Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria
|
|
- Samuel da Costa Castilhos
- 8 Há anos
- Visualizações:
Transcrição
1 Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com
2 Regressão Objetvo: Estabelecer uma função matemátca que descreva a relação entre uma varável contínua (varável explcada ou dependente) e uma ou mas varáves explcatvas ou ndependentes. y f(x,x,...,x K ) + ε y denota a varável dependente. x,x,...,x K denotam as varáves ndependentes. f(x,x,...,x K ) descreve a varação sstemátca ε representa a varação não sstemátca (erro aleatóro) Modelos de regressão (função f) podem ser lneares ou não lneares. A função f não é conhecda e deve ser nferda a partr das observações das varáves y, x,x,...,x k.
3 Regressão Lnear Técnca estatístca que pode ser usada para analsar a relação entre uma únca varável dependente (explcada) e um conjunto de varáves ndependentes (explcatvas). O objetvo da análse de regressão lnear consste em dentfcar uma equação lnear que permta prever o valor da varável dependente em função dos valores conhecdos das varáves ndependentes. Regressão lnear smples: apenas uma varável ndependente. Exemplo: varável dependente vendas varável ndependente despesas com propaganda Regressão lnear múltpla: duas ou mas varáves ndependentes. Exemplo: varável dependente preço do móvel varáves ndependentes área, nº de quartos, nº de banheros, dade
4 Motvação (HANKE & WICHERN, 6) Uma empresa transportadora deseja estmar o custo de agregar carga a um camnhão parcalmente cheo. A empresa acredta que o únco ncremento de custo, decorrente da agregação de carga, é o custo adconal de combustível, pos o rendmento (mlhas por galão) sera menor. Admte-se que a frota da transportadora é formada por camnhões dêntcos. No período 9- foram realzadas 5.48 vagens e uma amostra aleatóra de 4 vagens fo tomada. Na tabela ao lado são apresentados os pesos e os rendmentos (mlhas/galão) das 4 vagens seleconadas na amostra. Dagrama de dspersão representação gráfca que permte vsualzar a relação/assocação entre duas varáves Um ncremento no peso reduz o rendmento A relação entre as varáves não é exata (estocástca)
5 Motvação A boa aderênca da nuvem de pontos ao redor de um reta magnára ndca que a relação entre as duas varáves pode ser aproxmada por uma relação lnear. A essênca da relação entre o peso e o rendmento pode ser expressa por uma reta. Seja o rendmento em mlhas/galão e o peso da carga ( lbras), então temos o segunte modelo de regressão lnear smples: modelo y β + β x + ε β e β são constantes não conhecdas ε é um termo aleatóro com dstrbução normal (ε ~ N(,σ )) A dentfcação desta reta (estmação dos parâmetros do modelo) pode ser efetuada por meo do estmador de mínmos quadrados ordnáros (MQO).
6 Motvação Neste caso o rendmento (y) é explcado pelo peso da carga (x), então, yf(x): y rendmento varável dependente x peso da carga varável ndependente A relação estocástca entre as duas varáves pode ser modelada da segunte forma: y β + β x + ε Onde: β e β são coefcentes desconhecdos da reta que relacona as varáves x e y (estmados a partr dos dados da amostra). ε é um termo aleatóro (erro) que representa a mprecsão na relação entre x e y.
7 Motvação Equação da reta estmada por MQO Ê( ) 8,8484,64 Para uma carga de 7 ml lbras ( 7) espera-se um rendmento de 4,6 mlhas/galão ( Ê( ) 4,6 ) E( ) 8,8484,64 x 7 4,6
8 Motvação Estmação por mínmos quadrados ordnáros (MQO) Estmador MQO βˆ βˆ n ( x x)( y y) n ( x ) x y βˆ x Modelo ajustado Ê( ) 8,8484,64 ˆβ ˆβ é a varável ndependente ou explcatva, neste caso o peso ( é a méda amostral de ) é a varável dependente ou explcada, neste caso é o rendmento (mlhas por galão), é a méda amostral de n é número de observações, neste caso 4
9 Motvação Interpretação da equação estmada Ê( ) 8,8484,64 Cada ncremento de lbras ( ) na carga mplca em uma redução, méda, do rendmento (mlhas/galão) da ordem de,64 mlhas/galão. A transportadora paga $,5 por galão de desel, então qual o custo para transportar lbras de carga em um trajeto de mlhas? O rendmento médo é 4,7 mlhas/galão, logo para um trajeto de mlhas, em méda, o custo total é: mlhas x,5 $/galão $ 6,6 4,7 mlhas/galão O custo da mesma vagem com lbras adconas é: mlhas x,5 $/galão $ 6,94 (4,7,64) mlhas/galão Ou seja, lbras adconas na carga aumenta o custo em 34 centavos
10 Modelos de regressão lnear Modelo de regressão lnear smples: uma varável dependente explcada por uma varável ndependente. y β + β x + ε Modelo de regressão lnear múltpla: Uma varável dependente explcada por pelo menos duas varáves ndependentes. y β + β x β K x K + ε (K ) Objetvo: Identfcar uma função lnear que permta explcar uma varável dependente (y) em função das varáves explcatvas (x), ou seja, como y vara de acordo com mudanças em x.
11 Sgnfcado do erro ε O erro ε representa: Todos os outros fatores que afetam a varável dependente, mas que não estão contempladas nas varáves explcatvas. Erros de medção. Forma funconal nadequada, por exemplo, y β + β x ou y β + β x + β x? Inerente varabldade no comportamento dos agentes econômcos.
