1%, conduza um teste de hipóteses adequado. 11
61 Resolução do Exemplo Modelo salarioi 0 1educi 2anosempi exp previ i log 3 Hipóteses de Interesse H 0: β1 β2 β3 0 H : pelo menos um parâmetro difere de zero A 12
62 Resolução do Exemplo 13
63 H 0: β2 β3 β4 0 H : pelo menos um parâmetro difere de zero A Resolução do Exemplo p-valor F obs Rejeito H 0 se p - valor 15
64 Voltando ao Exemplo A senhorita Jolie sabe que, a 1% de significância, ao menos um dos regressores é relevante para explicar a variável resposta. Todavia, a senhorita Jolie desconfia que expprev seja irrelevante, dado que os funcionários da TEMCO passam por um processo de treinamento assim que são admitidos na empresa. Dessa forma, adotando um nível de significância de 1%, existem evidências favoráveis à desconfiança da gerente de RH? 16
65 Voltando ao Exemplo Modelo salarioi 0 1educi 2anosempi exp previ i log 3 Hipóteses de Interesse H : H 0 A : β β
66 Teste t 18
67 Teste t Já foi visto que βˆ SQT j β 2 s (1 R 2 x j x j j ) ~ N 0; 1 e como s 2 é um parâmetro desconhecido, então deverá ser estimado. Dessa maneira, será necessário estudar a distribuição de probabilidades da nova v.a. resultante.
68 Teste t Nos slides anteriores foi dito que SSR, SSE e SST são v.a. e, ainda, não é difícil provar que, sob certas condições: Assim, SSR ~ 2 σ 2 n k 1 ; SSR E 2 σ n k SSR 1 E E σ n k 1 2 MSR MSR é um estimador não-viesado de s 2
69 Teste t Assim, substituindo s 2, pelo seu estimador, MSR, na expressão do slide 19, temos que em que βˆ j β MSR SQT (1 R j 2 x j x j ) ˆ s 2 ˆ s ˆ j 2 X j : erro padrão de 2 j n 1 s (1 R ) j ˆ ˆ s 2 MSR sˆ : erro padrão da regressão 21
70 Teste t Logo, para testarmos as hipóteses H 0 : j = b (em particular b = 0) H A : j b (H A : j < b ou H A : j > b), utilizaremos o fato que, sob H 0, βˆ j ˆ s ˆ b j ~ t n- k1 e construiremos a região crítica de acordo com a hipótese alternativa adotada. 22
71 Voltando ao Exemplo Modelo salarioi 0 1educi 2anosempi exp previ i log 3 Hipóteses de Interesse H : H 0 A : β β
72 Resolução do Exemplo 24
73 Resolução do Exemplo H : H 0 A : β β /2 /2 - t crit t crit t obs 0, , , Rejeito H 0 se t obs t crit 25
74 Resolução do Exemplo H : H 0 A : β β /2 /2 - t crit t crit t obs 0, , , Rejeito H 0 se p - valor 26
75 Voltando ao Exemplo Tomando por base o modelo salario i 0 1educi 2anosempi exp previ i log 3 existem evidências sobre a relevância da variável educ, com 99% de confiança? Toda a sua análise deve ser baseada na construção de um intervalo de confiança. 27
76 Intervalo de Confiança 28
77 Intervalo de Confiança para j Prova-se que j IC( β ; ) βˆ t j / 2 n-k1 ˆ s ˆ j em que ˆ s ˆ j erro padrão assoaciado a βˆ j é um intervalo de confiança para o parâmetro j, com coeficiente de confiança de
78 Voltando ao Exemplo Modelo salarioi 0 1educi 2anosempi exp previ i log 3 Hipóteses de Interesse H : H 0 A : β 1 β 1 0 0
79 Resolução do Exemplo 31
80 Resolução do Exemplo H : H 0 A : β 1 β /2 /2 - t crit t crit IC( β j 0, ; ) 0, ,6980, ,021126; 0, Como o IC não engloba o zero, então, com 99% de confiança, existem evidências contrárias à hipótese nula.
