Modelos de Regressão Linear Simples - parte III
|
|
- Adriana Joana de Sá
- 5 Há anos
- Visualizações:
Transcrição
1 1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016
2 2
3 3
4 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada pela reta de regressão? A distância de cada indivíduo em relação à média do grupo é dada por
5 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada pela reta de regressão? A distância de cada indivíduo em relação à média do grupo é dada por (Y i Y) 2. A variândia da variável resposta é dada por
6 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada pela reta de regressão? A distância de cada indivíduo em relação à média do grupo é dada por (Y i Y) 2. A variândia da variável resposta é dada por (Y i Y) 2. Se não tivéssemos o modelo de regressão, o melhor preditor para Y i é Y.
7 5 A variação dos dados pode ser decomposta em uma soma de parcelas. Vamos ver como isso é feito. Somando e subtraindo Y temos que Y i Ŷi =
8 5 A variação dos dados pode ser decomposta em uma soma de parcelas. Vamos ver como isso é feito. Somando e subtraindo Y temos que Y i Ŷi = (Y i Y)+(Ŷi Y). Somando e subraindo Ŷi temos que (Y i Y) =
9 5 A variação dos dados pode ser decomposta em uma soma de parcelas. Vamos ver como isso é feito. Somando e subtraindo Y temos que Y i Ŷi = (Y i Y)+(Ŷi Y). Somando e subraindo Ŷi temos que (Y i Y) = (Y i Ŷi)+(Ŷi Y). Elevando a segunda igualdade ao quadrado (Y i Y) 2 = (Y i Ŷi) 2 + 2(Y i Ŷi)(Ŷi Y)+(Ŷi Y) 2.
10 6 Somando a expressão (Y i Y) 2 = (Y i Ŷi) 2 + 2(Y i Ŷi)(Ŷi Y)+(Ŷi Y) 2 em i temos que
11 6 Somando a expressão (Y i Y) 2 = (Y i Ŷi) 2 + 2(Y i Ŷi)(Ŷi Y)+(Ŷi Y) 2 em i temos que (Y i Y) 2 = (Y i Ŷi) 2 +2 (Y i Ŷi)(Ŷi Y)+ (Ŷi Y) 2. Vamos mostrar agora que (Y i Ŷi)(Ŷi Y) = 0.
12 7 Temos que (Y i Ŷi)(Ŷi Y) =
13 7 Temos que (Y i Ŷi)(Ŷi Y) = (Y i Ŷi)Ŷi Y (Y i Ŷi). Vamos olhar cada parcela separadamente. Para o segundo termo temos que Y (Y i Ŷi) = Y (Y i ˆβ 0 ˆβ 1 X i ) = 0 A segunda igualdade é válida pois é uma das equações normais. Lembre que L = β 0 ˆβ 0,ˆβ 1
14 7 Temos que (Y i Ŷi)(Ŷi Y) = (Y i Ŷi)Ŷi Y (Y i Ŷi). Vamos olhar cada parcela separadamente. Para o segundo termo temos que Y (Y i Ŷi) = Y (Y i ˆβ 0 ˆβ 1 X i ) = 0 A segunda igualdade é válida pois é uma das equações normais. Lembre que L = 2 (y i β ˆβ 0 ˆβ 1 x i ) = 0. 0 ˆβ 0,ˆβ 1
15 8 Para a segunda parcela temos que (Y i Ŷi)Ŷi =
16 8 Para a segunda parcela temos que (Y i Ŷi)Ŷi = (ˆβ 0 + ˆβ 1 X i )e i = ˆβ 0 e i + ˆβ 1 X i e i Observe que e i = (Y i ˆβ 0 ˆβ 1 X i ) =
17 8 Para a segunda parcela temos que (Y i Ŷi)Ŷi = (ˆβ 0 + ˆβ 1 X i )e i = ˆβ 0 e i + ˆβ 1 X i e i Observe que e i = (Y i ˆβ 0 ˆβ 1 X i ) = 0 pois é a primeira equação normal.
18 9 Além disso X i e i = X i (Y i ˆβ 0 ˆβ 1 X i ) =
19 9 Além disso X i e i = X i (Y i ˆβ 0 ˆβ 1 X i ) = 0 pois essa é a segunda equação normal. Lembre-se que L β 1 ˆβ0,ˆβ 1 =
20 9 Além disso X i e i = X i (Y i ˆβ 0 ˆβ 1 X i ) = 0 pois essa é a segunda equação normal. Lembre-se que L = 2 β 1 ˆβ0,ˆβ 1 Dessa maneira temos que (y i ˆβ 0 ˆβ 1 x i )x i = 0. (Y i Ŷi)Ŷi = (ˆβ 0 + ˆβ 1 X i )e i = ˆβ 0 e i + ˆβ 1 X i e i ˆβ 0 0+ ˆβ 1 0 = 0.
21 10 Mostramos assim que (Y i Ŷi)(Ŷi Y) = Portanto (Y i Ŷi)Ŷi Y (Y i Ŷi) = 0. (Y i Y) 2 = (Y i Ŷi) 2 + (Ŷi Y) 2.