12 Modelo de Regressão Lnear Smples Equação de regressão populaconal: y β + β x + ε (apenas uma varável ndependente) Os coefcentes β e β não são conhecdos e devem ser estmados a partr de uma amostra aleatóra de tamanho n da população: Amostra aleatóra (x, y ),,n Em cada undade amostrada tem-se que y β + β x + ε Componente determínstca,n Erro, uma varável aleatóra não-observável
13 Modelo de Regressão Lnear Smples Hpóteses assumdas pelo modelo H) A relação entre as varáves é lnear y β + β x + ε,n: H) Méda nula: E(ε ) para todo,n H3) Varânca constante: V(ε ) σ para todo,n H4) Erros não correlaconados: Cov(ε,ε k ) para todo k H5) Dstrbução Normal: ε ~ N(,σ ) para todo,n ε são ndependentes e dentcamente dstrbuídos N(,σ ) H6) A varável explcatva é fxa,.e., não é estocástca
14 Modelo de Regressão Lnear Smples y β + β x Como o valor esperado do erro é zero E(ε), o valor esperado de y condconado ao valor de x é gual a: V + ( y x ) E ( β + β x + ε ) E ( y x ) β + β x + E ( ε ) E ε ( y x) β + β x E Por hpótese a varável ndependente não é aleatóra, assm tem-se: ( ) y σ Como o erro tem dstrbução Normal com méda e varânca σ y ( β + β x ) ~ N σ,
15 Modelo de Regressão Lnear Smples Reta de regressão ( y x) β + β x E
16 Modelo de Regressão Lnear Smples Estmador de mínmos quadrados Soma dos quadrados dos erros y β + β x + ε ε y - β - β x n n f ε [ y ( β + βx )] As estmatvas de β e β devem mnmzar a soma sos quadrados dos desvos Mn β β, f n [ y ( β + βx )] No ponto de mínmo as dervadas parcas são nulas f β f β n n [ ( β + β )] x y x [ y ( β + β x )] Sstema de equações normas A solução deste sstema fornece os estmadores de β e β nβ β n + β x n + β n x y n x n x y
17 Estmador de mínmos quadrados Modelo de Regressão Lnear Smples + β β n n x y n + β β n n n y x x x Solução do sstema de equações normas y x ˆ ˆ β β ( )( ) ( ) β n n x x y y x x ˆ Sstema de equações normas Estmadores de mínmos quadrados
18 Modelo de Regressão Lnear Smples Estmador de mínmos quadrados ( ) Equação de regressão estmada ˆ E y x β + β x y ˆ ˆ Valor estmado da varável dependente y dado que x é gual a x ˆ ˆ yˆ β + βx Resíduo da -ésma observação é gual a dferença entre o valor observado e o valor estmado da varável y ( εˆ εˆ y y yˆ βˆ + βˆ x )
19 Se as hpóteses H até H6 forem satsfetas, os estmadores de mínmos quadrados são estmadores lneares não tendencosos de varânca mínma (Teorema de Gauss Markov) O estmador MQO é não tendencoso ( ˆ ) β E β Modelo de regressão lnear smples σ β ˆ n n σ ε ( x ) x n x Os estmadores são normalmente dstrbuídos βˆ ~ N β ( ), σ β ˆ ( ˆ ) β E β σ β ˆ n σ ε x x βˆ ~ N β ( ), σ β ˆ Estmador da varânca do erro n n uˆ ˆ σ ε n ( y ˆ β ˆ β x ) n
20 Modelo de regressão lnear smples Decomposção do erro Méda da varável dependente (valor observado) - ^ - (valor estmado pela reta) ^ - ^ (resíduo) ^ b + b (reta de regressão)
21 Modelo de regressão lnear smples Decomposção do erro SQT N ( ) SQT é a soma dos quadrados dos desvos de em relação a sua méda, logo SQT é uma medda da varação total da varável dependente.
22 Modelo de regressão lnear smples Decomposção do erro SQR N ( ˆ ) SQR é a soma dos quadrados dos desvos entre a reta de regressão e a méda da varável dependente. ^ corresponde as estmatvas defndas pela reta de regressão SQR é uma medda da varação total da varável dependente explcada pela regressão.
23 Modelo de regressão lnear smples Decomposção do erro SQE N ( ) ˆ SQE é a soma dos quadrados dos desvos de em relação a reta de regressão (resíduos). SQE expressa a parcela da varação de não explcada pela reta de regressão. ^ corresponde as estmatvas defndas pela reta de regressão
24 Modelo de regressão lnear smples Decomposção da soma de quadrados total N N N ( ) ( ) ( ) $ + $ SQT SQE + SQR SQT Soma de Quadrados Total SQR Soma de Quadrados da Regressão SQE Soma de Quadrados dos Erros (Resíduos) N é o total de observações na amostra
25 Modelo de regressão lnear smples Coefcente de determnação R SQR SQT N ( ˆ ) N SQE ( ) SQT R Se R estver próxmo de, a varável x explca a maor parte das varações de y. Neste caso, a varável x é uma boa predtora da varável y. Se R estver próxmo de, a varável x explca muto pouco das varações de y. Neste caso, a varável x não é uma boa predtora da varável y.
