O MODELO CLÁSSICO DE REGRESSÃO LINEAR (MCRL), O TEOREMA DE GAUSS- MARKOV E A VIOLAÇÃO DOS PRESSUPOSTOS.
|
|
- Luiz Felipe Beretta Gama
- 7 Há anos
- Visualizações:
Transcrição
1 ECONOMETRIA II INTRODUÇÃO ESTADO DE MATO GROSSO O MODELO CLÁSSICO DE REGRESSÃO LINEAR (MCRL), O TEOREMA DE GAUSS- MARKOV E A VIOLAÇÃO DOS PRESSUPOSTOS. Lindomar Pegorini Daniel 1 1. O Modelo Clássico de Regressão Linear (MCRL) O termo regressão foi criado por Francis Galton. Em um artigo famoso de 1886, Galton verificou que os filhos de pais mais altos e os filhos de pais mais baixos tendiam a apresentar uma altura que se assemelhava a altura média da população. Em outras palavras, a estatura dos filhos de pais com certa altura tendia a regredir para a altura média da população como um todo. A análise de regressão tornou-se a base da econometria e, atualmente, refere-se ao estudo da dependência de uma variável (dependente), em relação a outras variáveis (explicativas). A análise de regressão é uma ferramenta interessante, pois consegue aproximar a Função de Esperança Condicional (Conditional Expectation Function CEF) ou Função de Regressão Populacional (RFP) ou ainda Função de Média Condicional. A partir disso, ela é utilizada para estimar e/ou prever o valor médio da variável dependente em termos dos valores conhecidos ou fixados (em amostras repetidas) das variáveis explicativas. CEF: 1 Professor Assistente da Universidade do Estado de Mato Grosso (UNEMAT) Campus de Sinop.
2 Segundo Angrist e Pischke (2008), a CEF será causal quando descrever as diferenças na média condicional da variável de interesse para uma população de referência fixa. Isso leva a hipótese de independência condicional (Conditional Independence Assumption - CIA) que muitas vezes fornece base para interpretações causais. Essa hipótese garante que a regressão pode representar relações causais, caso essa relação seja independente de outros resultados potenciais. Em outras palavras, pode-se estabelecer um contra factual desde que se possa controlar outros fatores, assim os grupos sendo comparados são realmente comparáveis. Pela teoria ou conhecimento a priori : Y i = f(x 1, X 2,, X m ) Por vários motivos, dentre eles a ausência de variáveis que representam certos fatores e o tratamento de relações inexatas pela economia, adicionamos um termo de erro aleatório: Y i = f(x 1, X 2,, X k, ε), (k < m) onde ε é o termo de erro aleatório. (padrão): Além disso, temos de definir uma forma funcional para a relação, geralmente o modelo linear Y i = β 1 X 1i + β 2 X 2i + + β k X ki + ε i onde i = 1,2,, n. As incógnitas β s representam o efeito médio da variável X i sobre Y. Y X 2 = β 2 efeito marginal de X 2 sobre Y, ceteris paribus. Em termos matriciais pode-se representar o modelo de regressão linear como: Y = Xβ + ε
3 O principal problema a ser abordado pela econometria é a estimação dos parâmetros e, para isso, queremos encontrar um estimador adequado que apresente propriedades 2 desejáveis (não tendenciosidade, consistência e eficiência) dado o problema em questão. Estimador de Mínimos Quadrados Ordinários: A teoria ou a estrutura básica da análise de regressão é o Modelo Clássico de Regressão Linear (MCRL), que trata das hipóteses ou pressupostos subjacentes ao estimador de Mínimos Quadrados Ordinários (MQO). Sob a validade desses pressupostos é possível mostrar que o estimador de MQO é BLUE (Best Linear Unbiased Estimator). Além disso, as estruturas dos dados ditam ou impõem novos desafios à estimação econométrica. A base da econometria é a análise de regressão a partir da estrutura de dados seccionais, em outras palavras, toda a teoria econométrica é construída a partir dessa estrutura de dados. Nesse sentido, a utilização de dados com estrutura temporal, longitudinal ou espacial incluem novas hipóteses à estimação do modelo. Por esse motivo, tais estruturas de dados devem ser expostas e trabalhadas de forma separada. 2 Propriedades referentes à distribuição do estimador.
4 PRESSUPOSTOS OU HIPÓTESES SUBJACENTES AO MCRL 1) A relação entre Ye os X s é linear. Y = Xβ + ε Linear significando linearidade nos parâmetros. Relações não lineares (intrinsecamente lineares) que podem ser linearizadas podem ser estimadas pelos MQO, contudo a violação desse pressuposto, ou seja, modelos não lineares nos parâmetros (intrinsecamente não lineares) devem ser estimados por métodos não lineares. 2) Não há relação linear perfeita entre as variáveis explicativas. posto(x) = k Indica ausência de multicolinearidade perfeita entre as variáveis explicativas, esse pressuposto garante que a matriz (X X) é não singular e, portanto, assegura a existência da matriz (X X) 1. Caso posto(x) < k a matriz (X X) 1 é singular, o que impossibilita a estimação dos parâmetros. Outras hipóteses relacionadas a esse pressuposto são a de que o número de observações deve ser no mínimo maior que o número de parâmetros estimados (n > k) e a de que as variáveis explicativas possuam variabilidade suficiente. A violação desse pressuposto impossibilita a estimação dos parâmetros e torna os erros padrão infinitos. A presença de multicolinearidade forte não viola o pressuposto, nesse caso os estimadores de MQO preservam suas propriedades de BLUE, contudo os erros padrão tornam-se grandes e os testes de significância individual (t) tendem a aceitar a hipótese nula. 3) A matriz X é não estocástica, ou seja, os X s são fixos em amostras repetidas. Esse pressuposto indica que para cada valor fixo de X existe uma distribuição de probabilidade associada. Estamos interessados no valor médio condicional de Y para cada valor fixo de X. Caso X seja estocástico pressupõe-se que o mesmo não está correlacionado com o termo de erro X ε = 0.