22 11 Então a soma de quadrados total pode ser decomposta em (Y i Y) 2 }{{} Soma de Quadrados Totais = (Ŷi Y) 2 }{{} Soma de Quadrados da Regressão SQT = SQR + SQE. + (Y i Ŷi) 2 }{{} Soma de Quadrados dos Resíduos SQT mede a variação dos valores de Y na amostra. SQR mede o quanto da SQT é explicada pelo modelo de regressão ajustado. SQE mede o quanto da SQT não é explicada pelo modelo de regressão ajustado..
23 12 Tabela de (Tabela ANOVA) Fonte de Variação Graus de Soma de Quadrado Liberdade Quadrados Médio Regressão 1 SQR = n (Ŷi Y) 2 QMR = SQR/1 Residual n 2 SQE = n (Y i Ŷi) 2 QME = SQE/(n 2) Total n 1 SQT = n (Y i Y) 2 Tabela: Tabela ANOVA
24 13 Graus de Liberdade Número associado a uma soma de quadrados. Quantos pedaços independentes de informação envolvendo as n quantidades independentes Y 1 ;...; Y n são necessários para calcular a soma de quadrados.
25 Soma de Quadrados Totais SQT = (Y i Y) 2 envolve n 1 quantidades independentes(y i Y) pois n (Y i Y) = 0. Soma de Quadrados da Regressão SQR = (Ŷi Y) 2 pode-se mostrar que n (Ŷi Y) 2 = ˆβ 2 1 S XX. A única informação que vem do vetor Y 1,...,Y n está em ˆβ 1. Portanto temos apenas um grau de liberdade.
26 15 Soma de Quadrado dos Resíduos SQE = (Y i Ŷi) 2 por subtração, tem (n 1) 1 = n 2 graus de liberdade. Quadrado médio = Soma de Quadrados Graus de Liberdade
27 16 Coeficiente de Determinação (R 2 ) Mede a proporção da variabilidade total dos dados explicada pelo modelo de regressão. R 2 = Soma de Quadrados da Regressão Soma de Quadrados totais = n (Ŷi Y) 2 n (Y i Y) 2
28 17 Observações R 2 1 R 2 = 1 somente se o ajuste do modelo é perfeito. Toda a variabilidade dos dados é explicada pelo modelo Y i = Ŷi para todo i. É possível mostrar que R 2 = (coeficiente de correlação entre X e Y) 2 ou seja, R = coeficiente de correlação entre X e Y.
29 18 Vejamos porque isso é verdade. Vimos que ˆβ 1 = S XY S XX. Pode-se mostrar que (lista de exercício) (Ŷi Y) 2 = ˆβ 1 2 S XX. Substituindo ˆβ 1 temos (Ŷi Y) 2 =
30 18 Vejamos porque isso é verdade. Vimos que ˆβ 1 = S XY S XX. Pode-se mostrar que (lista de exercício) (Ŷi Y) 2 = ˆβ 1 2 S XX. Substituindo ˆβ 1 temos (Ŷi Y) 2 = ( SXY S XX ) 2 S XX =
31 18 Vejamos porque isso é verdade. Vimos que ˆβ 1 = S XY S XX. Pode-se mostrar que (lista de exercício) (Ŷi Y) 2 = ˆβ 1 2 S XX. Substituindo ˆβ 1 temos (Ŷi Y) 2 = ( SXY S XX ) 2 S XX = S2 XY S XX.
32 19 Então pois n (Y i Y) 2 = S YY. Ou seja n R 2 = (Ŷi Y) 2 S2 n (Y i Y) = 2 R 2 = S2 XY S XX S YY XY S XX S YY Mas sabemos que o coeficiente de correlação de Pearson é dado por r = n i x iy i ( x i )( y i ) S n( i x2 i ) ( i x i) 2 n( i y2 i ) ( = XY i y i) 2 SXX S YY Mostramos assim que R 2 = (coeficiente de correlação entre X e Y) 2.
33 20 Exemplo Vamos analisar a relação entre duas variáveis: temperatura atmosférica média do mês; consumo mensal de gás residencial. Qual é a variável resposta?
34 20 Exemplo Vamos analisar a relação entre duas variáveis: temperatura atmosférica média do mês; consumo mensal de gás residencial. Qual é a variável resposta? Consumo. Qual é a variável explicativa?
35 20 Exemplo Vamos analisar a relação entre duas variáveis: temperatura atmosférica média do mês; consumo mensal de gás residencial. Qual é a variável resposta? Consumo. Qual é a variável explicativa? Temperatura.
36 21 Exemplo (continuação) Abaixo encontram-se os dados coletados e o gráfico de dispersão das duas variáveis.
37 22 Exemplo (continuação) A partir dos dados coletados temos que n = 25 Yi == 235, 60 Y = 9, 424 Xi = 1315 X = 52, 60 Xi Y i = 11821, 4320 X 2 i = 76323, 42 A partir desses dados podemos calcular os coeficientes da reta ˆβ 1 = 0, ˆβ 0 = 13, O modelo ajustado é onde ǫ N(0,σ 2 ). Y = 13, , X +ǫ Qual a interpretação dos parâmetros?