26 Modelo de regressão lnear smples Análse da varânca (ANOVA) F SQR SQE ( N ) R SQR SQT σˆε Estmador da varânca do erro
27 Modelo de regressão lnear smples Análse da varânca (ANOVA) No exemplo da transportadora tem-se que Resultados gerados pelo Excel R,76, ou seja, 76% da varação do rendmento é explcada pela equação de regressão 8,8484,64 SQR SQE SQT equação de regressão 8,8484,64
28 Modelo de regressão lnear smples Inferênca Estatístca Modelo de regressão lnear smples: β + β + ε Teste t Avala a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : β ( ausênca do efeto ) H : β ( presença do efeto ) Sob H ˆ β t > t t crítco rejeta H ~ tn ˆ σ ˆ β Estatístca teste t < t crítco aceta H t crítco é um valor tabelado para um nível de sgnfcânca α, no Excel use INVT(alfa;N-)
29 Modelo de regressão lnear smples Inferênca Estatístca (teste t) No exemplo da transportadora tem-se que Resultados gerados pelo Excel H : β H : β Estatístca teste t ˆ β ~ tn ˆ σ ˆ β Ao nível de sgnfcânca α de 5% o valor tabelado (t crítco ) de uma t com (4-) 38 graus de lberdade é,4 INVT(,5;38) Valor absoluto do t calculado maor que t crítco, logo H é rejetada. ˆβ ˆ ˆ β ˆ β,64 σ t, 95 ˆ,55 σ ˆ β t calculado
30 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t) No exemplo da transportadora tem-se que Regão de rejeção Dstrbução t H : β H : β Regão de rejeção blateral -,4,4 t ˆ β ˆ σ ˆ β t calculado -,95 t crítco INVT(,5;38)
31 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t e valor p) O valor p (p-value) fornece uma forma dreta de decdr entre a rejeção e a não rejeção da hpótese nula H P-valor é a probabldade de encontrar um valor para a estatístca teste mas extremo que o valor calculado para a estatístca teste (t calculado ). Se o valor p é menor que os níves usuas de sgnfcânca (% ou 5%) devemos conclur pela rejeção da hpótese nula Cálculo do valor p no exemplo da transportadora: No Excel DISTT(,95;38;) t calculado -,95 valor p P(t mas extremo que t calculado ) P (t -,95 ou t,95),9e-3 Probabldade muto pequena e menor que o nível de sgnfcânca adotado (5%), logo a hpótese nula (H) deve ser rejetada H : β H : β
32 Exemplo modelo de regressão lnear smples Inferênca Estatístca (teste t e p-valor) Resultados gerados pelo Excel Valor p menor que o nível de sgnfcânca adotado (5%), logo a hpótese nula (H) deve ser rejetada
33 Modelo de regressão lnear smples Inferênca Estatístca (ntervalo de confança) Intervalo de confança (-α)% ˆ β ˆ σ t β ˆ β + ˆ σ β α β t α No exemplo da transportadora tem-se que Valores tabelados Resultados gerados pelo Excel O ntervalo -,76 β -,49 tem 95% de confança de conter o valor do coefcente de regressão da varável peso
34 Modelo de regressão lnear smples Prevsão do valor esperado Eˆ β ˆ + βˆ Prevsor ( h h ) h ε E Eˆ ˆ β β + ˆ β β Erro de prevsão ( ) ( ) ( ) ( ) h h h h h h Vˆ Intervalo de prevsão ( ) h ( ε ) ˆ h σ ε + N N ( ) [ E$ ( ) t V ( ), E$ ( ) t V ( )] h h c εh h h + c εh
35 Modelo de regressão lnear smples Prevsão de uma observação Dado T+h prever T+h Prevsor ˆ ˆ h β + h ε ˆ β ˆ β ˆ β + β ˆ β + u ( ) ( ) Erro de prevsão h h h h h Intervalo de prevsão Vˆ ( ) h ( ε ) ˆ h σ ε + + N N ( ) [ $ t V ( ), $ t V ( )] h c εh h + c εh
36 Modelo de regressão lnear smples Intervalo de prevsão de uma observação Intervalo de prevsão do valor esperado
37 Exemplo modelo de regressão lnear smples no Excel ) Matrz de dados para regressão lnear smples varável dependente ) No menu Ferramentas escolha a varável ndependente opção Análse de dados 4) Informe os dados para regressão na caxa de dálogo 3) Na caxa de dálogo escolha a opção Regressão e clque em Ok
38 Exemplo modelo de regressão lnear smples no Excel Intervalo com os valores da varável ndependente Intervalo com os valores da varável dependente Caxa de dálogo regressão Rótulos: nomes das varáves Marque se tem rótulo Gráfco dos resíduos contra a varável explcatva Grava resultados da regressão em uma nova planlha Apresenta a sére de resíduos ˆ Gráfco para avalar se a hpótese de normaldade do erro é satsfeta Gráfco com os valores observados e prevstos
39 Exemplo modelo de regressão lnear smples no Excel Planlha de Resultados R R Valor P < 5% rejeto H no teste F Valor P P(F>4,349), α β Valor P Valor P ˆ ˆ P( t >4,9345), Valores para a plotagem de probabldade normal P( t >,495),638 Intervalo de confança Valor P < 5% rejeto H no teste F - 4,9345 4,9345
40 Exemplo modelo de regressão lnear smples no Excel Gráfcos na planlha de Resultados Resíduos - Plotagem de resíduos Útl na verfcação da hpótese de normaldade do erro (valores ao redor de uma reta magnára ndcam que a hpótese de normaldade não fo volada) Plotagem de probabldade normal Útl na verfcação da hpótese de varânca constante do erro Valores observados contra valores estmados Útl na avalação da qualdade do ajuste 6 5 Plotagem de ajuste de lnha Percentl da amostra 4 3 Prevsto(a) 3 4 5