5 4) A variável ε tem média zero. ESTADO DE MATO GROSSO E(ε i X i ) = 0 Implica que: E(Y) = E(Xβ) + E(ε) Como X é fixo e β é constante E(Xβ) = Xβ. Dado que E(ε) = 0, tem-se que: E(Y) = Xβ Em outras palavras, as variáveis incluídas no termo de erro não influenciam sistematicamente o valor médio de Y, ou seja, em média a influência do termo de erro para explicar Y é nula. Outras hipóteses relacionadas a esse pressuposto são as de que o modelo está bem especificado, ou seja, não existem erros de medida nas variáveis dependente e explicativas, não há variáveis relevantes omitidas ou relações endógenas entre regressor e regressores (X ε = 0) e (Y ε = 0). A violação desse pressuposto torna os estimadores de MQO tendenciosos e inconsistentes, porém mantém a eficiência dos estimadores. 5) Os erros ε i são variáveis aleatórias com variância constante (homocedasticidade). Var(ε i ) = σ 2 Var(ε i ) = E[ε i E(ε i )] 2 Dado E(ε) = 0: Var(ε i ) = E(ε 2 ) = σ 2 que é constante
6 O pressuposto de homocedasticidade garante que a dispersão dos diferentes níveis fixos de X em torno da média é constante, ou seja, é a mesma. Esse pressuposto assegura que a média condicional de Y possui a mesma precisão para os diferentes níveis da variável X. A violação desse pressuposto mantém as propriedades de não tendencioso e consistente dos estimadores de MQO, contudo eles não são mais eficientes e os testes estatísticos deixam de ser válidos. 6) Ausência de autocorrelação no erro. Cov(ε i ε j ) = 0 para i j O pressuposto de ausência de autocorrelação ou correlação serial no termo de erro assegura que não existe uma relação sistemática entre o termo de erro e a variável dependente, em outras palavras, o valor médio de Y não é afetado pelo termo de erro de forma sistemática, ou seja, um choque aleatório em um período que causa um aumento na média de Y não afetará o valor do mesmo nos próximos períodos. A violação desse pressuposto mantém as propriedades de não tendencioso e consistente dos estimadores de MQO, contudo eles não são mais eficientes e os testes estatísticos deixam de ser válidos. Observações: pressupostos 5 e 6 em forma matricial. Considere o produto εε ε 1 εε = ε. 2. [ε 1 ε 2... ε n] 1xn. [ ε n ] nx1 2 ε 1 ε 1 ε n εε = [ ] ε n ε 1 2 ε n nxn
7 E(ε 2 1 ) E(ε 1 ε n ) E(εε ) = [ ] E(ε n ε 1 ) E(ε 2 n ) Var(ε 1 ) Cov(ε 1 ε n ) E(εε ) = [ ] Cov(ε n ε 1 ) Var(ε n ) Dadas as pressuposições 5 (Var(ε i ) = σ 2 ) e 6 (Cov(ε i ε j ) = 0 para i j), tem-se: σ 2 0 E(εε ) = [ ] 0 σ 2 Com σ 2 em evidência: ω 1 0 E(εε ) = σ 2 [ ] = σ 2 Ω = Σ 0 ω n Para os pressupostos 5 e 6, Ω = I: E(εε ) Var Cov(ε) = σ 2 I 7) Os erros têm distribuição normal. Esse pressuposto é necessário apenas para os testes de hipóteses, ou seja, ele não influencia as propriedades dos estimadores de MQO. A adição desse pressuposto ao MCRL gera o MCRL normal (MCRLN). MQO. Esses pressupostos são, portanto, a base da análise de regressão utilizando os estimadores de
8 2. O Teorema de Gauss-Markov ESTADO DE MATO GROSSO Dadas as premissas do MCRL, os estimadores de MQO da classe dos estimadores lineares não viesados têm variância mínima, isto é, são o melhor estimador linear não viesado BLUE. Em outras palavras, sob a validade dos 6 primeiros pressupostos é possível demonstrar que o estimador de MQO é BLUE. i) o estimador de MQO é não tendencioso: Dada a premissa 2 (ausência de multicolinearidade perfeita) β = (X X) 1 X Y Dado Y = Xβ + ε (premissa 1 linearidade), substituindo: β = (X X) 1 X (Xβ + ε) β = (X X) 1 X Xβ + (X X) 1 X ε Dado (X X) 1 X X = I: β = β + (X X) 1 X ε Aplicando o operador de valor esperado: E[β ] = E[β] + E[(X X) 1 X ε] Dado que X é fixo em amostras repetidas por pressuposição (premissa 3): E[β ] = β + (X X) 1 X E[ε] Dado E[ε] = 0 por pressuposição (premissa 4): E[β ] = β Comportamentos de estimadores: não tendencioso (θ 1) e tendencioso (θ 2):
9 ii) o estimador de MQO é consistente: β = β + (X X) 1 X ε Aplicando o operador de limite de probabilidade: ESTADO DE MATO GROSSO plim n [β ] = plim n [β] + plim n [(X X) 1 X ε] Multiplicando e dividindo o segundo termo por (n) e resolvendo: plim n [β ] = β + plim n [( X X n ) 1 ] plimn [ X ε n ] O último termo tendo a zero: plim n [β ] = β Comportamento de um estimador consistente: iii) o estimador de MQO é eficiente: Considere o estimador linear de β de MQO: β = (X X) 1 X Y Dado Y = Xβ + ε (premissa 1 linearidade), substituindo: β = (X X) 1 X (Xβ + ε) β = (X X) 1 X Xβ + (X X) 1 X ε Dado (X X) 1 X X = I: β = β + (X X) 1 X ε Logo: β β = (X X) 1 X ε Dado que:
10 Var Cov(β ) = E[(β β)(β β) ] Var Cov(β ) = E[((X X) 1 X ε)((x X) 1 X ε) ] Var Cov(β ) = E[(X X) 1 X εε X(X X) 1 ] Var Cov(β ) = E[(X X) 1 X εε X(X X) 1 ] Var Cov(β ) = (X X) 1 X E(εε )X(X X) 1 Var Cov(β ) = (X X) 1 X (σ 2 Ω)X(X X) 1 Var Cov(β ) = σ 2 (X X) 1 X ΩX(X X) 1 Sob a validade dos pressupostos 5 e 6, Ω = I, então: Var Cov(β ) = σ 2 (X X) 1 Considere agora outro estimador linear de β que não o de MQO: β = [(X X) 1 X + C]Y Dado Y = Xβ + ε β = [(X X) 1 X + C][Xβ + ε] β = (X X) 1 X Xβ + (X X) 1 X ε + CXβ + Cε Dado (X X) 1 X X = I e o fato de que CX = 0 para que esse estimador seja não tendencioso: β = β + (X X) 1 X ε + Cε β β = (X X) 1 X ε + Cε Por definição, a matriz de variâncias e covariâncias de (β ) é: Var Cov(β ) = E[(β β)(β β) ] Então: Var Cov(β ) = E[((X X) 1 X ε + Cε )((X X) 1 X ε + Cε ) ] Resolvendo: Var Cov(β ) = E[(X X) 1 X εε X(X X) 1 + Cεε X(X X) 1 + (X X) 1 X εε C + Cεε C ] Var Cov(β ) = (X X) 1 X E[εε ]X(X X) 1 + CE[εε ]X(X X) 1 + (X X) 1 X E[εε ]C + + CE[εε ]C Dado E[εε ] = σ 2 (premissas 5 e 6) e CX = 0: Var Cov(β ) = σ 2 (X X) 1 + σ 2 CC Var Cov(β ) = Var Cov(β ) + σ 2 CC A não ser que C seja nulo, a variância de β será maior que a de β.