38 23 Exemplo (continuação) O gráfico asseguir apresenta a reta ajustada.
39 24 Exemplo (continuação) Precisamos dos seguintes dados para calcular as Somas de Quadrados.
40 25 Exemplo (continuação) Vamos agora calcular as Somas de Quadrados SQR = (Ŷi Y) 2 = 45, 5924 SQE = SQT = (Y i Ŷi) 2 = 18, 2234 (Y i Y) 2 = 63, 8158
41 26 Exemplo (continuação) A Tabela ANOVA fica da seguinte maneira Fonte de Graus de Soma de Quadrado Variação Liberdade Quadrados Médio Regressão 1 45,5924 QMR = 45, 5924/1 Residual 23 18,2234 QME = 18, 2234/23 = 0, 7923 Total 24 63,8158 Tabela: Tabela ANOVA
42 27 O Coeficiente de Determinação é dado por Isso significa que R 2 = SQR SQT 45, 5924 = = 0, , 8158
43 27 O Coeficiente de Determinação é dado por Isso significa que R 2 = SQR SQT 45, 5924 = = 0, , ,44% da varibilidade dos dados pode ser explicada pelo modelo de regressão.
44 28
45 29 Lembre-se que o modelo é definido como onde ǫ i iid N(0,σ 2 ). Y i = β 0 +β 1 X i +ǫ i Suposições do Modelo de Regressão Os erros são variáveis aleatórias com média zero e variância constante desconhecida E(ǫ i ) = 0 Var(ǫ i ) = σ 2. Os erros são independentes entre si. Isso implica que Cov(ǫ i,ǫ j ) = 0?
46 29 Lembre-se que o modelo é definido como onde ǫ i iid N(0,σ 2 ). Y i = β 0 +β 1 X i +ǫ i Suposições do Modelo de Regressão Os erros são variáveis aleatórias com média zero e variância constante desconhecida E(ǫ i ) = 0 Var(ǫ i ) = σ 2. Os erros são independentes entre si. Isso implica que Cov(ǫ i,ǫ j ) = 0? Sim. O contrário é verdade?
47 29 Lembre-se que o modelo é definido como onde ǫ i iid N(0,σ 2 ). Y i = β 0 +β 1 X i +ǫ i Suposições do Modelo de Regressão Os erros são variáveis aleatórias com média zero e variância constante desconhecida E(ǫ i ) = 0 Var(ǫ i ) = σ 2. Os erros são independentes entre si. Isso implica que Cov(ǫ i,ǫ j ) = 0? Sim. O contrário é verdade? Não. Os erros tem distribuição normal ǫ i N(0,σ 2 ).
48 30 Dessas supósições decorre que os Y i são indendentes com a seguinte distribuição
49 30 Dessas supósições decorre que os Y i são indendentes com a seguinte distribuição Y i x i N (β 0 +β 1 x i,σ 2) para i = 1,..., n. Os Y i são iid?
50 30 Dessas supósições decorre que os Y i são indendentes com a seguinte distribuição Y i x i N (β 0 +β 1 x i,σ 2) para i = 1,..., n. Os Y i são iid? Não, pois não são identicamente distribuídos.
51 31 Distribuição F É uma distribuição contínua que só coloca massa de probabilidade em valores positivos. Essa função tem dois parâmetros, dois graus de liberdade F d1,d 2 d 1 são os graus de liberdade do numerador e d 2 os graus de liberdade do denominador. Na tabela devemos olhar α e os graus de liberdade. Vamos olhar de um lado só pois rejeitamos para valores altos de D apenas.
52 32 Tabela F
53 33 Teste F para significância da Regressão Queremos verificar se a variável explicativa é significativa para explicar a resposta. As hipóteses a serem testadas são: Sob H 0 (β 1 = 0) temos que H 0 : β 1 = 0 vs H 1 : β 1 0. SQR σ 2 χ 2 1 SQE σ 2 χ 2 n 2 e essas duas quantidades são independentes. Dessa maneira, temos que F = SQR/1 SQE/(n 2) = QMR QME F (1,n 2).
54 34 Rejeitamos H 0 so o modelo de regressão explica muito a variabilidade dos dados. Devemos rejeitar para valores altos ou baixos de F?
55 34 Rejeitamos H 0 so o modelo de regressão explica muito a variabilidade dos dados. Devemos rejeitar para valores altos ou baixos de F? Altos. O teste é unilateral. Rejeitamos H 0 apenas para valores grandes de F. Olhamos na tabela α e não α/2. A região crítica vai ser do tipo F > F c.
