Casos de estimação do modelo de ajustamento da dívida com o xtabond2 do Stata
|
|
- Luiz Henrique Esteves Corte-Real
- 7 Há anos
- Visualizações:
Transcrição
1 Lus Fernandes Rodrgues Casos de estmação do modelo de ajustamento da dívda com o xtabond do Stata Arellano-Bond (99) nspraram-se na forma de nstrumentar de Holtz-Eakn, Newe, e Rosen (988) que preconzam, no caso do modelo auto regressvo o uso de todos os lags dsponves e a substtução dos "mssng values" por zero Gera-se uma matrz de nstrumentos com grupos de nstrumentos separados para cada lag e período de tempo nstrumentado: IV-stle:, T GMM-stle: 3 Arellano-Bond (99) transformam prmero ao modelo em dferenças e por sso denomnados o estmador "dfference GMM" GMM & GMM-stle nstruments (Holtz-Eakn, Newe, and Rosen 988) Lus Fernandes Rodrgues
2 GMM e erros heterocedástcos Suponha que estmar uma equação usando IV Calcule os resíduos û Use estes resíduos para calcular a matrz de ponderação ótma: ˆ ˆ W S ( ( Z ˆZ)) n (9) 3 Calcule o estmador GMM efcente ˆEGMM e sua matrz de varânca-covarânca usando a matrz de ponderação ótma estmada Lus Fernandes Rodrgues 3 Quas são as mplcações da heterocedastcdade para o estmador IV? Na presença de heterocedastcdade, o estmador IV é nefcente mas consstente, enquanto que a matrz padrão estmada de covarânca é nconsstente A vantagem do GMM sobre IV é clara: se a heterocedastcdade está presente, o estmador GMM é mas efcente que o estmador smples IV, enquanto que se não exste heterocedastcdade o estmador GMM não é por assntotcamente que o estmador IV No entanto, o uso do GMM tem um preço A matrz de ponderação ótma Ŝ é uma função dos quartos momentos e a obtenção de uma estmatva razoável para estes requer amostras muto grandes Assm o erro é homocedástco, IV é preferível ao GMM efcente Lus Fernandes Rodrgues 4
3 Consequêncas de nstrumentos fracos Se E t garante estaconaredade, então Et, t não é correlaconado com os efetos fxos, e consderando t t temos que acetar que as varáves em níves (n levels) também fornecerão bons ntrumentos (se não houver AR) Nesse devemos construr um sstema de equações em dferenças e equações em níves Concretamente, sera equvalente a construr um novo panel de dados com as varáves em dferenças prmero segudas dos seus nves e tratando este conjunto como se um únco problema de estmação se tratasse Instrumentando as dfferenças com os levels e vce versa Esta descrção pretende transmtr uma magem ntutva do Sstem GMM (Blundell and Bond 998) Lus Fernandes Rodrgues 5 Consequêncas de nstrumentos fracos Em dfference aend sstem GMM, com # nstrumentos (j) quadratcos em T, utlzar demasados nstrumentos sobreajustam (overft) as varáves endógenas ' O # de momentos cruzados em VarZ E X, Z que tem que ser estmado para obeter o GMM efcente, é quadratco em j quartco n T! ' Assm as estmatvas de VarZ E X, Z degradam-se E o teste de Hansen produz p values fracos e resultados de são comuns Há contudo pouca orentação sobre quantos é que são demasados "how man s too man" xtabond avsa quando j > N Lus Fernandes Rodrgues 6
4 Outras precauções com o GMM Notar que os nstrumentos podem ser fracos: satsfatoramente exógenos mas fracamente correlaconados com os regressores endógenos Neste caso, a cura pode ser por do que a doença Por outro lado, temos que o estmador está baseado nas condções de estaconaredade Assm a sua utlzação é posta em causa se este pressuposto não é respetado Á medda que o número de nstrumentos é aumentado, rudo adconal está a ser adconado ao modelo motvando a rejeção do teste de Hansen Lus Fernandes Rodrgues 7 Teste Arellano-Bond AR() É de esperar que exsta AR() em t t Para testar autocorrelação AR() em t e teste de AR() em Pe, compara-se e t e, t and e, t e, t3 para detectar se e, t ~ e, t nesse caso Yt não é uma nstrumento váldo e t e, t Teste estatstco para AR(l) em dferençass: l Segue uma normal sob a hp nula de não AR(l) Arellano e Bond calculam o denomnado z test for AR(), t et Solução: Usar como nstrumentos varáves desfasadas mas longínquas Se encontrarmos AR(l) wm t, devemos usar l + lags e maores lags temporas como nstrumentos Lus Fernandes Rodrgues 8