11 Comportamentos de estimadores: (BLUE) eficiente (θ 1), não tendencioso e consistente (θ 2) e viesado (θ 3). Portanto, se o Teorema de Gauss-Markov é válido, o estimador de MQO é o melhor dentre o grupo de estimadores lineares e não tendenciosos. 3. Relaxamento das premissas ou violação dos pressupostos. Para garantir a validade do Teorema de Gauss-Markov é preciso que ao estimar a regressão por MQO as premissas do MCRL sejam respeitadas, nem sempre esse é o caso. Muitas vezes trabalhamos com modelos ou amostras que violam algum dos pressupostos do MCRL, nesse caso o estimador de MQO pode não ser mais BLUE, em outras palavras, devemos encontrar outro estimador que seja robusto ao relaxamento das premissas. As fontes mais comuns de violação dos pressupostos são a multicolinearidade, heterocedasticidade, autocorrelação e os erros na especificação do modelo. i) A relação entre Ye os X s é linear. A violação desse pressuposto, ou seja, modelos não lineares nos parâmetros (intrinsecamente não lineares) impossibilitam a utilização do MQO, esses modelos devem ser estimados por métodos não lineares.
12 ii) Não há relação linear perfeita entre as variáveis explicativas. A violação desse pressuposto impossibilita a estimação dos parâmetros e torna os erros padrão infinitos. A presença de multicolinearidade forte não viola o pressuposto, nesse caso os estimadores de MQO preservam suas propriedades de BLUE, contudo os erros padrão tornam-se grandes e os testes de significância individual (t) tendem a aceitar a hipótese nula. Para ver isso, observe que quando se pretende explicar determinada variável por meio de uma regressão múltipla é possível mostrar que a variância do j-ésimo regressor pode ser expressa como: Var(β j) = σ2 x j 2 ( 1 1 R j 2) onde R j 2 denota o coeficiente de determinação da regressão auxiliar do regressor j em função dos demais regressores. Nesse caso, R j 2 representa o grau de colinearidade da variável explicativa j para com as demais. O segundo termo do lado direito da equação é conhecido como fator de inflação da variância ou FIV, ele determina quanto a variância do parâmetro estimado aumenta em função do grau de relação linear entre as variáveis explicativas. Quando existe correlação linear perfeita entre as covariáveis, ou seja, R j 2 = 1, o FIV torna-se infinito e o pressuposto de ausência de relação linear perfeita entre as variáveis explicativas é violado, o que impossibilita a estimação dos parâmetros por MQO. Com R j 2 < 1 os estimadores de MQO mantém a propriedade BLUE, contudo se a multicolinearidade for alta isso pode incorrer em problemas para a análise de regressão, pois, não se consegue retirar o efeito líquido da variação de uma variável explicativa (Xi) sobre a média da variável dependente (Y). Apesar de que, mesmo na presença de multicolinearidade, os estimadores de MQO ser os de variância mínima, isto não significa que essa variância seja pequena, ou seja, o problema causa problemas de imprecisão nas estimativas. Podem ser identificadas algumas causas para o problema de multicolinearidade forte como o método de coleta dos dados, restrições ao modelo ou amostra (como no caso da regressão para explicar o consumo de energia elétrica (Y) que inclui a renda (X2) e o tamanho da casa (X3) como regressores, essas variáveis estarão relacionadas na medida em que famílias com maior nível de renda possuem casas maiores), especificação do modelo (inclusão de termos polinomiais), pequeno número
13 de observações (limita a variabilidade das variáveis explicativas x j 2 ) e alguma tendência comum nas variáveis explicativas. As consequências de alta multicolinearidade são intervalos de confiança mais amplos para os estimadores, razões (t) = β j Var(β j) insignificantes enquanto a regressão apresenta R 2 alto e (F) significativo e sensibilidade dos estimadores a alterações nos dados. A detecção do problema pode ser feito com a ajuda da matriz de correlações de ordem zero entre as variáveis explicativas, com a identificação de R 2 alto e (F) significativo enquanto as razões (t) são não significativas, através das regressões auxiliares e do cálculo do FIV. Após identificar o problema podem ser tomadas algumas medidas corretivas dentre as quais estão não fazer nada (uma vez que de fato a colinearidade não perfeita não viola o pressuposto do MCRL), utilizar alguma informação a priori quando conhecemos o padrão de relação linear entre as variáveis (por exemplo, X1 = X2i + 0,3X3i), combinar dados de série temporal e corte transversal ou aumentar o número de observações, fazer alguma transformação nas variáveis, ou excluir a variável (contudo isso pode incorrer em viés de especificação do modelo que causa viés e inconsistência nos estimadores, em outras palavras, a solução pode acabar incorrendo em problemas maiores). iii) A matriz X é não estocástica, ou seja, os X s são fixos em amostras repetidas. Esse pressuposto indica que para cada valor fixo de X existe uma distribuição de probabilidade associada. Estamos interessados no valor médio condicional de Y para cada valor fixo de X. Caso X seja estocástico pressupõe-se que o mesmo não está correlacionado com o termo de erro X ε = 0, caso esse pressuposto não se mantenha os estimadores de MQO serão viesados e inconsistentes e torna-se necessário a utilização de outro estimador. iv) A variável ε tem média zero. Um dos pressupostos do MCRL é o de que a média do termo de erro é igual a zero, E(ε i X i ) = 0. Em outras palavras, supõe-se que o modelo está bem especificado e que as variáveis omitidas ou