41 Regressões que se tornam lneares por anamorfose As especfcações a segur são não-lneares, mas podem se tornar lneares por anamorfose, ou seja, medante alguma transformação das varáves. (exponencal) β β ε ln Modelo lnear ln β + ln β + * lnε * * β + β + v * ln * β ln β β v lnε * ln β (potênca) (hpérbole) β β ε β + β + ε ln ln β + β ln + * * * Modelo lnear β + β * lnε + v β + β + ε * * ln * ln β β v ln lnε * Modelo lnear (polnomal) A substtução de varáves é válda, pos a relação entre e é não lnear β + β + β + ε Modelo regressão lnear múltpla + β + β β + ε
42 Modelo de regressão lnear múltpla
43 A varável dependente é uma função lnear de K varáves ndependentes (K ) K k ε β β β β K Notação matrcal,n β + ε N M k k N kn L M β β β β M k ε N ε ε ε M Modelo de regressão lnear múltpla β, β, β 3,..., β k, σ são parâmetros do modelo que devem ser estmados [ ] k K ε β β β + M L,,,N Na regressão lnear smples (K), um caso partcular da regressão lnear múltpla
44 Hpóteses assumdas pelo modelo de regressão lnear múltpla Bascamente, são as mesmas hpóteses assumdas na regressão lnear smples H) A relação entre as varáves é lnear y β + β x + β x β k x k + ε,n. H) A varável explcatva é fxa, ou seja, não é aleatóra. H3) As colunas da matrz são lnearmente ndependentes, ou seja, não há uma relação lnear perfeta entre duas ou mas as varáves explcatvas. H4) Erros tem méda nula: E(ε ) para todo,n. H5) Varânca do erro é constante (homocedastcdade): V(ε ) σ para todo,n. H6) Erros não correlaconados: Cov(ε,ε k ) para todo k. H7) Erros tem dstrbução Normal: ε ~ N(,σ ) para todo,n. H,H3,H4 e H5 ε são ndependentes e dentcamente dstrbuídos N(,σ )
45 ( ) T T ˆ β N K N K N K N K N k N N N N k N N N N K N N T N O M L Estmador de Mínmos Quadrados Ordnáros (MQO) Modelo de regressão lnear múltpla N K N N N T y x y x y x y M Equação de projeção [ ] k K K k y E y β β β β β β ˆ ˆ ˆ ˆ ˆ ˆ ) ˆ ( ˆ M L K
46 Estmador de mínmos quadrados Propredades do estmador de mínmos quadrados E ( ˆ β ) β Estmador não tendencoso Σ ( ) ( ) ˆ β σ T ˆ β ~ N σˆ SQE N k ( ( ) ) T β σ K +, Matrz de covarânca dos estmadores O vetor de estmadores tem dstrbução normal multvarada ˆ β j ~ N ( β, σ a ) j jj Cada βˆ tem dstrbução normal j a jj elemento da dagonal prncpal da nversa de Se as hpóteses H até H6 forem satsfetas, o estmador de mínmos quadrados é o melhor estmador lnear não tendencoso (Teorema de Gauss Markov)
47 Exemplo modelo de regressão lnear múltpla (KUTNER et al, 4) Uma empresa de artgos nfants opera em cdades de médo porte. A empresa está analsando a possbldade de expansão em outras cdades de médo porte e para sso deseja nvestgar se a vendas () em uma localdade podem ser predtas com base no número de pessoas com até 6 anos de dades ( ) e a renda per capta na localdade ( ). Valores expressos em mlhares. Atualmente a empresa está presente em localdades (N ), cujos dados são apresentados na tabela abaxo: 68,5 6,7 74,4 45, 6,8 64,4 9,3 8, 44, 47,8 6,3 54,6 46,9 7,3 8,6 66, 8, 7,5 49,5 5,9 5,8 5 7, 63, 48,9 6,6 45,4 38,4 6 37, 87,9 8,3 4,9 7,8 7, 9, 88,4 7,4 3 4,9 5,8 45,3 5,5 7,8 6, 85,7 8,4 9,7 4,3 6,5 46,4 5,7 6, ,6 8, 3,6 8,7 9, 4, 5,3 6 66, Modelo de regressão lnear múltpla a ser estmado β + β + β + ε
48 Exemplo modelo de regressão lnear múltpla Os dados das localdades podem ser dspostos em um gráfco, onde cada localdade é representada por um ponto. A equação de regressão (, ) β + β + E β defne um plano passando pelo meo da nuvem de pontos. Este plano representa o valor esperado das vendas em função da renda e da população abaxo de 6 anos em uma localdade vendas renda população
49 Exemplo modelo de regressão lnear múltpla Modelo de regressão lnear + β, + β, β + ε Estmação dos coefcentes de regressão por mínmos quadrados Dados T,.3,4 36,.3, ,94.69,9 36,.69,9 6.9,6 74,4 64,4 44, 54,6 8,6 7,5 5,8 63, 45,4 37, 4,9 9, 3 45,3 6, 9,7 46,4 44 3,6 4, 66,5 68,5 6,7 45, 6,8 9,3 8, 47,8 6,3 46,9 7,3 66, 8, 49,5 5,9 5 7, 48,9 6,6 38,4 6 87,9 8,3 7,8 7, 88,4 7,4 4,9 5,8 5,5 7,8 85,7 8,4 4,3 6,5 5,7 6,3 89,6 8, 8,7 9, 5,3 6 ( ) 9,789,7 -,996,7,4 -,55 T -,996 -,55,363 ( T ) ˆ T β T 3.8, , ,75 ˆ β ˆ β ˆ β Equação estmada 68,86 +,45 + 9, 37 68,857,4546 9, ε
50 Exemplo modelo de regressão lnear múltpla Gráfcos dos resíduos contra cada varável explcatva e a varável explca exbe um padrão aleatóro e a dspersão parece constante e, portanto, estão coerentes com as hpóteses (pressupostos) de covarâncas nulas entre os erros e varânca do erro constante.