81 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA COM INFORMAÇÃO QUALITATIVA: O USO DA VARIÁVEL DUMMY
82 Variável Dummy Uma forma de introduzir características qualitativas em modelos econométricos consiste na utilização de variáveis dummy (fictícia, postiça), frequentemente chamadas de variáveis binárias ou dicotômicas, uma vez que assumem apenas um de dois valores em geral 0 ou 1 para indicar a presença ou ausência de determinada característica. 3
83 Variável Dummy Vale lembrar que a variável dummy representa estados ou níveis de fatores, ou seja representa algo que não possui valores numéricos ou, caso possua, estes valores não têm realmente um significado numérico. Assim, uma variável dummy, D, pode ser descrita da seguinte maneira: D 0, 1, se se a a característica característica não estiver presente estiver presente 4
84 Voltando à Empresa TEMCO A senhorita Rose Jolie, gerente do departamento de RH da empresa TEMCO, gostaria de estimar os parâmetros de um modelo de regressão linear que levasse em consideração as variáveis explicativas educ e dept na explicação da variável resposta salário. Auxilie a senhorita Jolie nesta proposição.
85 Voltando à Empresa TEMCO Apenas para lembrar, a senhorita Jolie, coletou informações de uma amostra aleatória de 46 funcionários da empresa, sobre as seguintes variáveis: id número cadastral do funcionário; salario anual, em dólares; anosemp tempo (em anos) na empresa; expprev experiência anterior (em anos); educ anos de estudo após o segundo grau; sexo (feminino = 0, masculino = 1); dept departamento no qual o funcionário atua (Compras = 1, Engenharia = 2, Propaganda = 3, Vendas = 4); super número de empregados sob responsabilidade do empregado.
86 Voltando à Empresa TEMCO À primeira vista, como existem quatro departamentos na empresa TEMCO, Rose Jolie poderia optar por usar a variável dept, com os valores 1, 2, 3 e 4. Dessa maneira, salário 1 2educ 3dept No entanto, ao fazer isto, Rose Jolie estaria introduzindo uma ideia de espaçamento, que ficará mais clara nos resultados descritos nos slides a seguir. 7
87 Voltando à Empresa TEMCO Escrevendo a equação de regressão de interesse, para cada um dos departamentos, temos que: E(salário educ, dept 1) ( ) 1 3 β 2 educ E( salário educ, dept 2) ( 1 2 ) 3 educ 2 E( salário educ, dept 3) ( 1 3 ) 3 educ 2 E( salário educ, dept 4) ( 1 4 ) 3 educ 2 8
88 Voltando à Empresa TEMCO Dessa forma, admitiríamos, por exemplo, que E( salário educ, dept 2) E(salário educ,dept 1) E( salário educ, dept 4) E( salário educ, dept 3) 3 ou seja, que a diferença entre os salários esperados dos funcionários dos departamentos de Engenharia e Compras é a mesma que a dos funcionários dos departamentos de Propaganda e Engenharia, mantendo constante o tempo de escolaridade.
89 Voltando à Empresa TEMCO Assim, se Rose Jolie utilizasse dept da forma como foi construída, então ela estaria impondo uma restrição ao modelo, que não sabemos se é real. Ainda, se a ordem das categorias da variável departamento fosse alterada, estaríamos propondo um novo conjunto de restrições ao modelo, o que muito provavelmente nos levaria a resultados completamente diferentes do caso anterior. 10
90 Voltando à Empresa TEMCO Portanto, o ideal seria utilizar um grupo de variáveis que representasse os estados de interesse, que no nosso caso não apresentam nenhuma ordenação natural, de tal sorte a nunca alterar o resultado final, qualquer que seja o critério de criação adotado para a construção destas variáveis. 11
91 Variável Dummy A solução é, portanto, trabalharmos com algumas variáveis dummy. No geral, se temos p estados, devemos trabalhar com p 1 variáveis dummy.