5 Testes de restrções de sobre-dentfcação Contudo é possível testar a valdade de nstrumentos em um modelo sobre dentfcado desde que os parâmetros do modelo sejam estmados usando o GMM óptmo O mesmo teste tem dversos nomes, nclundo teste de restrções de sobre dentfcação, teste de sobre-dentfcação, Teste de Hansen Lus Fernandes Rodrgues 9 Teste de restrções de sobre-dentfcação: Teste Hansen-Sargan Teste de restrções de sobre-dentfcação A hpótese nula conjunta é que os nstrumentos são nstrumentos váldos, sto é, não correlaconados com o termo de erro e que os nstrumentos excluídos são corretamente excluídos da equação estmada Sob a nula, a estatístca de teste é dstrbuída como qu-quadrado no número de restrções de sobre-dentfcação Uma rejeção coloca em dúvda a valdade dos nstrumentos Lus Fernandes Rodrgues
6 Teste de restrções de sobre-dentfcação: Teste Hansen-Sargan Para o estmador efcente GMM, a estatístca de teste é a estatístca J de Hansen, que é o valor mnmzado da função objetvo GMM Para os estmador SLS, a estatístca de teste é a estatístca de Sargan, calculada como N*R de uma regressão dos resíduos de IV sobre o conjunto completo de nstrumentos Lus Fernandes Rodrgues Teste de restrções de sobredentfcação:estatístca dferença-em-sargan A estatístca dferença-em-sargan permte o teste de um subconjunto de condções de ortogonaldade, ou seja, é o teste de exogenedade de um ou mas nstrumentos É defnda como a dferença da estatístca Hansen-Sargan da equação com o conjunto menor de nstrumentos e a equação com o conjunto completo de nstrumentos (nclundo os nstrumentos suspetos) Sob a nula de que todos os nstrumentos são váldos a estatístca tem dstrbução qu-quadrado no número de nstrumentos testados A falha em rejetar a nula sgnfca que o conjunto total de condções de ortogonaldade é váldo Lus Fernandes Rodrgues
7 Lmtar o numero de lags de varáves usadas como nstrumentos Ou colapsar os nstrumentos, opção collapse: 3, 3 ˆ, t t e para cada t 3,, t t t e Solução possbltado pelo xtabond para lmtar o número de nstrumentos 3 Lus Fernandes Rodrgues Erro de especfcação A consstênca do estmador da regressão lnear supõe gualemente que a função de regressão da amostra corresponda a função de regressão subjacente ou o verdadero modelo de regressão para a varável de resposta (dependente) : x u 4 Lus Fernandes Rodrgues
8 Erro de especfcação (cont) A teora econômca frequentemente fornece um gua na especfcação do modelo, mas pode ser que ela não ndque explctamente como uma varável específca entre no modelo ou dentfque a forma funconal O modelo deve ser estmado em níves para as varáves; ou em uma estrutura logartmca; como um polnomo em um ou mas dos regressores? Em geral a teora não fornece ndcações face a estes pontos especfcos e temos que utlzar estratégas emprcas Lus Fernandes Rodrgues 5 Omssão de varáves relevantes do modelo (subespecfcação) Suponha que o verdadero modelo (população) é: x x u com k e k regressores em dos subconjuntos, mas regredmos somente sobre as varáves x : x u Lus Fernandes Rodrgues 6
9 Omssão de varáves (cont) P é uma matrz k x k refletndo a regressão de cada coluna de X nas colunas de X X Se k =k e a varável únca em é X correlaconada com a varável únca em, podemos prever a dreção do envesamento Mas se tvermos múltplas varáves em cada conjunto não podemos prever a natureza do vés dos coefcentes Lus Fernandes Rodrgues 7 Omssão de varáves (cont) Wooldrdge (6) apresenta para modelos de varáves: Corr (x,x > ) Corr (x,x )< > Envesamento postvo Envesamento negatvo < Envesamento negatvo Envesamento postvo Se a correlação entre X e X é nula na população, as estmatvas de regressão são consstentes mas provavelmente serão vesadas em amostras fntas Lus Fernandes Rodrgues 8
O 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,
Probabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Varáves Varável: característcas ou tens de nteresse de cada elemento de uma população ou amostra Também chamada parâmetro, posconamento, condção...