56 35 Exemplo Considere novamente o exemplo do consumo de gás e temperatura. Vimos que a Tabela ANOVA nesse caso é dada por Fonte de Graus de Soma de Quadrado Variação Liberdade Quadrados Médio Regressão 1 45,5924 QMR = 45, 5924/1 Residual 23 18,2234 QME = 18, 2234/23 = 0, 7923 Total 24 63,8158 Tabela: Tabela ANOVA
57 36 Exemplo (continuação) As hipóteses a serem testadas são
58 36 Exemplo (continuação) As hipóteses a serem testadas são A estatística F será dada por H 0 : β 1 = 0 vs H 1 : β 1 0. F = QMR QME =
59 36 Exemplo (continuação) As hipóteses a serem testadas são H 0 : β 1 = 0 vs H 1 : β 1 0. A estatística F será dada por F = QMR QME = 45, , 7923 = 57, 54. Vamos usar α = 0, 05.
60 37
61 38 Notamos então que F 0,05;1,23 = 4, 28. A região crítica do teste é dada por
62 38 Notamos então que F 0,05;1,23 = 4, 28. A região crítica do teste é dada por F > 4, 28 Conclusão:
63 38 Notamos então que F 0,05;1,23 = 4, 28. A região crítica do teste é dada por Conclusão: Regeitamos H 0. F > 4, 28 Com 5% de significância há evidência de que a temperatura é significativa para explicar o consumo de gás.
64 39 Veremos agora como encontrar intervalos para os parâmetros. Para isso precisamos encontrar variância dos estimadores. Vamos verificar primeiro se eles são não viesados. O que isso significa?
65 39 Veremos agora como encontrar intervalos para os parâmetros. Para isso precisamos encontrar variância dos estimadores. Vamos verificar primeiro se eles são não viesados. O que isso significa? E(ˆβ 0 ) = β 0 E[ˆβ 1 ] = β 1
66 40 Intervalos de Confiança
67 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] =
68 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] = E[Y ˆβ 1 X] = E[Y] E[β 1 X] =
69 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] = E[Y ˆβ 1 X] = E[Y] E[β 1 X] = 1 n E[ i Y i ] XE[ˆβ 1 ] =
70 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] = E[Y ˆβ 1 X] = E[Y] E[β 1 X] = 1 n E[ i Y i ] XE[ˆβ 1 ] = 1 n E(Y i ) β 1 X = i
71 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] = E[Y ˆβ 1 X] = E[Y] E[β 1 X] = 1 n E[ i Y i ] XE[ˆβ 1 ] = 1 n E(Y i ) β 1 X = 1 (β 0 +β 1 X i ) β 1 X = n i i
72 41 Vamos mostrar primeiro que E(ˆβ 0 ) = β 0. E[ˆβ 0 ] = E[Y ˆβ 1 X] = E[Y] E[β 1 X] = 1 n E[ i Y i ] XE[ˆβ 1 ] = 1 n E(Y i ) β 1 X = 1 (β 0 +β 1 X i ) β 1 X = n i β 0 +β 1 X β 1 X = β 0. i
73 Vejamos agora que E(ˆβ 1 ) = β 1. Sabemos que (X i X)(Y i Y) = i i (X i X)Y i Y i (Y i Y) = i (X i X)Y i pois i (Y i Y) = 0. Temos então que E[ˆβ 1 ] = E [ ] i (X i X)(Y i Y) i (X i X) 2 = E[ i (X i X)Y i ] i (X i X) 2 = [ i (X i X)E(Y i )] i (X = [ i (X i X)(β 0 +β 1 X i )] i X) 2 i (X i X) 2
74 43 mas Logo E[ˆβ 1 ] = (X i X)X i X i i i (X i X)β 0 +β 1 i (X i X)X i i (X i X) 2 (X i X) = 0 i (X i X) = i (X i X) 2 E[ˆβ 1 ] = 0β 0 i i (X i X) +β (X i X) i (X i X) = β 2 1
75 44 Para encontrármos intervalos e fazer testes precisamos da variância dos estimadores. Vamos encontrar primeiro Var(ˆβ 1 ) [ ] i Var(ˆβ 1 ) = Var (X i X)Y i i (X i X) 2 = = Var[ i (X i X)Y i ] [ i (X i X) 2 ] 2 i (X i X) 2 Var[Y i ] i [ i (X = (X i X) 2 σ 2 i X) 2 ] 2 [ i (X i X) 2 ] 2 = σ 2 i (X i X) 2
76 Temos que Var(ˆβ 0 ) = Var[Y ˆβ 1 X] = Var[Y]+Var[ ˆβ 1 X]+2Cov[Y, ˆβ 1 X] = σ2 n + X 2 Var(ˆβ 1 ) 2XCov(Y, ˆβ 1 ) Mostraremos mais a frente que Temos então que Cov[Y, ˆβ 1 X] = 0. Vimos que Var(ˆβ 0 ) = σ2 n + X 2 Var(ˆβ 1 ) Var(ˆβ 1 ) = σ 2 i (X i X) 2 45
77 46 Logo Observe que Var(ˆβ 0 ) = σ2 n + X 2 σ2 i (X i X) 2 [ = σ 2 i (X i X) 2 + nx 2 ] i (X i X) 2 (X i X) 2 + nx 2 = i i X 2 i 2X i X i + nx 2 + nx 2 = i X 2 i 2nX 2 + nx 2 + nx 2 = i X 2 i Portanto Var(ˆβ 0 ) = σ 2 i X i 2 n i (X i X) 2
78 47 Vamos mostrar agora que Cov[Y, ˆβ 1 ] = 0. Temos que ( ) Cov[Y, ˆβ i 1 ] = Cov Y, (X i X)(Y i Y) i (X i X) 2 Cov ( Y, i (X i X)(Y i Y) ) i i (X = Cov ( Y,(X i X)(Y i Y) ) i X) 2 i (X i X) 2 i (X i X)Cov ( Y,(Y i Y) ) = i (X i X) 2
79 48 Observe que Cov ( Y,(Y i Y ) = Cov ( Y, Y i ) Cov ( Y, Y ) ( j = Cov Y ) j n, Y i Var(Y) = n 1 j n 1 Cov(Y j, Y i ) n 1 σ 2 Cov(Y i, Y i )+ Cov(Y j, Y i ) σ 2 j:j i n 1 σ 2 + Cov(Y j, Y i ) σ 2 = 0 j:j i Pois Y s são não correlacionados Cov(Y j, Y i ) = 0 para i j.