92 Variável Dummy Para o nosso exemplo, poderíamos definir as variáveis dummy D C, D E e D P da seguinte maneira, para representar os estados da variável departamento: dept D C D E D P Compras Engenharia Propaganda Vendas
93 Variável Dummy Assim, partindo do modelo de regressão linear temos que: y i = educ i + 1 D Ci + 2 D Ei + 3 D Pi + I Compras: y i = ( ) + 2 educ i + i Engenharia: y i = ( ) + 2 educ i + i Propaganda: y i = ( ) + 2 educ i + i Vendas: y i = educ i + i 14
94 Variável Dummy Do slide 14, o parâmetro 1, por exemplo, pode ser interpretado como a diferença esperada entre os salários dos profissionais das áreas de Compras e Vendas, que apresentam o mesmo tempo de escolaridade. Ainda, vale lembrar que, estamos admitindo que o acréscimo médio no salário correspondente ao acréscimo em um ano de escolaridade é o mesmo para os quatro departamentos. 15
95 Variável Dummy Variáveis binárias como D C, D E e D P, que são incorporadas num modelo de regressão para dar conta de um deslocamento do intercepto como resultado de algum fator qualitativo, são chamadas de variáveis binárias de intercepto ou, simplesmente, variáveis dummy de intercepto. 16
96 Voltando à Empresa TEMCO Estimação dos Parâmetros do Modelo de Interesse salario ˆ 19235, ,96educ 5393,97 D 8065,52 D 6664, 36 D C E P 18
97 Voltando à Empresa TEMCO yvendas ˆ 19235, , 96educ ycompras ˆ 24629, , 96educ yengenharia ˆ 27301, , 96educ yˆ propaganda 25900, , 96educ Interprete as estimativas dos parâmetros 19
98 Observação 1 Vale recordar que a escolha dos valores de D C, D E e D V não é única. Entretanto, qualquer que seja a escolha, os resultados finais da estimação deverão ser sempre os mesmos. Observação 2 INTERPRETAÇÃO DOS COEFICIENTES LIGADOS ÀS VARIÁVEIS DUMMY Correspondem à diferença em relação ao valor do intercepto e, portanto, à categoria que ele representa ( benchmark, ou categoria de referência) 20
99 Exercício Num modelo de regressão linear que já que acomodou educ como variável explicativa para salário, seria interessante inserir a variável sexo em tal modelo? Salário (US$) SEXO masculino Anos de estudos após o segundo grau 14 feminino 21
100 Sexo Exercício (cont.) Masculino 1 Feminino 0 D S Modelo: y i = educ i + 3 D Si + i Feminino: y i = educ i + i Masculino: y i = ( ) + 2 educ i + i 22
101 Exercício (cont.) Estimação dos Parâmetros do Modelo de Interesse 23
102 Exercício (cont.) Forma usual salário ˆ 26040, , educ 2238, 26 D S yˆ fem 26040, , 16educ ymasc ˆ 23802, , 16educ Interprete as estimativas dos parâmetros 24
103 Modelo estimado com EDUC e SEXO Fem M asc Deste modo, estamos admitindo que a reta de regressão do salário em função da educação para homens é paralela à reta de regressão para as mulheres. 25
104 Variável Dummy de Inclinação 26
105 Variável Dummy de Inclinação No exemplo anterior, utilizando variáveis dummy de intercepto, ajustamos quatro retas com a mesma inclinação e diferentes interceptos. Veremos agora como podemos ajustar um modelo mais geral, no qual, por exemplo, também as inclinações podem ser distintas. 27
106 Variável Dummy de Inclinação Sejam D C, D E e D P as variáveis dummy do exemplo anteriormente citado. Considere, ainda, o seguinte modelo y = educ + + D C ( educ) + D E ( educ) + D P ( educ) + 28
107 Variável Dummy de Inclinação Assim, para cada um dos departamentos, teríamos os seguintes modelos de regressão: y vendas = educ + y compras = ( ) + ( )educ + y engenharia = ( ) + ( )educ + y propaganda = ( ) + ( )educ + 29
108 Variável Dummy de Inclinação Ou seja, o modelo de regressão linear y = educ + D C ( educ) + + D E ( educ) + D P ( educ) + faz com que sejam ajustadas quatro retas com interceptos e inclinações diferentes. 30
109 Variável Dummy de Inclinação Observe que o modelo anterior pode ser reescrito como y = educ + 0 D C + 2 D E + 4 D P educd C + 3 educd E + 5 educd P + Donde, não é difícil observar que os parâmetros associados às variáveis dummy D C, D E e D P, isoladamente, serão responsáveis pela alteração dos interceptos. Ainda, os parâmetros associados aos produtos de D C, D E e D P por educ serão responsáveis pela alteração dos coeficientes angulares.