14 que não puderam ser incluídas no modelo e estão, portanto, presentes no termo de erro possuem um efeito médio nulo sobre Y. Se variáveis importantes forem omitidas pode-se violar esse pressuposto, pois a variável omitida pode estar correlacionada com X, (X ε 0), ou com Y, (Y ε 0), causando o viés ou erro de especificação do modelo. Podem-se listar alguns tipos de erros de especificação como a omissão de uma ou mais variáveis relevantes, a inclusão de uma ou mais variáveis desnecessárias, a adoção da forma funcional errada, erros de medida, especificação incorreta do termo de erro estocástico e a pressuposição de que o erro distribui-se normalmente quando o processo gerador não é dessa forma. Os erros de especificação do modelo trazem várias consequências. A omissão de variável relevante, ou seja, estimar Y = α 1 + α 2 X 2 + μ i quando o verdadeiro modelo é Y = β 1 + β 2 X 2 + β 3 X 3 + ε i causará viés e inconsistência das estimativas de MQO se a variável X 3 estiver correlacionada com outra variável explicativa, ou seja, E(ε i X i ) 0 pois (X ε 0) uma vez que μ i = ε i + β 3 X 3. Mesmo que a variável X 3 não esteja correlacionada com as demais o intercepto será viesado. Outra consequência é a incorreta estimação da variância do erro e o consequente equívoco no cálculo dos intervalos de confiança, erros padrão e testes de hipóteses. A inclusão de variáveis desnecessárias, ou seja, estimar Y = β 1 + β 2 X 2 + β 3 X 3 + ε i quando o verdadeiro modelo é Y = α 1 + α 2 X 2 + μ i incorrerá na perda de eficiência dos estimadores devido a correlação (FIV) existente entre as covariáveis. Já os erros de medida quando na variável dependente causam perda de eficiência nos estimadores e quando nas variáveis explicativas causam viés e inconsistência por motivos análogos à omissão de variável relevante. A especificação incorreta do termo de erro causa viés nos estimadores de MQO enquanto a invalidade da pressuposição de distribuição normal torna os testes de hipóteses usuais inutilizáveis. A identificação dos problemas de omissão de variável relevante, inclusão de variável irrelevante e forma funcional equivocada podem ser feita por meio dos testes (t), do teste (F) restrito, do exame dos resíduos, da estatística d de Durbin-Watson, do teste Reset de Ramsey e do teste Multiplicador de Lagrange (ML). Os erros de medidas são difíceis de ser detectados uma vez que geralmente trabalhamos com dados secundários, já os erros de especificação do termo de erro devem ser tratados a partir de métodos de estimação não lineares. A normalidade do termo de erro pode ser verificada a partir do teste de normalidade de Jarque-Bera. Por fim, cabe ressaltar que a estimação de relações endógenas por MQO gera estimadores viesados e inconsistentes devido a violação da pressuposição E(ε i X i ) = 0, pois tanto (X ε 0)
15 como (Y ε 0). Ao se detectar relações endógenas pelo teste de Hausman (que verifica se X ε 0) é preciso recorrer a outros estimadores para superar o problema como o de Mínimos Quadrados Indiretos (MQI), para equações exatamente identificadas, ou Mínimos Quadros em Dois Estágios (MQ2E) e Variáveis Instrumentais (VI) para equações superidentificadas. v) Os erros ε i são variáveis aleatórias com variância constante (homocedasticidade). Podemos representar a violação do pressuposto da seguinte forma: Dada a premissa 2 (ausência de multicolinearidade perfeita) β = (X X) 1 X Y Dado Y = Xβ + ε (premissa 1 linearidade), substituindo: β = (X X) 1 X (Xβ + ε) β = (X X) 1 X Xβ + (X X) 1 X ε Dado (X X) 1 X X = I: β = β + (X X) 1 X ε Logo: β β = (X X) 1 X ε Dado que: Var Cov(β ) = E[(β β)(β β) ] Var Cov(β ) = E[((X X) 1 X ε)((x X) 1 X ε) ] Var Cov(β ) = E[(X X) 1 X εε X(X X) 1 ] Var Cov(β ) = E[(X X) 1 X εε X(X X) 1 ] Var Cov(β ) = (X X) 1 X E(εε )X(X X) 1 Var Cov(β ) = (X X) 1 X (σ 2 Ω)X(X X) 1 Var Cov(β ) = σ 2 (X X) 1 X ΩX(X X) 1 Sob a validade dos pressupostos 5 e 6, Ω = I, então: Var Cov(β ) = σ 2 (X X) 1 Caso os pressupostos 5 e/ou 6 não sejam válidos então Ω I, então: Var Cov(β ) = σ 2 (X X) 1 X ΩX(X X) 1
16 Dessa forma, caso não sejam válidas as premissas do MCRL a matriz de variância e covariância dos parâmetros estimados será viesada. Não é possível afirmar se a mesma será maior ou menor que a matriz quando os pressupostos são válidos, portanto, as inferências com base nos testes t e F não serão mais válidas. A causa ou a natureza do problema pode ser a variabilidade entre os diferentes valores fixados de X (exemplo renda e consumo), a presença de outliers, erros de especificação do modelo (omissão de variável relevante), assimetria na distribuição da variável explicativa e observações discrepantes (empresas pequenas, médias e grandes na mesma amostra). Quando a pressuposição de variância constante é violada os estimadores de MQO continuam a ser não tendenciosos e consistentes, contudo deixam de ser eficientes. Para o modelo Y = β 1 + β 2 X 2 + ε i a variância estimada de β 2 será V(β 2) = σ 2 x i 2 enquanto a verdadeira variância seria V(β 2) = x i 2 σ i2 ( x i 2) 2. Além da invalidade das inferências com base nos testes t e F, os estimadores não serão mais eficientes. Para detectar a violação do pressuposto de variância constante é possível recorrer a alguns procedimentos informais como o gráfico do resíduo ao quadrado (ε 2 ) em função das variáveis explicativas ou dependente ou procedimentos formais como os testes de