É 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
Gabarito 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
Capítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Prof. Lorí Viali, Dr.
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. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Análise 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
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação
Prof. 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
Curso 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,
Prof. Lorí Viali, Dr.
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. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca
A esse tipo de tabela, cujos elementos não foram numericamente organizados, denominamos tabela primitiva.
Dstrbução de Frequênca Tabela prmtva ROL Suponhamos termos feto uma coleta de dados relatvos à estaturas de quarenta alunos, que compõem uma amostra dos alunos de um colégo A, resultando a segunte tabela
3 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.
Variáveis Indicadoras. Roteiro. Introdução
Varáves Indcadoras Rotero 1. Introdução 2. Varável Bnára de Intercepto 3. Varável de Interação 4. Aplcação 5. Varáves Qualtatvas com Váras Categoras 6. Referêncas Introdução Varáves Bnáras Modelo estenddo
Prof. 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
b. As medidas de posição mais importantes são as medidas de tendência central. Dentre elas, destacamos: média aritmética, mediana, moda.
Meddas de Posção Introdução a. Dentre os elementos típcos, destacamos aqu as meddas de posção _ estatístcas que representam uma sére de dados orentando-nos quanto à posção da dstrbução em relação ao exo
Econometria II. Painel (1ª Diferenças, Efeitos Fixos e escolha entre estimadores de painel)
Eco montora Leandro Anazawa Econometra II Este não é um resumo extensvo. O ntuto deste resumo é de servr como gua para os seus estudos. Procure desenvolver as contas e passos apresentados em sala de aula.
Determinantes. De nição de determinante de uma matriz quadrada. Determinantes - ALGA - 2004/05 15
Determnantes - ALGA - 004/05 15 Permutações Determnantes Seja n N Uma permutação p = (p 1 ; p ; : : : ; p n ) do conjunto f1; ; ; ng é um arranjo dos n números em alguma ordem, sem repetções ou omssões
Associação 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
Modelo 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
Capítulo 2 O conceito de Função de Regressão Populacional (FRP) e Função de Regressão Amostral (FRA)
I Metodologa da Ecoometra O MODELO CLÁSSICO DE REGRESSÃO LINEAR. Formulação da teora ou da hpótese.. Especfcação do modelo matemátco da teora. 3. Especfcação do modelo ecoométrco da teora. 4. Obteção de
Modelo 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
Uma estimativa bayesiana aplicada aos casos notificados de hantavirose no estado do Pará via regressão logística
Uma estmatva bayesana aplcada aos casos notfcados de hantavrose no estado do Pará va regressão logístca Pâmela Tamrs Caldas Serra de Souza 1 Wagner Rogéro Ferrera Pnhero 1 Crstane Nazaré Pamplona de Souza
UNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA
UNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA JEFFERSON PINTO BARBOSA JUNIOR ECONOMETRIA: MULTICOLINEARIDADE E HETEROCEDASTICIDADE
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Modelos Dinâmicos com Dados em Painel: revisão de literatura