51 Exemplo modelo de regressão lnear múltpla O gráfco de probabldade normal índca que a dstrbução dos resíduos é normal, portanto, coerente com a hpótese (pressuposto) de dstrbução normal para o erro.
52 Modelo de regressão lnear múltpla Inferênca Estatístca no Modelo de Regressão Lnear Análse da varânca - ANOVA R SQR SQT N N ( ˆ ) ( ) F QMR QME SQR SQE k [ N ( k +) ] R ( R ) N N k
53 Exemplo modelo de regressão lnear múltpla Construção da ANOVA para o exemplo da cadea de lojas de roupas juvens ˆ + 68,857 +,4546 9, 3655 SQE SQR SQT
54 Exemplo modelo de regressão lnear múltpla Construção da ANOVA para o exemplo da cadea de lojas de roupas juvens Fonte de varação Regressão Resíduo Total Soma dos quadrados (A) SQR 45,8 SQE 8,93 SQT 696, Graus de lberdade (B) Quadrado médo (CA/B) 7,64 7,64 /.66 99,35 N-38,66 N- ANOVA F R Coefcente de varáves explcatvas determnação R SQR 45.8, 97 SQT 696, 3 coefcentes estmados Por sso N 3 O quadrado médo do resíduo é uma estmatva da varânca do erro σˆε
55 Modelo de regressão lnear múltpla Teste t H : β j H : β j Inferênca Estatístca t bj ~ t N k ˆ σ β j ( + ) t t tabelado rejeta H Teste F H : β β β 3... β k H : pelo menos um β j F SQR k SQE N ( k +) F Ftabelado rejeta H
56 Exemplo modelo de regressão lnear múltpla Modelo de regressão lnear Estmatvas dos erros padrão dos coefcentes de regressão S ˆ σ ˆ σ ˆ σ ˆ β ˆ ˆ ˆ ˆ ββ ββ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ β σ σ σ σ ββ β ε ββ ˆ σ ˆ ˆ ˆ σ ˆ ˆ ˆ σ β β β β ˆ β b + b, + b, Resultado na ANOVA,66 ( T ) + ε 9,789,7 -,996,7,4 -,55 -,996 -,55,363 S β 3.6,347 8,7459-4,43 8,7459,449 -,674-4,43 -,674 6,558 Varâncas na dagonal prncpal Covarâncas fora da dagonal prncpal Erros padrão dos estmadores dos coefcentes de regressão (valores nformados pelo ajuste de regressão no Excel) ˆ σ β ˆ σ ˆ ˆ β ˆ σ β ˆ σ ˆ ˆ β ˆ σ β ˆ σ ˆ ˆ β 36,347 6,7,449,8 6,558 4,64
57 Exemplo modelo de regressão lnear múltpla Inferênca do modelo Teste F: Testa o efeto conjunto das varáves explcatvas sobre a varável dependente. H : b b ( não há regressão de em e ) H : b ou b ( presença do efeto ) ) Estatístca teste F F N SQR K SQE.7,64,66 ( + ) ( K +) 3) Valor da estatístca teste na amostra observada (F calculado ) 99,35 ) Dstrbução da estatístca testes sob H N SQR K SQE ( K + ) ~ F K, N ( K + ) 4) F crítco ao nível de sgnfcânca de 5% 3,5546 FINV(,5;;8) no Excel 5) Conclusão F calculado > F crítco logo rejeta H Dstrbução F
58 Exemplo modelo de regressão lnear múltpla Teste t: Testa a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : b ( ausênca do efeto ) H : b ( presença do efeto ) Inferênca do modelo ) Estatístca teste ) Dstrbução da estatístca testes sob H t bˆ ˆ σ ˆ β bˆ ~ t 3 ˆ N σ ˆ β Dstrbução t 3) Valor da estatístca teste na amostra observada (t calculado ) 4) t crítco ao nível de sgnfcânca de 5%, TINV(,5;8) no Excel t,4546,8 6,868 5) Conclusão t calculado > t crítco logo rejeta H
59 Exemplo modelo de regressão lnear múltpla Teste t: Testa a sgnfcânca do coefcente de regressão lnear assocado com uma determnada varável explcatva. H : b ( ausênca do efeto ) H : b ( presença do efeto ) Inferênca do modelo ) Estatístca teste ) Dstrbução da estatístca testes sob H t bˆ ˆ σ ˆ β bˆ ~ t 3 ˆ N σ ˆ β Dstrbução t 3) Valor da estatístca teste na amostra observada (t calculado ) 4) t crítco ao nível de sgnfcânca de 5%, TINV(,5;8) no Excel t 9,3655 4,64,345 5) Conclusão t calculado > t crítco logo rejeta H
60 Exemplo modelo de regressão lnear múltpla Intervalos 95% de confança para os coefcentes da equação de regressão t N bˆ b ˆ σ ( K + )(,5% ) tn ( K + )(,5% ) K número de varáves ndependentes N tamanho da amostra b Dstrbução t 95% 68,857 b,, 94,948 b 57,339 6,7,4546 b,,,96 b,8995,8 9,3655 b,,,874 b 4,64 7,936
61 R ajustado Problema com a estatístca R : sempre aumenta a medda que novas varáves são ncluídas no modelo de regressão lnear múltpla, ndependentemente da varável adconada. No entanto cada varável adconada ao modelo tem um custo, pos mas um coefcente deve ser estmado. Então é nteressante ter uma medda que permta avalar o benefíco para melhora do modelo com a adção de uma nova varável explcatva em relação ao custo de estmar mas um coefcente. Esta medda é o R ajustado R ajustado n R n k ( ) Onde n é o tamanho da amostra K é o número de parâmetros da equação de regressão. O R ajustado é útl quando desejamos comparar dos modelos dferentes ou comparar um mesmo modelo com tamanhos de amostras dferentes