110 Variável Dummy de Inclinação Finalmente, as variáveis educd C, educd E e educd P são chamadas de variáveis de interação, pois são responsáveis por capturar o efeito de interação entre a escolaridade e departamento sobre o salário. Traduzindo, o impacto na variação do salário esperado de indivíduos de setores diferentes, dada a variação de um ano na escolaridade desses indivíduos, podem ser diferentes. 32
111 Variável Dummy de Inclinação Modelo Estimado 33
112 Variável Dummy de Inclinação Resultado da estimação com EDUC, DEPT e interações yvendas ˆ 28013, , 49educ ycompras ˆ 19121, , 91educ yengenharia ˆ 24114, , 25educ yˆ propaganda 26274, , 03educ Interprete as estimativas dos parâmetros 34
113 Observação As quatro retas ajustadas simultaneamente, neste exemplo, são equivalentes às retas que obteríamos se ajustássemos separadamente um modelo para cada departamento. No entanto, este procedimento tem a vantagem de facilitar a construção dos testes de hipóteses envolvendo simultaneamente parâmetros das quatro retas. 35
Análise de Regressão Linear Múltipla III
Análise de Regressão Linear Múltipla III Aula 6 Hei et al., 4 Capítulo 3 Suposições e Propriedades Suposições e Propriedades MLR. O modelo de regressão é linear nos parâmetros O modelo na população pode
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisModelo Linear Geral V
Modelo Linear Geral V Aula 10 Heij et al., 2004 Capítulo 5 Wooldridge, 2011 (4. ed) Capítulo 7 ANÁLISE DE REGRESSÃO LINEAR MÚLTIPLA COM INFORMAÇÃO QUALITATIVA: O USO DA VARIÁVEL DUMMY Variável Dummy Uma
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisAnálise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisRESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO
RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO Regressão simples: desvantagem de apenas uma variável independente explicando y mantendo ceteris paribus as demais (ou
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAULAS 17 E 18 Análise de regressão múltipla: estimação
1 AULAS 17 E 18 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisAULA 03 Análise de regressão múltipla: estimação
1 AULA 03 Análise de regressão múltipla: estimação Ernesto F. L. Amaral 17 de julho de 2013 Análise de Regressão Linear (MQ 2013) www.ernestoamaral.com/mq13reg.html Fonte: Cohen, Ernesto, e Rolando Franco.