Modelos Dnâmcos com Dados em Panel: revsão de lteratura Outubro, Luís Davd Marques lbmarq@fep.up.pt CEMPRE *, FACULDADE DE ECOOMIA DO PORO RUA DR. ROBERO FRIAS, 4 PORO, PORUGAL ABSRAC Snce Hsao [986] s
Algarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
MOQ-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
Comprimento de Arco. Comprimento de Arco
UNIVERSIDADE DO ESTADO DE MATO GROSSO CAMPUS UNIVERSITÁRIO DE SINOP FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CURSO DE ENGENHARIA CIVIL DISCIPLINA: CÁLCULO DIFERENCIAL E INTEGRAL I Comprmento de Arco
PRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
O 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
Equações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
QUESTÕES DISCURSIVAS Módulo 01 (com resoluções)
QUESTÕES DISCURSIVAS Módulo 0 (com resoluções D (Fuvest-SP/00 Nos tens abaxo, denota um número complexo e a undade magnára ( Suponha a Para que valores de tem-se? b Determne o conjunto de todos os valores
Estatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Coordenação de Semáforos
Paragem dos Veículos Veículos "Lbertados" Paragem dos Veículos Veículos "Lbertados" "Agrupamento " Pelotões "Agrupamento " Pelotões C O O R D E N A Ç Ã O Onda Verde... IST/ Lcencaturas em Engª Cvl & Terrtóro
Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Nesse prátca, estudaremos a potênca dsspada numa resstênca de carga, em função da resstênca nterna da fonte que a almenta. Veremos o Teorema da Máxma Transferênca de Potênca, que dz que a potênca transferda
Os 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,
Probabilidade: Diagramas de Árvore
Probabldade: Dagramas de Árvore Ana Mara Lma de Faras Departamento de Estatístca (GET/UFF) Introdução Nesse texto apresentaremos, de forma resumda, concetos e propredades báscas sobre probabldade condconal
Sistemas de equações lineares
Sstemas - ALGA - / Sstemas de equações lneares Uma equação lnear nas ncógntas ou varáves x ; x ; :::; x n é uma expressão da forma: a x + a x + ::: + a n x n = b onde a ; a ; :::; a n ; b são constantes
ESTATÍSTICA. na Contabilidade Revisão - Parte 2. Medidas Estatísticas
01/09/01 ESTATÍSTICA na Contabldade Revsão - Parte Luz A. Bertolo Meddas Estatístcas A dstrbução de frequêncas permte-nos descrever, de modo geral, os grupos de valores (classes) assumdos por uma varável.
O 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
Lei dos transformadores e seu princípio de funcionamento. Os transformadores operam segundo a lei de Faraday ou primeira lei do eletromagnetismo.
Le dos transformadores e seu prncípo de funconamento Os transformadores operam segundo a le de Faraday ou prmera le do eletromagnetsmo. Prmera le do eletromagnetsmo Uma corrente elétrca é nduzda em um
REGRESSÃO 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
Proposta de resolução da Prova de Matemática A (código 635) 21 de Junho de 2010
Proposta de resolução da Prova de Matemátca A (códgo 6 Como A e B são acontecmentos ncompatíves, 0 e Ou seja, de acordo com os dados do enuncado, 0% 0% 0% Versão : B Versão : C Como se trata de uma únca
F = O modelo de Regressão Múltipla Geral é dado por: Y i = β 1 + β 2 X 1i + β 3 X 2i + +β k X ki + U i Para testar a hipótese nula de que: H
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Nem sempre se quer testar os coefcentes ndvduas da regressão. Pode ser necessáro e é convenente testar o modelo como um todo, sto é testar
Álgebra Linear AL. Luiza Amalia Pinto Cantão. Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.