80 49 Resumindo... Mostramos que E(ˆβ 0 ) = β 0 Var(ˆβ 0 ) = σ 2 i X i 2 n i (X i X) 2 E(ˆβ 1 ) = β 1 Var(ˆβ 1 ) = σ 2 i (X i X) 2
81 50 Inferência sobre β 1 Desvio padrão de ˆβ 1 é dado por DP(ˆβ 1 ) = Var(β 1 ) = que é estimado por [ σ 2 i (X i X) 2 [ DP(ˆβ ˆ S 2 1 ) = i (X i X). 2 ] 1/2 ] 1/2 O intervalo de confiança é dado por [ ] 1/2 ˆβ 1 ± DP(ˆβ ˆ S 2 1 )t n 2;α/2 ˆβ1 ± i (X i X). t 2 n 2;α/2
82 51 Se quisermos testar as hipóteses H 0 : β 1 = b 1 H 1 : β 1 b 1 A estatística de teste é dada por t = ˆβ 1 b 1 DP(ˆβ ˆ 1 ) = ˆβ1 b 1 [ ] 1/2 S 2 i (X i X) 2 t n 2
83 52 Inferência sobre β 0 Desvio padrão de ˆβ 0 é dado por DP(ˆβ 0 ) = Var(β 0 ) = que é estimado por ] [σ 2 i X 1/2 i 2 n i (X i X) 2 ] DP(ˆβ ˆ 0 ) = [S 2 i X 1/2 i 2 n i (X i X) 2 O intervalo de confiança é dado por ] ˆβ 0 ± DP(ˆβ ˆ 0 )t n 2;α/2 ˆβ0 ± [S 2 i X 1/2 i 2 n i (X t i X) 2 n 2;α/2
84 53 Se quisermos testar as hipóteses H 0 : β 0 = b 0 H 0 : β 0 b 0 A estatística de teste é dada por t = ˆβ 0 b 0 ˆ DP(ˆβ 0 ) = ˆβ0 b 0 i [S 2 X 2 ] 1/2 t n 2 i n i (X i X) 2
85 54 Exemplo: Vamos retormar o exemplo do consumo de gás e temperatura. Para esses dados tínhamos que ˆβ 1 = 0, Vimos ainda que n = 25 (X i X) 2 = i i X 2 i = X = 52.60
86 54 Exemplo: Vamos retormar o exemplo do consumo de gás e temperatura. Para esses dados tínhamos que ˆβ 1 = 0, Vimos ainda que n = 25 (X i X) 2 = i i i X 2 i = X = X 2 i nx 2 =
87 54 Exemplo: Vamos retormar o exemplo do consumo de gás e temperatura. Para esses dados tínhamos que ˆβ 1 = 0, Vimos ainda que n = 25 (X i X) 2 = i i Além disso Portanto ˆ DP(ˆβ 1 ) = [ i X 2 i = X = X 2 i nx 2 = (52.60) 2 = S 2 i (X i X) 2 S 2 = ] 1/2 =
88 54 Exemplo: Vamos retormar o exemplo do consumo de gás e temperatura. Para esses dados tínhamos que ˆβ 1 = 0, Vimos ainda que n = 25 (X i X) 2 = i i Além disso Portanto ˆ DP(ˆβ 1 ) = [ i X 2 i = X = X 2 i nx 2 = (52.60) 2 = S 2 i (X i X) 2 S 2 = ] 1/2 = [ ] /2 =
89 55 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 1. Precisamos olhar na tabela
90 55 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 1. Precisamos olhar na tabela t 23;0,025 = Portanto o intervalo de confiança para β 1 é dado por 0, 0798 ±(2.069)(0.0105) IC 95% (β 1 ) = [ ; ]. Interpretação do intervalo:
91 55 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 1. Precisamos olhar na tabela t 23;0,025 = Portanto o intervalo de confiança para β 1 é dado por 0, 0798 ±(2.069)(0.0105) IC 95% (β 1 ) = [ ; ]. Interpretação do intervalo: Com 95% de confiança podemos dizer que o verdadeiro valor de β 1 está entre -0,1015 e -0,0581.