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisPARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES
PARTE 1 ANÁLISE DE REGRESSÃO COM DADOS DE CORTE TRANSVERSAL CAPÍTULO 2 O MODELO DE REGRESSÃO SIMPLES 2.1 DEFINIÇÃO DO MODELO DE REGRESSÃO SIMPLES Duas variáveis: y e x Análise explicar y em termos de x
Leia maisEconometria Lista 1 Regressão Linear Simples
Econometria Lista 1 Regressão Linear Simples Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 (2.9 do Wooldridge 4ed - Modificado)
Leia maisECONOMETRIA. Prof. Danilo Monte-Mor
ECONOMETRIA Prof. Danilo Monte-Mor Econometria (Levine 2008, Cap. 13) ECONOMETRIA Aplicação da estatística matemática aos dados econômicos para dar suporte empírico aos modelos construídos pela economia
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisEconometria. Regressão Linear Simples Lista de Exercícios
Econometria Regressão Linear Simples Lista de Exercícios 1. Formas funcionais e coeficiente de explicação Um corretor de imóveis quer compreender a relação existente entre o preço de um imóvel e o tamanho,
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisAnálise de Regressão Múltipla: Mínimos Quadrados Ordinários
1 Análise de Regressão Múltipla: Mínimos Quadrados Ordinários Ernesto F. L. Amaral Magna M. Inácio 26 de agosto de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica
Leia maisM l u t l i t c i oli l n i e n arid i a d de
Multicolinearidade 1 Multicolinearidade Quando existem relação linear exata entre as variáveis independentes será impossível calcular os estimadores de MQO. O procedimento MQO utilizado para estimação
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 9 Modelos de Regressão com Variáveis Binárias Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Variáveis
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia maisModelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisREGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisAnálise de Regressão Linear Múltipla IX
Análise de egressão Linear Múltipla I Aula Gujarati e Porter - Capítulo 8 Wooldridge - Capítulo 5 Heij et al., 004 Seção 4..4 Introdução Ao longo dos próximos slides nós discutiremos uma alternativa para
Leia maisAGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA
Sérgio Antão Paiva AGOSTO 2017 INTERPRETAÇÃO DE RESULTADOS ESTATÍSTICOS EM MODELOS DE REGRESSÃO MÚLTIPLA ENFOQUE DA COMPARAÇÃO Princípio da semelhança: numa mesma data, dois bens semelhantes, em mercados
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisObjetivos. Ao final desse grupo de slides os alunos deverão ser capazes de:
Objetivos Ao final desse grupo de slides os alunos deverão ser capazes de: Escolher e utilizar um método de estimação adequado para os parâmetros de um modelo de regressão que apresente regressores endógenos.
Leia maisRegressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Leia maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisQuiz Econometria I versão 1
Obs: muitos itens foram retirados da ANPEC. Quiz Econometria I versão 1 V ou F? QUESTÃO 1 É dada a seguinte função de produção para determinada indústria: ln(y i )=β 0 + β 1 ln( L i )+β 2 ln( K i )+u i,
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisAULA 11 Heteroscedasticidade
1 AULA 11 Heteroscedasticidade Ernesto F. L. Amaral 30 de julho de 2012 Análise de Regressão Linear (MQ 2012) www.ernestoamaral.com/mq12reg.html Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisRegressão Linear Simples
Regressão Linear Simples Capítulo 16, Estatística Básica (Bussab&Morettin, 8a Edição) 10a AULA 18/05/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 10a aula (18/05/2015) MAE229 1 / 38 Introdução
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisTeste de Homocedasticidade.
Teste de Homocedasticidade. Aula 4 Gujarati, 000, Capítulo Heij et al., Seção 5.4 Wooldridge, 0 Capítulo 8 (seções 8. a 8.4) HETEROCEDASTICIDADE Essa aula objetiva responder às seguintes perguntas: Qual
Leia maisO que acontece com as propriedades dos estimadores de MQO quando incluímos regressores endógenos ao modelo de regressão de interesse?