Park (a equação de teste baseia-se na regressão do logaritmo do resíduo ao quadrado em função de alguma variável explicativa), Glejser (a equação de teste baseia-se na regressão do resíduo absoluto em função de alguma variável explicativa), Goldfeld-Quandt (baseia-se na comparação da variância entre grupos diferentes da variável explicativa), Breusch-Pagan-Godfrey e o teste geral de heterocedasticidade de White (a equação de teste baseia-se na regressão do resíduo ao quadrado em função das variáveis explicativas, do quadrado e do produto cruzado dessas variáveis). A hipótese nula é de homocedasticidade, caso seja identificado algum padrão de relação entre a variância e as variáveis explicativas gera-se evidência da existência do problema. A identificação do problema leva a conclusão de que os estimadores de MQO podem não ser mais os melhores uma vez que não é possível garantir a validade do Teorema de Gauss-Markov. Nesse caso, pode-se encontrar estimadores que sejam BLUE mesmo com a presença de heterocedasticidade. Para corrigir o problema é preciso levar em consideração se o padrão de heterocedasticidade é conhecido ou não. Se o padrão de heterocedasticidade é conhecido estima-se o seguinte modelo:
17 1/ ω. 1 PY = PXβ + Pε onde P =.. [ 1/ ω n ] Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mínimos Quadrados Generalizados (MQG) ou Mínimos Quadrados Ponderados (MQP) que, nesse caso, são BLUE. Quando não se conhece o padrão de heterocedasticidade, quase a totalidade dos casos, podese supor um padrão de heterocedasticidade com base nos testes e estimar por MQG ou utilizar a correção de White que consiste na estimação da verdadeira variância por: V(β 2) = x i 2 μ i2 ( x i 2) 2 Outra possibilidade quando não se conhece o padrão de heterocedasticidade é estimar a variância utilizando, por exemplo, a especificação de Harvey s (1976) (σ 2 i = σ 2 exp (Xβ)) transformar as variáveis e aplicar o MQO dando origem aos Mínimos Quadrados Generalizados Factíveis (MQGF). vi) Ausência de autocorrelação no erro. Como no caso da heterocedasticidade, caso não seja válida a premissas do MCRL de ausência de autocorrelação no termo de erro a matriz de variância e covariância dos parâmetros estimados será viesada. Não é possível afirmar se a mesma será maior ou menor que a matriz quando os pressupostos são válidos, portanto, as inferências com base nos testes t e F não serão mais válidas. A causa ou a natureza do problema pode ser a inércia presente nas séries de tempo como PIB e inflação, erros de especificação do modelo (omissão de variável relevante ou forma funcional inadequada), o fenômeno da teia de aranha, defasagens, manipulação e transformação nos dados e ausência de estacionariedade. Quando a pressuposição de ausência de autocorrelação é violada os estimadores de MQO continuam a ser não tendenciosos e consistentes, contudo deixam de ser eficientes. Para o modelo
18 Y t = β 1 + β 2 X 2t + ε t a variância estimada de β 2 será V(β 2) = seria V(β 2) = σ 2 (1 + 2ρ x tx t 1 x 2 t x ρ n 1 x tx t n ). t x 2 t σ 2 x t 2 enquanto a verdadeira variância Além da invalidade das inferências com base nos testes t e F, os estimadores não serão mais eficientes. Para detectar a violação do pressuposto de ausência de autocorrelação é possível recorrer a alguns procedimentos informais como o gráfico do resíduo em função do tempo ou do resíduo em função do resíduo defasado ou procedimentos formais como os testes de Durbin-Watson ou de Breusch-Godfrey (a equação de teste baseia-se na estimação de uma regressão dos resíduos em função das variáveis explicativas e das defasagens do resíduo). A identificação do problema leva a conclusão de que os estimadores de MQO podem não ser mais os melhores (quando a autocorrelação não é originada por erro de especificação do modelo) uma vez que não é possível garantir a validade do Teorema de Gauss-Markov. Nesse caso, pode-se encontrar estimadores que sejam BLUE mesmo com a presença de autocorrelação. Para corrigir o problema é preciso levar em consideração se o coeficiente de autocorrelação (ρ) é conhecido ou não. Se (ρ) é conhecido estima-se o seguinte modelo de diferenças generalizadas (para o caso de um processo AR(1): Y t ρy t 1 = β 1 (1 ρ) + β 2 (X t ρx t 1 ) + (ε t ρε t 1 ) Ao estimar o modelo transformado por MQO damos origem aos estimadores de Mínimos Quadrados Generalizados (MQG) que são BLUE. Quando não se conhece (ρ), quase a totalidade dos casos, podemos estimá-lo por meio de algum procedimento como o de Durbin-Watson, Durbin Watson de 2 etapas, Cochrane-Orkutt de 2 etapas ou iterativo e estimar por MQGF a equação de diferenças generalizada ou ainda, pode-se utilizar a correção de Newey-West que consiste na estimação da verdadeira variância. Outra possibilidade é a estimação da equação com as variáveis em primeira diferença. vii) Os erros têm distribuição normal. Já tratada na seção iv, a violação desse pressuposto impossibilita a usual inferência estatística baseada na distribuição normal. Contudo, caso a amostra possua tamanho razoável é possível invocar
19 a teoria assintótica ou de grandes amostras que postula que a distribuição do erro tende para normal conforme cresce o tamanho da amostra. REFERÊNCIAS ANGRIST, J. D.; PISCHKE, J. S. Mostly harmless econometrics: An empiricist's companion GALTON, F. Regression towards mediocrity in hereditary staturep. Anthropological Miscellanea, p , GREENE, W. Econometric Analysis, 7a. Ed., Prentice Hall, GUJARATI, Damodar N.; PORTER, Dawn C. Econometria Básica. 5a Ed., Porto Alegre: Bookman, 2011.