92 56 Exemplo: (continuação) Queremos testar as hipóteses: H 0 : β 1 = 0 H 1 : β 1 0. Considere 5% de significância. Com base no intervalo de confiança, qual a conclusão do teste?
93 56 Exemplo: (continuação) Queremos testar as hipóteses: H 0 : β 1 = 0 H 1 : β 1 0. Considere 5% de significância. Com base no intervalo de confiança, qual a conclusão do teste? Como zero não pertence ao intervalo, rejeitamos H 0. Conclusão:
94 56 Exemplo: (continuação) Queremos testar as hipóteses: H 0 : β 1 = 0 H 1 : β 1 0. Considere 5% de significância. Com base no intervalo de confiança, qual a conclusão do teste? Como zero não pertence ao intervalo, rejeitamos H 0. Conclusão: com 5% de significância podemos dizer que a variável temperatura está linearmente correlacionada com a variável consumo de gás.
95 57 Exemplo: (continuação) Vamos agora encontrar o intervalo de confiança para β 0. Vimos que ˆβ 0 = Vimos ainda que n = 25 Xi 2 = Temos que i S 2 = (X i X) 2 = ] DP(ˆβ ˆ 0 ) = [S 2 i X 1/2 i 2 [ n i (X = ] 1/2 i X) 2 25( ) = i
96 58 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 0. Precisamos olhar na tabela
97 58 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 0. Precisamos olhar na tabela t 23;0,025 = Portanto o intervalo de confiança para β 0 é dado por ±(2.069)(0.5814) IC 95% (β 0 ) = [ ; ]. Interpretação do intervalo:
98 58 Exemplo: (continuação) Queremos calcular intervalo de 95% para β 0. Precisamos olhar na tabela t 23;0,025 = Portanto o intervalo de confiança para β 0 é dado por ±(2.069)(0.5814) IC 95% (β 0 ) = [ ; ]. Interpretação do intervalo: Com 95% de confiança podemos dizer que o verdadeiro valor de β 0 está entre e
99 59 Vimos até agora como fazer inferência sobre os parâmetros. Podemos estar interessados em fazer inferência para a resposta média. Ou seja, queremos inferir qual o valor esperado de Y para determinado valor de X 0 µ 0 = E(Y X = X 0 ). A estimativa pontual é dada por ˆµ 0 = ˆβ 0 + ˆβ 1 X 0.
100 60 Desvio padrão é dado por que é estimado por [ ]} 2 DP(µ 0 ) = {σ 2 1 n + (X 0 X) 2 i (X i x) 2 [ ]} 2 DP(µ ˆ 0 ) = {S 2 1 n + (X 0 X) 2 i (X i x) 2 O intervalo de confiança é calculado como ˆµ 0 ± ˆ DP(µ 0 )t n 2;α/2
101 61 Inferência sobre observações individuais Vimos anteriormente como encontrar o intervalo de confiança para a média (em torno da reta). Vamos ver agora como encontrar o intervalo de confiança para a resposta individual. O valor individual Y varia em torno da média E(Y X). A variância será maior do que no caso anterior. A estimativa pontual é a mesma. O intervalo de confiança fica com amplitude maior.
102 62 A estimativa pontual é dada por Desvio padrão é dado por DP(Y 0 ) = que é estimado por Ŷ 0 = ˆβ 0 + ˆβ 1 X 0. {σ 2 [ 1+ 1 n + (X 0 X) 2 i (X i x) 2 [ DP(Y ˆ 0 ) = {S n + (X 0 X) 2 i (X i x) 2 O intervalo de confiança é calculado como Ŷ 0 ± ˆ DP(Y 0 )t n 2;α/2 ]} 1/2 ]} 1/2
103 63 Exemplo: Considere o exemplo do consumo de gás e temperatura. Suponha que queremos saber qual o consumo de gás para uma temperatura igual a 30. Temos que (X 0 X) 2 = ( ) 2 = (X i x) 2 = S 2 = i O valor esperado do consumo quando X = 30 é dado por
104 63 Exemplo: Considere o exemplo do consumo de gás e temperatura. Suponha que queremos saber qual o consumo de gás para uma temperatura igual a 30. Temos que (X 0 X) 2 = ( ) 2 = (X i x) 2 = S 2 = i O valor esperado do consumo quando X = 30 é dado por Y = (30) Y = O intervalo de confiança para a resposta média é dado por Ŷ 0 ± ˆ DP(Y 0 )t n 2;α/2.