Qual é a natureza dos regressores endógenos? O que acontece com as propriedades dos estimadores de MQO quando incluímos regressores endógenos ao modelo de regressão de interesse? O que é uma variável instrumental
Leia maisAULAS 25 E 26 Heteroscedasticidade
1 AULAS 25 E 26 Heteroscedasticidade Ernesto F. L. Amaral 10 e 15 de junho de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA
1 UNIVERSIDADE FEDERAL DE MINAS GERAIS FACULDADE DE FILOSOFIA E CIÊNCIAS HUMANAS DEPARTAMENTO DE CIÊNCIA POLÍTICA CURSO DE GESTÃO PÚBLICA Professor: Ernesto Friedrich de Lima Amaral Disciplina: Avaliação
Leia maisAnálise da Regressão múltipla: Inferência. Aula 4 6 de maio de 2013
Análise da Regressão múltipla: Inferência Revisão da graduação Aula 4 6 de maio de 2013 Hipóteses do modelo linear clássico (MLC) Sabemos que, dadas as hipóteses de Gauss- Markov, MQO é BLUE. Para realizarmos
Leia maisRegressão múltipla: Unidades de medida. Unidades de medida. Unidades de medida salário em dólares (*1000) Unidades de medida
Efeitos da dimensão dos dados nas estatísticas MQO Regressão múltipla: y = β 0 + β x + β x +... β k x k + u Alterando a escala de y levará a uma correspondente alteração na escala dos coeficientes e dos
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisINSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Estatística II - Licenciatura em Gestão Época de Recurso - Parte prática (14 valores) 24/01/2011.
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Estatística II - Licenciatura em Gestão Época de Recurso - Parte prática (14 valores) 24/01/2011 Nome: Nº Espaço reservado para a classificação (não escrever aqui)
Leia maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisGabarito - Lista Pré-Prova 1
Gabarito - Lista Pré-Prova 1 Camila Steffens e Matheus Rosso 1 Questões teóricas 1.1 Regressão simples 1. (Wooldridge) Dado o modelo de regressão linear y = β 0 + β 1 x + u, supõe-se que E(u) 0. Definindo
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisAULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas
1 AULAS 28 E 29 Análise de Regressão Múltipla com Informações Qualitativas Ernesto F. L. Amaral 07 e 09 de dezembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisCorrelação Serial e Heterocedasticidade em Regressões de Séries Temporais. Wooldridge, Cap. 12
Correlação Serial e Heterocedasticidade em Regressões de Séries Temporais Wooldridge, Cap. 1 Porto Alegre, 11 de novembro de 010 1 CORRELAÇÃO SERIAL Ocorrência Conseqüência Análise gráfica Autocorrelação
Leia maisRegressão múltipla: problemas adicionais. Unidades de medida. Unidades de medida. Unidades de medida salário em dólares (*1000) Unidades de medida
Regressão múltipla: problemas adicionais y = β 0 + β x + β x +... β k x k + u Capítulo 6: 6., 6. Capítulo 7: 7., 7. Efeitos da dimensão dos dados nas estatísticas MQO Alterando a escala de y levará a uma
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisProva de Estatística
Prova de Estatística 1. Para um número-índice ser considerado um índice ideal, ele precisa atender duas propriedades: reversão no tempo e o critério da decomposição das causas. Desta forma, é correto afirmar
Leia maisHipóteses do modelo linear clássico (CLM) Análise da Regressão múltipla: Inferência. Hipóteses do CLM (cont.) O teste t. Distribuição normal amostral
9/03/0 Hipótes do modelo linear clássico (CLM) Análi da Regressão múltipla: Inferência Sabemos que, dadas as hipótes de Gauss- Markov, MQO é BLUE Para realizarmos os testes de hipótes clássicos, precisamos
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisEPGE / FGV MFEE - ECONOMETRIA. Monitoria 01-18/04/2008 (GABARITO)
EGE / FGV MFEE - ECONOMETRIA Monitoria 01-18/04/008 (GABARITO) Eduardo. Ribeiro eduardopr@fgv.br ofessor Ilton G. Soares iltonsoares@fgvmail.br Monitor Tópicos de Teoria: 1. Hipóteses do Modelo Clássico
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisAULA 09 Análise de regressão múltipla com informações qualitativas
1 AULA 09 Análise de regressão múltipla com informações qualitativas Ernesto F. L. Amaral 25 de julho de 2013 Análise de Regressão Linear (MQ 2013) www.ernestoamaral.com/mq13reg.html Fonte: Wooldridge,