Análise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisRegressão 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,
Leia maisComo rodar a regressão no gretl. Usando o Console para calcular elasticidade. Elasticidade. Usando o Console para calcular predição
Como rodar a regressão no gretl Alguns tópicos do gretl Usando o console: Comando: ols y const 3 Estima uma função linear usando o método de Mínimos Quadrados Ordinários. Elasticidade Intuição: resposta
Leia maisAnálise 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
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisREGRESSÃO. Análise de Correlação
REGRESSÃO Linear, Não linear, simples e múltipla Análise de Correlação 2 Correlação Indica a força e a direção do relacionamento linear entre dois atributos Trata-se de uma medida da relação entre dois
Leia maisRegressão Linear Múltipla
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA DISCIPLINA: Estatística Aplicada PROFESSORES: Heliton Tavares e Regina Madruga ALUNO: Wemenson avier Trabalho
Leia maisAULA 32 Problemas Adicionais de Especificação e de Dados
1 AULA 32 Problemas Adicionais de Especificação e de Dados Ernesto F. L. Amaral Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem moderna. São Paulo:
Leia maisAnálise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia maisMétodo dos mínimos quadrados Wikipédia, a enciclopédia livre
1 de 5 25/12/2012 20:27 Método dos mínimos quadrados Origem: Wikipédia, a enciclopédia livre. O Método dos Mínimos Quadrados, ou Mínimos Quadrados Ordinários (MQO) ou OLS (do inglês Ordinary Least Squares)
Leia maisExemplo de heterocedasticidade. Heterocedasticidade. Gráficos residuais. Gráficos residuais. Gráficos residuais. Gráficos residuais
Heterocedasticidade de heterocedasticidade f(y x) y = β 0 + β x + β x + β k x k + u Outras formas de detectar heterocedasticidade E(y x) = β0 + β x x x x 3 x usq versus yhat (com ajustamento por mínimos
Leia maisEstimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
Leia maisContabilometria. Análise Discriminante
Contabilometria Análise Discriminante Fonte: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Contabilidade e Administração, Editora Atlas, São Paulo, 010 Cap. 3 Análise Discriminante
Leia maisAULA 12 Inferência a Partir de Duas Amostras
1 AULA 12 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 15 de setembro de 2011 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisPlanejamento e Análise Estatística de Experimentos Fatoriais em blocos completos
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos Contexto Já vimos como analisar um experimento em blocos na presença de um único fator de interesse. Podemos ter experimentos
Leia maisCurso de Análise Estatística Comparação entre variáveis contínuas: correlação e regressão Linear
NÚCLEO DE ESTATÍSTICA E METODOLOGIA APLICADAS Desenvolvendo conhecimento para a excelência dos cuidados em saúde mental UNIVERSIDADE FEDERAL DE SÃO PAULO Curso de Análise Estatística Comparação entre variáveis
Leia maisPara mais de duas variáveis independentes, em função de uma variável dependente.
MÉTODOS QUANTlTATlVOS APLlCADOS À CONTABlLlDADE Prof. Héber Lavor Moreira Plano de Aula TEMA: REGRESSÃO MÚLTlPLA - Caso Multiplan S/A lntrodução Em muitos casos uma variável pode estar relacionada com
Leia maisAULAS 19, 20, 21 E 22 Análise de Regressão Múltipla com Informações Qualitativas
1 AULAS 19, 20, 21 E 22 Análise de Regressão Múltipla com Informações Qualitativas Ernesto F. L. Amaral 13, 18, 20 e 25 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D)
Leia maisBIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Leia maisAULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Leia maisErros e Incertezas. Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.
Rafael Alves Batista Instituto de Física Gleb Wataghin Universidade Estadual de Campinas (Dated: 10 de Julho de 2011.) I. INTRODUÇÃO Quando se faz um experimento, deseja-se comparar o resultado obtido
Leia maisIND 1115 Inferência Estatística Aula 8
Conteúdo IND 5 Inferência Estatística Aula 8 Setembro 4 Mônica Barros O - aproximação da Binomial pela Este teorema é apenas um caso particular do teorema central do limite, pois uma variável aleatória
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Leia maisIV Regressão e correlação IV.4. (cont.) Significância Estatística e Regressão Múltipla
IV Regressão e correlação IV.4. (cont.) Significância Estatística e Regressão Múltipla Significância Estatística Existe uma estatítica, o t-estatístico,associado a cada estimativa O t-estatístico mede
Leia maisAnálise 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
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 11 Heterocedasticidade: o que acontece se a variância do erro não é constante? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisTeste 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
Leia maisMedidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Leia maisLinha Técnica Sessão IV Variáveis Instrumentais
Impact Evaluation Linha Técnica Sessão IV Variáveis Instrumentais Human Development Human Network Development Network Middle East and North Africa Region World Bank Institute Spanish Impact Evaluation
Leia maisANOVA. (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior
ANOVA (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior Para que serve a ANOVA? Para comparar três ou mais variáveis ou amostras. Por exemplo, queremos testar os efeitos cardiorrespiratórios
Leia maisTécnicas estatísticas para análise de dados e de resultados de modelos de simulação
Parte XIV Técnicas estatísticas para análise de dados e de resultados de modelos de simulação A saída de um modelo de simulação geralmente constitui-se de VA s, muitas das quais podem ter variância grande.