105 64 Exemplo: (continuação) Vamos agora calcular ˆ DP(µ0 ). Temos que [ DP(µ ˆ 0 ) = {S 2 1 n + (X 0 X) 2 i (X i x) 2 = ]} 1/2 { [ ]} 1/2 = Além disso t 13;0,025 = O intervalo fica ±(2.069)(0.2644)
106 65 Exemplo: (continuação) Portanto IC 95% (ˆµ 0 ) = [ ; ]. Interpretação:
107 65 Exemplo: (continuação) Portanto IC 95% (ˆµ 0 ) = [ ; ]. Interpretação: Com 95% de confiança pode-se dizer que a o consumo de gás esperado para uma temperatura igual a 30 está entre e
108 66 Exemplo: (continuação) Suponha agora que estamos interessados na resposta individual e não na resposta média. A estimativa pontual é a mesma obtida anteriormente
109 66 Exemplo: (continuação) Suponha agora que estamos interessados na resposta individual e não na resposta média. A estimativa pontual é a mesma obtida anteriormente Y = (30) Y = O desvio padrão nesse caso é estimado por [ DP(Y ˆ 0 ) = {S n + (X 0 X) 2 i (X i x) 2 ]} 1/2 { [ ]} 1/2 = Além disso t 13;0,025 = O intervalo fica ±(2.069)(0.8352)
110 67 Exemplo: (continuação) Portanto IC 95% (Ŷ0) = [9.4999; ]. Interpretação:
111 67 Exemplo: (continuação) Portanto IC 95% (Ŷ0) = [9.4999; ]. Interpretação: Com 95% de confiança pode-se dizer que a o consumo de gás verdadeiro para uma temperatura igual a 30 está entre e
112 68 Exemplo: (continuação) O gráfico a seguir mostra reta ajusta e o intervalo de confiança de 95% para a resposta média.
113 69 Exemplo: (continuação) O gráfico a seguir mostra reta ajusta e o intervalo de confiança de 95% para a resposta individual.
Modelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Leia maisModelos de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
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 maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisModelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste Erica Castilho Rodrigues 2 de Setembro de 2014 Erro Puro 3 Existem dois motivos pelos quais os pontos observados podem não cair na reta
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 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 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 maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
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 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 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 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 maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
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 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
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 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 maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
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 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 maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
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 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 maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
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 maisProva # 2 8 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # 2 8 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia mais= Assim, toma-se ˆp= x m =
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO de Outubro, 06 PRIMEIRO TESTE 06-7 Uma resolução possível I Seja X a variável aleatória que conta o número de parcelas onde cada genótipo da casta
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 mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
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 maisb χ 2 (a 1)(b 1), sob H 0,
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 014 PRIMEIRO TESTE 014-15 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 4. 1. O problema colocado corresponde
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 maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia maisÉ dada uma tabela de contingências, sendo os factores de classificação as proveniências (a=3 níveis) e os terrenos (b=3 níveis).
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 017 PRIMEIRO TESTE 017-18 Uma resolução possível I É dada uma tabela de contingências, sendo os factores de classificação as proveniências
Leia maisProva # SUB 15 junho de 2015
MAE 229 -Introdução à Probabilidade e Estatística II Prof. Fábio Machado e Prof. Lígia Henriques-Rodrigues Prova # SUB 15 junho de 2015 Questão 1 2 3 4 Total Valor Nome: Nro. USP: Observações: Não destaque
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 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 maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
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 maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO 1 1. CORRELAÇÃO 1.1. INTRODUÇÃO 1.. PADRÕES DE ASSOCIAÇÃO 1.3. INDICADORES DE ASSOCIAÇÃO 1.4. O COEFICIENTE DE CORRELAÇÃO 1.5. HIPÓTESES BÁSICAS 1.6. DEFINIÇÃO 1.7. TESTE DE HIPÓTESE.