Leia maisAULA 19 E 20 Análise de Regressão Múltipla: Problemas Adicionais
1 AULA 19 E 20 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 19 e 24 de maio de 2011 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisEAE0325 Econometria II. Professora: Fabiana Fontes Rocha. Gabarito Primeira Lista Teórica de Exercícios
EAE0325 Econometria II Professora: Fabiana Fontes Rocha Gabarito Primeira Lista Teórica de Exercícios Bloco 1 Assinalar se as afirmativas a seguir são verdadeiras V) ou falsas F) Exercício 1 Sobre o modelo
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisSeleção de Variáveis e Construindo o Modelo
Seleção de Variáveis e Construindo o Modelo Seleção de modelos candidatos A idéia é selecionar um conjunto menor de variáveis explanatórias de acordo com algum(s) critério(s), e assim selecionar o modelo
Leia maisTeste F-parcial 1 / 16
Teste F-parcial A hipótese nula, H 0, define o modelo restrito. Ingredientes SQR r : soma de quadrado dos resíduos sob H 0. R 2 r: coeficiente de determinação sob H 0. g: número de restrições a serem testadas
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisProva de Estatística
UNIVERSIDADE FEDERAL DO PARÁ CURSO DE MESTRADO EM ECONOMIA PROCESSO SELETIVO 2010 Prova de Estatística INSTRUÇÕES PARA A PROVA Leia atentamente as questões. A interpretação das questões faz parte da prova;
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 8 Análise de Regressão Múltipla: o Problema da Inferência Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus,
Leia maisAnálise de Regressão Linear Múltipla I
Aálise de Regressão Liear Múltipla I Aula 04 Gujarati e Porter, 0 Capítulos 7 e 0 tradução da 5ª ed. Heij et al., 004 Capítulo 3 Wooldridge, 0 Capítulo 3 tradução da 4ª ed. Itrodução Como pode ser visto
Leia maisAULA 26 Análise de Regressão Múltipla: Problemas Adicionais
1 AULA 26 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 10 de novembro de 2011 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma
Leia maisAULAS 20 E 21 Modelo de regressão simples
1 AULAS 20 E 21 Modelo de regressão simples Ernesto F. L. Amaral 22 e 24 de outubro de 2013 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem moderna.
Leia maisTestes de Hipóteses. Curso de Introdução à Econometria usando o R. Vítor Wilher. 1 de Dezembro de analisemacro.com.br
Testes de Hipóteses Curso de Introdução à Econometria usando o R Vítor Wilher analisemacro.com.br 1 de Dezembro de 2016 Vítor Wilher (analisemacro.com.br) Testes de Hipóteses 1 de Dezembro de 2016 1 /
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
Leia maisEconometria I Lista 4: Inferência
Econometria I Lista 4: Inferência Professora: Fabiana Fontes Rocha Monitora: Camila Steffens 07 de maio de 2018 Instruções: Objetivos com a lista: estruturação do conteúdo e compreensão da matemática e
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto Introdução 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2.
Leia maisGabarito - Lista 5 - Questões de Revisão
Gabarito - Lista 5 - Questões de Revisão Monitores: Camila Steffens e Matheus Rosso Parte I - Teoria assintótica 1. Enuncie a lei dos grandes números e o teorema central do limite. A LGN em sua expressão
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisTeste F-parcial 1 / 16
Teste F-parcial Ingredientes A hipótese nula, H 0, define o modelo restrito. A hipótese alternativa, H a : H 0 é falsa, define o modelo irrestrito. SQR r : soma de quadrado dos resíduos associada à estimação
Leia maisUniversidade Nova de Lisboa FACULDADE DE ECONOMIA
Universidade Nova de Lisboa FACULDADE DE ECONOMIA Exame de Econometria I 1998/1999 (150 minutos) 12 de Janeiro de 1999 Nome ou nº por extenso: Na folha existem espaços para apresentar as suas respostas.
Leia maisNoções sobre Regressão
Noções sobre Regressão Nos interessa estudar como uma variável varia em função de outra. Por exemplo, considere a questão de demanda e preço de bens. Quando se estuda a variação de uma variável Y em função
Leia mais