62 Modelo de regressão lnear múltpla Prevsão Dado x T h [ L ] h h kh Prevsão do valor esperado da varável dependente dado Eˆ ( h ) ˆ β ˆ β ˆ + h + K + β k kh prevsão s x T h S βˆ x h Erro padrão das prevsões Prevsão do valor da varável dependente dado ˆ h ˆ β ˆ K + βh + + s prevsão ˆ β k T xh S ˆ x β h kh + σˆ Quadrado médo dos resíduos Valor obdo na ANOVA
63 Exemplo Calcule a prevsão das vendas esperadas nas cdades A e B: Cdade A número de pessoas com até 6 anos de dades ( ) : 65,4 renda per capta na localdade ( ) : 7,6 T x h [ 65,4 7,6] Cdade B número de pessoas com até 6 anos de dades ( ) : 53, renda per capta na localdade ( ) : 7,7 T x h [ 53, 7,7] Prevsão da venda esperada na cdade A E( ) Prevsão da venda esperada na cdade B E( ) 68,86 +,45 65,4 + 9,37 7,6 9, 68,86 +,45 53, + 9,37 7,7 74,5
64 Exemplo Intervalos de confança para as vendas esperadas nas cdades A e B: Cdade A número de pessoas com até 6 anos de dades ( ) : 65,4 renda per capta na localdade ( ) : 7,6 T Cdade B número de pessoas com até 6 anos de dades ( ) : 53, renda per capta na localdade ( ) : 7,7 T x h x h [ 65,4 7,6] [ 53, 7,7] Resultado da ANOVA slde 5 ˆ,66 σ ε S β Matrz de covarâncas dos estmadores slde ,347 8,7459-4,43 8,7459,449 -,674-4,43 -,674 6,558 Erro padrão das estmatvas slde 6 Cdade A,35 prevsão s x T h S βˆ x h Cdade B,93
65 Exemplo Intervalos de confança para as vendas esperadas nas cdades A e B: prevsão α E( ) é a méda das vendas dado ( ) prevsão+ t s tn ( k+ ) s prevsão E N ( k+ ) α prevsão Valor crítco da t com N-(k+) graus de lberdade ao nível de confança -alfa, podem ser obtdos no Excel, por exemplo, para 95% de confança INVT(,5;8), cujo valor é aproxmadamente, ( ) 4, 9 67,3 E ( ) 99, 49, E Cdade A Cdade B Note que os ntervalos de confança tem grande ampltude apesar do elevado R (,9), portanto, valores elevados de R não garantem necessaramente prevsões precsas
66 Exemplo modelo de regressão lnear múltpla no Excel ) Matrz de dados para regressão lnear múltpla varável dependente varável ndependentes ) No menu Ferramentas escolha a opção Análse de dados 4) Informe os dados para regressão na caxa de dálogo 3) Na caxa de dálogo escolha a opção Regressão e clque em Ok
67 Exemplo modelo de regressão lnear múltpla no Excel Intervalo com os valores da varável ndependente Intervalo com os valores da varável dependente Caxa de dálogo regressão Rótulos: nomes das varáves Marque se tem rótulo Gráfco dos resíduos contra a varável explcatva Grava resultados da regressão em uma nova planlha Apresenta a sére de resíduos ˆ Gráfco para avalar se a hpótese de normaldade do erro é satsfeta Gráfco com os valores observados e prevstos
68 Exemplo modelo de regressão lnear múltpla no Excel ˆβ ˆβ ˆβ
69 Exemplo modelo de regressão lnear múltpla no Excel Gráfcos na planlha de Resultados Plotagem de resíduos Plotagem de resíduos Resíduos 3,,,, -, -, -3, Resíduos 4,,, -, -4, Plotagem de ajuste de lnha Plotagem de ajuste de lnha Prevsto(a) 3 3 Prevsto(a)
70 Exemplo modelo de regressão lnear múltpla no Excel Gráfcos na planlha de Resultados 3 Plotagem de probabldade normal 5 5 Percentl da amostra
71 Problemas que podem acontecer em um modelo de regressão lnear Multcolneardade: Quando há relações lneares exatas ou aproxmadamente lneares entre as varáves explcatvas, a redundânca entre as varáves pode resultar em estmatvas com valores elevados para o erro padrão ou mpossbltar a estmação dos coefcentes de regressão no caso de relações lneares exatas. Heterocedastcdade: A varânca do erro não é uma constante, (volação da hpótese de homocedastcdade). Não raro acontece quando a amostra de observações é um corte transversal de undades com tamanhos heterogêneos. Na presença de heterocedastcdade o estmador MQO permanece não tendencoso, mas dexa de ser o melhor estmador. Nestas stuações deve-se utlzar o métodos mínmos quadrados ponderados (MQP). Autocorrelação: Os erros são autocorrelaconados, volação da hpótese de covarânca nula entre os erros. Problema frequente quando a amostra de dados é formada por séres temporas. Na presença de autocorrelação seral dos erros o estmador MQO permanece não tendencoso, mas dexa de ser o melhor estmador. Nestas stuações deve-se utlzar o métodos mínmos quadrados generalzados (MQG).