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 maisANÁLISE DE REGRESSÃO. Ralph S. Silva. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
ANÁLISE DE REGRESSÃO Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências Referências (livros) A Modern Approach to Regression
Leia mais= = Assim, o valor estimado de p será ˆp= x m =
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 19 de Janeiro, 2016 SEGUNDO EXAME 2015-16 Uma resolução possível I As distribuições Binomiais surgem associadas a variáveis aleatórias X que contam
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisAULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2
AULA 12 - Normalidade e Inferência em Regressão Múltipla - Parte 2 Susan Schommer Econometria I - IE/UFRJ Testes de hipóteses sobre combinação linear dos parâmetros Na aula passada testamos hipóteses sobre
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 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 maisRevisão de Modelos de regressão. Prof. Thais C O Fonseca - DME, UFRJ
Revisão de Modelos de regressão Prof. Thais C O Fonseca - DME, UFRJ Conteúdo Regressão linear simples Regressão linear múltipla Método de Mínimos Quadrados Introdução a Inferência Bayesiana em Regressão
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
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 maisa) 19% b) 20% c) Aproximadamente 13% d) 14% e) Qualquer número menor que 20%
0. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisCorrelação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Leia maisInstituto Federal Goiano
e simples e Instituto Federal Goiano e Conteúdo simples 1 2 3 4 5 simples 6 e simples Associação entre duas variáveis resposta Exemplos: altura de planta e altura da espiga, teor de fósforo no solo e na
Leia mais= < 5. O segundo menor valor esperado estimado corresponde à célula (3,3), com Ê33 = 29 30
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 2 de ovembro, 205 PRIMEIRO TESTE 205-6 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 3 4. Apenas o número total de observações
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 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 maisTeste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Testes sobre variâncias Problema: queremos saber se há diferenças estatisticamente
Leia maisModelos Lineares Generalizados - Introdução
Modelos Lineares Generalizados - Erica Castilho Rodrigues 18 de Março de 2014 3 Por que queremos modelar os dados? A forma do modelo revela padrões de interação e associação nos dados. Através de procedimentos
Leia maisMAE Planejamento e Pesquisa II
MAE0327 - Planejamento e Pesquisa II EXPERIMENTOS/ESTUDOS NÃO-BALANCEADOS COM FATORES FIXOS - PARTE 1 7 de agosto de 2016 Denise A Botter MAE0327 7 de agosto de 2016 1 / 1 PLANEJAMENTO E PESQUISA I Estudos
Leia maisConceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa
2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante
Leia maisModelos Lineares Generalizados - Introdução
Modelos Lineares Generalizados - Erica Castilho Rodrigues 18 de Março de 2014 3 Por que queremos modelar os dados? A forma do modelo revela padrões de interação e associação nos dados. Através de procedimentos
Leia maisLucas Santana da Cunha de julho de 2018 Londrina
Análise de Correlação e Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 26 de julho de 2018 Londrina 1 / 17 Há casos em que pode existir um relacionamento entre duas variáveis:
Leia maisEstatística Aplicada II. } Correlação e Regressão
Estatística Aplicada II } Correlação e Regressão 1 Aula de hoje } Tópicos } Correlação e Regressão } Referência } Barrow, M. Estatística para economia, contabilidade e administração. São Paulo: Ática,
Leia maisModelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisInferência para duas populações
Inferência para duas populações Capítulo 13, Estatística Básica (Bussab&Morettin, 8a Edição) 7a AULA 27/04/2015 MAE229 - Ano letivo 2015 Lígia Henriques-Rodrigues 7a aula (27/04/2015) MAE229 1 / 27 1.
Leia maisTeste de hipótese de variância e Análise de Variância (ANOVA)
Teste de hipótese de variância e Análise de Variância (ANOVA) Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais Modelos explicativos estatísticos Modelos estatísticos visam descrever
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisMAE Planejamento e Pesquisa I
MAE0317 - Planejamento e Pesquisa I COMPARAÇÕES DE MÉDIAS - 1 FATOR FIXO 1 de abril de 2014 Denise A. Botter MAE0317 1 de abril de 2014 1 / 55 INTRODUÇÃO Testamos H 0 : µ 1 =... = µ r. Se H 0 não é rejeitada,
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 maisCap. 13 Correlação e Regressão
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 13 Correlação e Regressão Correlação X e Y variáveis quantitativas X Y Correlação
Leia maisModelos de Regressão Múltipla - Parte VIII
1 Modelos de Regressão Múltipla - Parte VIII Erica Castilho Rodrigues 15 de Fevereiro de 2017 2 3 Observações não usuais 4 As observações não usuais podem ser: Outliers: não se ajustam bem ao modelo (resíduo
Leia maisQMRE = n (p+1) R 2. 1 R 2 (p,n (p+1)), sob H 0.
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO 4 de Janeiro, 205 SEGUNDO TESTE 204-5 Uma resolução possível I. O valor R 2 =0.528 significa que esta regressão linear múltipla explica quase
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 maisRegression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Leia maisEstatística Aplicada II. } Regressão Linear
Estatística Aplicada II } Regressão Linear 1 Aula de hoje } Tópicos } Regressão Linear } Referência } Barrow, M. Estatística para economia, contabilidade e administração. São Paulo: Ática, 007, Cap. 7
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisNotas de Aula Modelos Lineares I - GET00138
Notas de Aula Modelos Lineares I - GET00138 Jessica Kubrusly Departamento de Estatística Instituto de Matemática e Estatística Universidade Federal Fluminense Julho de 2014 Sumário 1 Regressão Linear Simples
Leia maisEstatística Básica. 13 de maio de 2009
13 de maio de 2009 1 2 3 4 5 Tipos de Testes Exemplos Teste para amostras independentes com variâncias iguais Teste para amostras independentes com variâncias diferentes Teste para amostras dependentes
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 2012/02 1 Teste para média com variância conhecida 2 3 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma
Leia maisMÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência
MÓDULO V: Análise Bidimensional: Correlação, Regressão e Teste Qui-quadrado de Independência Introdução 1 Muito frequentemente fazemos perguntas do tipo se alguma coisa tem relação com outra. Estatisticamente
Leia maisNa aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Regressão Múltipla Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. 1. definimos uma medida de associação
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 maisCORRELAÇÃO E REGRESSÃO
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA DEPARTAMENTO DE TRANSPORTES MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA CORRELAÇÃO E REGRESSÃO Professora: Cira Souza Pitombo Disciplina: ENG C 18 Métodos
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
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 mais