Leia maisAULAS 06, 07, 08 E 09 Análise de Regressão Múltipla: Estimação e Inferência
1 AULAS 06, 07, 08 E 09 Análise de Regressão Múltipla: Estimação e Inferência Ernesto F. L. Amaral 18, 23, 25 e 30 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisAMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Leia maisMedidas de Tendência Central. Introdução Média Aritmética Moda Mediana
Medidas de Tendência Central Introdução Média Aritmética Moda Mediana Introdução A maioria dos dados apresenta uma tendência de se concentrar em torno de um ponto central Portanto, é possível selecionar
Leia maisAula 8 Intervalos de confiança para proporções amostras grandes
Aula 8 Intervalos de confiança para proporções amostras grandes Objetivos Na aula anterior, foram apresentadas as idéias básicas da estimação por intervalos de confiança. Para ilustrar o princípio utilizado
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisProbabilidade III. Ulisses U. dos Anjos. Departamento de Estatística Universidade Federal da Paraíba. Período 2014.1
Probabilidade III Ulisses U. dos Anjos Departamento de Estatística Universidade Federal da Paraíba Período 2014.1 Ulisses Umbelino (DE-UFPB) Probabilidade III Período 2014.1 1 / 42 Sumário 1 Apresentação
Leia maiscuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
Leia maisRegressão, Interpolação e Extrapolação Numéricas
, e Extrapolação Numéricas Departamento de Física Universidade Federal da Paraíba 29 de Maio de 2009, e Extrapolação Numéricas O problema Introdução Quem é quem Um problema muito comum na física é o de
Leia maisExercícios de Aprofundamento Mat Polinômios e Matrizes
. (Unicamp 05) Considere a matriz A A e A é invertível, então a) a e b. b) a e b 0. c) a 0 e b 0. d) a 0 e b. a 0 A, b onde a e b são números reais. Se. (Espcex (Aman) 05) O polinômio q(x) x x deixa resto
Leia maisMODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL JOHNNY ROCHA JORDAN (UNIPLAC) johnny@jordan.eng.br A Estatística é uma
Leia maisPrograma de Ciências Experimentais 2012-2013
Programa de Ciências Experimentais 2012-2013 I Teoria 1 Introdução 2 Conceitos úteis 2.1 Ordem de grandeza 2.1.1 Introdução 2.1.2 Definição 2.1.3 Representação científica de um número 2.1.4 Ordem de grandeza
Leia maisMétodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões
Métodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões Que métodos estatísticos podem auxiliar as análises de custos? Qual a relação entre regressão e correlação?
Leia maisCAPÍTULO 4. 4 - O Método Simplex Pesquisa Operacional
CAPÍTULO 4 O MÉTODO SIMPLEX 4 O Método Simplex caminha pelos vértices da região viável até encontrar uma solução que não possua soluções vizinhas melhores que ela. Esta é a solução ótima. A solução ótima
Leia maisDesvio Padrão ou Erro Padrão
NOTAS METODOLÓGICAS ISSN 0871-3413 ArquiMed, 2006 Desvio Padrão ou Erro Padrão Nuno Lunet, Milton Severo, Henrique Barros Serviço de Higiene e Epidemiologia da Faculdade de Medicina da Universidade do
Leia maisAula 12: Correlação e Regressão
Aula 12: Correlação e Regressão Sumário Aula 12: Correlação e Regressão... 1 12.l Correlação... 2 12.2 Diagrama de dispersão... 2 12.3 Correlação linear... 3 12.3.1 Coeficiente de correlação linear...
Leia maisAnálise de Séries de Tempo
1 Análise de Séries de Tempo Ernesto F. L. Amaral Magna M. Inácio 23 de novembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) 2 Dados de Painel
Leia maisé 4. Portanto, o desvio padrão é 2. Neste caso 100% dos valores da população estão a um desvio padrão da média.
Desvio Padrão From Wikipedia, the free encyclopedia probabilidade e estatística, o desvio padrão de uma distribuição de probabilidade, de uma variável aleatória, ou população é uma medida do espalhamento
Leia maisTestes de variância e Análise de Variância (ANOVA)
Testes de variância e Análise de Variância (ANOVA) Introdução à Inferência Estatística Introdução à Inferência Estatística TESTE DE VARIÂNCIAS E DISTRIBUIÇÃO F Testes sobre variâncias Problema: queremos
Leia maisCapacidade preditiva como critério para determinação do número de componentes principais em Seleção Genômica Ampla
Capacidade preditiva como critério para determinação do número de componentes principais em Seleção Genômica Ampla Filipe Ribeiro Formiga Teixeira 13 Mayra Marques Bandeira 13 Moysés Nascimento 1 Ana Carolina
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisMeta-análise: aplicações em fisioterapia
Meta-análise: aplicações em fisioterapia Arminda Lucia Siqueira 1 George Schayer Sabino 1 Pollyanna Vieira Gomes da Silva 1 1 Introdução A junção de resultados de vários estudos recebe o nome de meta-análise
Leia maisIntrodução. Ou seja, de certo modo esperamos que haja uma certa
UNIVERSIDADE FEDERAL DA PARAÍBA Teste de Independência Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Um dos principais objetivos de se construir uma tabela de contingência,
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisMEDIDAS DE DISPERSÃO. o grau de variabilidade, ou dispersão, dos valores em torno da média.