72 Multcolneardade Ocorre quando qualquer varável ndependente é altamente correlaconada com um conjunto de outras varáves ndependentes. No caso extremo, uma varável ndependente guarda uma relação lnear com outra varável ndependente. Neste caso não é possível obter as estmatvas de mínmos quadrados. Consequêncas da multcolneardade: Estmatvas mas mprecsas Erros-padrão maores Dfculdade da separação dos efetos de cada varável Soluções para contornar a multcolneardade. Coletar mas dados Elmnar varáves Usar componentes prncpas para reduzr a dmensão dos dados
73 Avalação da Multcolneardade ) Coefcentes de correlação smples entre as varáves ndependentes ) Tolerânca: quanta de varabldade da varável dependente não explcada pelas outras varáves ndependentes. Valores altos sgnfcam um pequeno grau de multcolneardade. Tolerânca R k, se menor que, ndca multcolneardade Onde R k é o coefcente de determnação da varável ndependente k nas demas varáves ndependentes. 3) Fator de nflação da varânca (VIF): é o nverso da tolerânca. Valores altos sgnfcam maores níves de multcolneardade. VIF / Tolerânca, se maor do que já ndca multcolneardade
74 Referêncas Bblográfcas Hanke, J.E.; Wchern, D.W. Pronóstcos en los negocos, Naucalpan de Juárez: Pearson Educaton de Méxco, 6. Kutner, M.H.; Nachtshem, C.J.; Neter, J. Appled lnear regresson models, New ork: McGraw-Hll Irwn, 4.
Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisREGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:
REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisPROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, 658-671, 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgaris NA EXISTÊNCIA DE MULTICOLINEARIDADE
ADRIANO VICTOR LOPES DA SILVA ALTERNATIVAS E COMPARAÇÕES DE MODELOS LINEARES PARA ESTIMAÇÃO DA BIOMASSA VERDE DE Bambusa vulgars NA EXISTÊNCIA DE MULTICOLINEARIDADE RECIFE-PE Feverero /2008. Lvros Gráts
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisInfluência dos Procedimentos de Ensaios e Tratamento de Dados em Análise Probabilística de Estrutura de Contenção
Influênca dos Procedmentos de Ensaos e Tratamento de Dados em Análse Probablístca de Estrutura de Contenção Mara Fatma Mranda UENF, Campos dos Goytacazes, RJ, Brasl. Paulo César de Almeda Maa UENF, Campos
Leia maisAnálise Fatorial F 1 F 2
Análse Fatoral Análse Fatoral: A Análse Fatoral tem como prncpal objetvo descrever um conjunto de varáves orgnas através da cração de um número menor de varáves (fatores). Os fatores são varáves hpotétcas
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisDistribuição de Massa Molar
Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisEXCEL NA ANÁLISE DE REGRESSÃO
EXCEL NA ANÁLISE DE REGRESSÃO _2010_03_Exercicio _Regressão_exemplo O gerente de uma loja de artigos escolares, cada semana, deve decidir quanto gastar com propaganda e que atrativo (por exemplo preços
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisAula 03 Erros experimentais Incerteza. Aula 03 Prof. Valner Brusamarello
Aula 03 Erros epermentas Incerteza Aula 03 Prof. Valner Brusamarello Incerteza Combnada Efeto da Incerteza sobre = f ± u, ± u, L, ± u, L ( ) 1 1 Epansão em Sére de Talor: k k L f = f 1,, 3, + ± uk + L,,,
Leia maisRegressão Linear Simples. Frases. Roteiro
Regressão Lnear Smples Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 4 Rotero. Modelagem de Relação. Modelo Lnear
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia mais2 Máquinas de Vetor Suporte 2.1. Introdução
Máqunas de Vetor Suporte.. Introdução Os fundamentos das Máqunas de Vetor Suporte (SVM) foram desenvolvdos por Vapnk e colaboradores [], [3], [4]. A formulação por ele apresentada se basea no prncípo de
Leia maisMODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS
versão mpressa ISSN 0101-7438 / versão onlne ISSN 1678-5142 MODELAGEM DA FRAÇÃO DE NÃO-CONFORMES EM PROCESSOS INDUSTRIAIS Ângelo Márco Olvera Sant Anna* Carla Schwengber ten Caten Programa de Pós-graduação
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisMAE5778 - Teoria da Resposta ao Item
MAE5778 - Teora da Resposta ao Item Fernando Henrque Ferraz Perera da Rosa Robson Lunard 1 de feverero de 2005 Lsta 2 1. Na Tabela 1 estão apresentados os parâmetros de 6 tens, na escala (0,1). a b c 1
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisANÁLISE ESTATÍSTICA DE CORRELAÇÕES PVT DE PETRÓLEOS
UNIVERSIDADE FEDERAL DO ESÍRITO SANTO CENTRO TECNOLÓGICO ROGRAMA DE ÓS-GRADUAÇÃO EM ENGENHARIA MECÂNICA GARBEN BRAVIM GOMES ANÁLISE ESTATÍSTICA DE CORRELAÇÕES VT DE ETRÓLEOS VITÓRIA 8 GARBEN BRAVIM GOMES
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisEnergia de deformação na flexão
- UNIVERSIDADE FEDERAL FLUMINENSE ESCOLA DE ENGENHARIA INDUSTRIAL METALÚRGICA DE VOLTA REDONDA PROFESSORA: SALETE SOUZA DE OLIVEIRA BUFFONI DISCIPLINA: RESISTÊNCIA DOS MATERIAIS Energa de deformação na
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisFísica. Física Módulo 1 Vetores, escalares e movimento em 2-D
Físca Módulo 1 Vetores, escalares e movmento em 2-D Vetores, Escalares... O que são? Para que servem? Por que aprender? Escalar Defnção: Escalar Grandea sem dreção assocada. Eemplos: Massa de uma bola,
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisPROVA DE MATEMÁTICA DO VESTIBULAR 2013 DA UNICAMP-FASE 1. RESOLUÇÃO: PROFA. MARIA ANTÔNIA C. GOUVEIA
PROVA DE MATEMÁTICA DO VESTIBULAR 03 DA UNICAMP-FASE. PROFA. MARIA ANTÔNIA C. GOUVEIA QUESTÃO 37 A fgura abaxo exbe, em porcentagem, a prevsão da oferta de energa no Brasl em 030, segundo o Plano Naconal
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisErro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido.