Álgebra Linear AL Luiza Amalia Pinto Cantão Depto. de Engenharia Ambiental Universidade Estadual Paulista UNESP luiza@sorocaba.unesp.br Sistemas Lienares 1 Sistemas e Matrizes 2 Operações Elementares e
Diagnóstico em Regressão. Rejane Sobrino Pinheiro Tania Guillén de Torres
Dagnóstco em Regressão Rejane Sobrno Pnhero Tana Gullén de Torres Dagnóstcos em Regressão Introdução Conjunto de ferramentas para análse dos resíduos, detecção de valores extremos (outlers), de pontos
Medidas de tendência central. Média Aritmética. 4ª aula 2012
Estatístca 4ª aula 2012 Meddas de tendênca central Ajudam a conhecer a analsar melhor as característcas de dados colhdos. Chamamos de meddas de tendênca central em decorrênca dos dados observados apresentarem
REGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
TESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
MODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Gráficos 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
Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Contabilometria. 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
A. Equações não lineares
A. Equações não lineares 1. Localização de raízes. a) Verifique se as equações seguintes têm pelo menos uma solução nos intervalos dados: i) (x - 2) 2 ln(x) = 0, em [1, 2] e [e, 4]. ii) 2 x cos(x) (x 2)
MODELOS DE ESCOLHA BINÁRIA
MODELOS DE ESCOLHA BINÁRIA Introdução Em mutas aplcações do modelo de regressão lnear, pressupõe-se que a varável dependente é uma varável aleatóra contínua e que tem por domíno o conjunto dos números
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
LEIS DE KIRCHHOFF EM CIRCUITOS DE CORRENTE CONTÍNUA
EXPERIÊNCI 04 LEIS DE KIRCHHOFF EM CIRCUITOS DE CORRENTE CONTÍNU 1. OBJETIVOS a) Determnar a força eletromotrz e a resstênca nterna de uma batera em um crcuto de malha únca. b) Calcular a resstênca nterna
Objetivos 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
Regressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Regressão 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
1. 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
Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Análise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Programação de Computadores II TCC 00.174/Turma A 1
Programação de Computadores II TCC 00.174/Turma A 1 Professor Leandro A. F. Fernandes http://www.c.uff.br/~laffernandes Conteúdo: Introdução ao Java (exercícos) Materal elaborado pelos profs. Anselmo Montenegro
Uma construção de códigos BCH
Uma construção de códgos BCH Antono Aparecdo de Andrade, Tarq Shah e Attq Qamar Resumo Um códgo BCH C (respectvamente, um códgo BCH C ) de comprmento n sobre o anel local Z p k (respectvamente, sobre o
Análise de Variância. Introdução. Rejane Sobrino Pinheiro Tania Guillén de Torres
Análse de Varânca Rejane Sobrno Pnhero Tana Gullén de Torres Análse de Varânca Introdução Modelos de análse de varânca consttuem uma classe de modelos que relaconam uma varável resposta contínua com varáves
Regressão 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,
Matemática Básica Intervalos
Matemática Básica Intervalos 03 1. Intervalos Intervalos são conjuntos infinitos de números reais. Geometricamente correspondem a segmentos de reta sobre um eixo coordenado. Por exemplo, dados dois números
EFICIÊNCIA NA PRODUÇÃO E NA VENDA DE MANGAS NO PÓLO PETROLINA-JUAZEIRO: O QUE OS ÍNDICES DE EFICIÊNCIA REPRESENTAM?
EFICIÊNCIA NA PRODUÇÃO E NA VENDA DE MANGAS NO PÓLO PETROLINA-JUAZEIRO: O QUE OS ÍNDICES DE EFICIÊNCIA REPRESENTAM? João Rcardo Ferrera de Lma (EMBRAPA - PPGECON/UFPE) Yony de Sá Barreto Sampao (PIMES/UFPE)
Introdução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
XXVII Olimpíada Brasileira de Matemática GABARITO Primeira Fase
Soluções Nível Unverstáro XXVII Olmpíada Braslera de Matemátca GABARITO Prmera Fase SOLUÇÃO DO PROBLEMA : Pelo enuncado, temos f(x) = (x )(x + )(x c) = x 3 cx x + c, f'(x) = 3x cx, f '( ) = ( + c) e f
ESCOLA SUPERIOR DE TECNOLOGIA DE VISEU
INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA DE VISEU Departamento Matemática Disciplina Matemática I Curso Gestão de Empresas Ano 1 o Ano Lectivo 2007/2008 Semestre 1 o Apontamentos Teóricos:
CAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
EA513 Circuitos Elétricos DECOM FEEC UNICAMP Aula 5
Esta aula: Teorema de Thévenn, Teorema de Norton. Suponha que desejamos determnar a tensão (ou a corrente) em um únco bpolo de um crcuto, consttuído por qualquer número de fontes e de outros resstores.