A Prevsão com o Modelo de Regressão.... Inrodução ao Modelo de Regressão.... Exemplos de Modelos Lneares... 3. Dervação dos Mínmos Quadrados no Modelo de Regressão... 6 4. A Naureza Probablísca do Modelo
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisLista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.
Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia maisMAPEAMENTO DA VARIABILIDADE ESPACIAL
IT 90 Prncípos em Agrcultura de Precsão IT Departamento de Engenhara ÁREA DE MECANIZAÇÃO AGRÍCOLA MAPEAMENTO DA VARIABILIDADE ESPACIAL Carlos Alberto Alves Varella Para o mapeamento da varabldade espacal
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisModelos estatísticos para previsão de partidas de futebol
Modelos estatístcos para prevsão de partdas de futebol Dan Gamerman Insttuto de Matemátca, UFRJ dan@m.ufrj.br X Semana da Matemátca e II Semana da Estatístca da UFOP Ouro Preto, MG 03/11/2010 Algumas perguntas
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisREGULAMENTO GERAL (Modalidades 1, 2, 3 e 4)
REGULAMENTO GERAL (Modaldades 1, 2, 3 e 4) 1. PARTICIPAÇÃO 1.1 Podem concorrer ao 11º Prêmo FIEB de Desempenho Socoambental da Indústra Baana empresas do setor ndustral nas categoras MICRO E PEQUENO, MÉDIO
Leia mais01. Em porcentagem das emissões totais de gases do efeito estufa, o Brasil é o quarto maior poluidor, conforme a tabela abaixo:
PROCESSO SELETIVO 7 RESOLUÇÃO MATEMÁTICA Rosane Soares Morera Vana, Luz Cláudo Perera, Lucy Tem Takahash, Olímpo Hrosh Myagak QUESTÕES OBJETIVAS Em porcentagem das emssões totas de gases do efeto estufa,
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 maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisAnálise da Situação Ocupacional de Crianças e Adolescentes nas Regiões Sudeste e Nordeste do Brasil Utilizando Informações da PNAD 1999 *
Análse da Stuação Ocupaconal de Cranças e Adolescentes nas Regões Sudeste e Nordeste do Brasl Utlzando Informações da PNAD 1999 * Phllppe George Perera Gumarães Lete PUC Ro/Depto. De Economa IBGE/ENCE
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisE FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL
E FICIÊNCIA EM S AÚDE E C OBERTURA DE P LANOS DE S AÚDE NO B RASIL Clarssa Côrtes Pres Ernesto Cordero Marujo José Cechn Superntendente Executvo 1 Apresentação Este artgo examna se o rankng das Undades
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisO migrante de retorno na Região Norte do Brasil: Uma aplicação de Regressão Logística Multinomial
O mgrante de retorno na Regão Norte do Brasl: Uma aplcação de Regressão Logístca Multnomal 1. Introdução Olavo da Gama Santos 1 Marnalva Cardoso Macel 2 Obede Rodrgues Cardoso 3 Por mgrante de retorno,
Leia maisA mobilidade ocupacional das trabalhadoras domésticas no Brasil
A mobldade ocupaconal das trabalhadoras doméstcas no Brasl Resumo Kata Sato Escola de Economa de São Paulo Fundação Getúlo Vargas EESP-FGV André Portela Souza Escola de Economa de São Paulo Fundação Getúlo
Leia maisANEXO II METODOLOGIA E CÁLCULO DO FATOR X
ANEXO II Nota Técnca nº 256/2009-SRE/ANEEL Brasíla, 29 de julho de 2009 METODOLOGIA E ÁLULO DO FATOR X ANEXO II Nota Técnca n o 256/2009 SRE/ANEEL Em 29 de julho de 2009. Processo nº 48500.004295/2006-48
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisAnálise dos resíduos e Outlier, Alavancagem e Influência
Análse dos resíduos e Outler, Alavancagem e Influênca Dagnóstco na análse de regressão Usadas para detectar problemas com o ajuste do modelo de regressão. Presença de observações mal ajustadas (pontos
Leia maisTestando um Mito de Investimento : Eficácia da Estratégia de Investimento em Ações de Crescimento.
Testando um Mto de Investmento : Efcáca da Estratéga de Investmento em Ações de Crescmento. Autora: Perre Lucena Rabon, Odlon Saturnno Slva Neto, Valera Louse de Araújo Maranhão, Luz Fernando Correa de
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisControle de qualidade de produto cartográfico aplicado a imagem de alta resolução
Controle de qualdade de produto cartográfco aplcado a magem de alta resolução Nathála de Alcântara Rodrgues Alves¹ Mara Emanuella Frmno Barbosa¹ Sydney de Olvera Das¹ ¹ Insttuto Federal de Educação Cênca
Leia maissão os coeficientes desconhecidos e o termo ε (erro)
Regressão Lnear Neste capítulo apresentamos um conjunto de técncas estatístcas, denomnadas análse de regressão lnear, onde se procura estabelecer a relação entre uma varável resposta e um conjunto de varáves
Leia mais