Método dos Mínimos Quadrados com ênfase em variâncias e com recursos matriciais (13/2/2014)
Método dos Mínmos Quadrados com ênfase em varâncas e com recursos matrcas (3//4) Otavano Helene Curso de etensão unverstára, IFUSP, feverero/4 Baseado no lvro Método dos Mínmos Quadrados com Formalsmo
3 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
Cálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Teste de Hipótese e Intervalo de Confiança. Parte 2
Teste de Hipótese e Intervalo de Confiança Parte 2 Questões para discutirmos em sala: O que é uma hipótese estatística? O que é um teste de hipótese? Quem são as hipóteses nula e alternativa? Quando devemos
Análise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Em muitas aplicações, estamos interessados em subgrafos especiais de um determinado grafo.
.4 Árvores Geradoras Em mutas aplcações estamos nteressados em subgrafos especas de um determnado grafo. Defnção Árvore Geradora - uma árvore T é chamada de árvore geradora de um grafo G se T é um subgrafo
Regressão 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
Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Cap. 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
Análise 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
RESOLUÇÃO 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
MÉTODO DE FIBONACCI. L, em que L
Métodos de bonacc e da Seção Aúrea Adotando a notação: MÉTODO DE IBOACCI L e L L, em que L b a, resulta a: ncal orma Recursva: ara,,, - (-a) ou ara,,, - (-b) A esta equação se assoca a condção de contorno
Conceitos básicos de transferência de Calor:
Condução - Le de ourer Concetos báscos de transferênca de Calor: órmula geral para 3 dmensões: ρc = λ t x + λ x y + λ y z p x y z z com ρ - densdade (Kg/m³). λ - condutvdade térmca na drecção (x, y ou
Critérios de divisibilidade em bases numéricas genéricas
Crtéros de dvsbldade em bases numércas genércas Clezo A. Braga 1 Jhon Marcelo Zn 1 Colegado do Curso de Matemátca - Centro de Cêncas Exatas e Tecnológcas da Unversdade Estadual do Oeste do Paraná Caxa
Equação e Inequação do 2 Grau Teoria
Equação e Inequação do Grau Teoria Candidato segue um resumo sobre resolução e discussão de equações e inequações do grau. Bons Estudos! Equação do Grau Onde Uma Equação do Grau é sentença aberta do tipo
DELINEAMENTOS 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)......................
Testes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
ANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Incerteza na Medição da Largura de Cordões de Solda
(Weld Bead Wdth Measurement Uncertanty) Rosenda Valdés Arencba, José Rbamar dos Santos Rbero Unversdade Federal de Uberlânda, FEMEC, Av. João Naves de Ávla, 22 Bloco M, Uberlânda - MG, CEP 3800-902, arvaldes@mecanca.ufu.br,
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Reconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Análise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy)
Análise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy) 1 Como descrever informações qualitativas? Fatores qualitativos podem ser incorporados a modelos de regressão. Neste
Covariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
ESTIMATIVA DO VIÉS DE SUBSTITUIÇÃO NA INFLAÇÃO AO CONSUMIDOR E SEU IMPACTO NA PREVIDÊNCIA. Andres Rojas. Vera Lucia Fava
ESTIMATIVA DO VIÉS DE SUBSTITUIÇÃO NA INFLAÇÃO AO CONSUMIDOR E SEU IMPACTO NA PREVIDÊNCIA Andres Roas Unversdade de São Paulo e Tendêncas Consultora Integrada Vera Luca Fava Unversdade de São Paulo Resumo