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual, sem ilustrar
Leia maisUniversidade Federal do Amazonas Instituto de Ciências Exatas Departamento de Estatística
PLANO DE ENSINO 1. IDENTIFICAÇÃO Disciplina: PROBABILIDADE E ESTATÍSTICA Código: IEE001 Pré-Requisito: IEM011 - CÁLCULO I N O de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: 0 Semestre: 1 O Ano:
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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em junho de 2014, o Brasil registrou 275,71 milhões de linhas ativas na telefonia móvel e teledensidade de 136,06 acessos por 100 habitantes. Além disso, nesse mesmo mês, houve
Leia maisModelo Keynesiano Simples
Modelo Keynesiano Simples 1. (ESAF) Considere: Y = C(Y) + I + G + X - M(Y) C(Y) = Co + 0,7.Y M(Y) = Mo + 0,5.Y I = 700 G = 200 X = 300 Co = 500 Mo = 100 Onde Y = produto; I = investimento; G = gastos do
Leia maisIntervalos Estatísticos para Uma Única Amostra
Intervalos Estatísticos para Uma Única Amostra OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Construir intervalos de confiança para a média de uma distribuição
Leia maisANÁLISE DE REGRESSÃO LINEAR: ABORDAGEM TRADICIONAL E ESPACIAL EM UM ESTUDO DE CASO
ANÁLISE DE REGRESSÃO LINEAR: ABORDAGEM TRADICIONAL E ESPACIAL EM UM ESTUDO DE CASO Ana Julia Righetto 1, Vilma Mayumi Tachibana 2 1 Programa de Pós-Graduação em Estatística e Experimentação Agronômica
Leia maisVariáveis Frequências Gráficos Medidas de Posição Medidas de Dispersão Medidas Complementares Inferência
Tipos de Variáveis Problema Motivador: Um pesquisador está interessado em fazer um levantamento sobre aspectos sócio-econômicos dos empregados da seção de orçamentos de uma companhia (vide tabela). Algumas
Leia maisXIX CONGRESSO DE PÓS-GRADUAÇÃO DA UFLA. 27 de setembro a 01 de outubro de 2010
ANÁLISE DA INTEGRAÇÃO DO MERCADO INTERNO E EXTERNO DE CAFÉ: A INFLUÊNCIA DE VARIÁVEIS DO MERCADO NO PREÇO FUTURO NÁDIA CARVALHO 1, DARIANA ZANELLA MARTINHAGO 2, NATHÁLIA DE FÁTIMA JOAQUIM 3, CIBELE MARIA
Leia maisAula 12 Teste de hipótese sobre proporções amostras grandes
Aula 12 Teste de hipótese sobre proporções amostras grandes Objetivos Na aula anterior, você aprendeu a construir testes de hipóteses sobre a média de uma população normal com variância σ 2 conhecida.
Leia maisCoeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Probabilidade e Estatística The Science of collecting and analyzing data for the purpose of drawing
Leia maisRetorno e risco de carteiras de investimento. Copyright Pereira, F. I
Retorno e risco de carteiras de investimento OBJETIVOS DA UNIDADE DE ESTUDO Compreender o processo de avaliação do risco de uma carteira. Definir e mensurar a covariancia entre duas variáveis Definir e
Leia maisCapítulo 5. Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão
Capítulo 5 Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão Hipóteses do Modelo de Regressão Linear Simples RS1. y x e t 1 t t RS. RS3. RS4. RS5. RS6. Ee
Leia maisStela Adami Vayego DEST/UFPR
Resumo 5 - Análise Bivariada (Bidimensional) 5.1. Introdução O principal objetivo das análises nessa situação é explorar relações (similaridades) entre duas variáveis. A distribuição conjunta das freqüências
Leia maisA. 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)
Leia mais1 Introdução. 1.1 Importância da Utilização da Amostragem
1 Introdução Um dos principais objetivos da maioria dos estudos, análises ou pesquisas estatísticas é fazer generalizações seguras com base em amostras, sobre as populações das quais as amostras foram
Leia maisProcessos Estocásticos
Processos Estocásticos Hélio Lopes INF2035 - Introdução à Simulação Estocástica 1 Introdução Um processo estocástico é uma família de variáveis aleatórias {X(t), t T } definidas em um espaço de probabilidade,
Leia maisQuímica Analítica IV ERRO E TRATAMENTO DE DADOS ANALÍTICOS
Química Analítica IV 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Todas as medidas físicas possuem um certo grau de incerteza. Quando se faz uma medida, procura-se
Leia maisAula 1 Variáveis aleatórias contínuas
Aula 1 Variáveis aleatórias contínuas Objetivos: Nesta aula iremos estudar as variáveis aleatórias contínuas e você aprenderá os seguintes conceitos: função de densidade de probabilidade; função de distribuição
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisProbabilidade e Estatística, 2009/2
Probabilidade e Estatística, 2009/2 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Testes de Hipóteses 1. Uma empresa de manufatura têxtil está testando rolos de fio que o fornecedor afirma
Leia maisO MERCADO DO ARROZ NO ESTADO DO MARANHÃO: UMA ANÁLISE ECONOMÉTRICA
O MERCADO DO ARROZ NO ESTADO DO MARANHÃO: UMA ANÁLISE ECONOMÉTRICA Júlia Kátia Borgneth Petrus Sérgio Henrique de Almeida Freitas Miguel Henrique da Cunha Filho RESUMO O objetivo deste trabalho é estimar
Leia maisMatrizes e Sistemas Lineares. Professor: Juliano de Bem Francisco. Departamento de Matemática Universidade Federal de Santa Catarina.
e Aula Zero - Álgebra Linear Professor: Juliano de Bem Francisco Departamento de Matemática Universidade Federal de Santa Catarina agosto de 2011 Outline e e Part I - Definição: e Consideremos o conjunto
Leia maisRevista Brasileira de Estudos Regionais e Urbanos (RBERU) Vol. 06, n. 1, pp. 37-56, 2012
Revista Brasileira de Estudos Regionais e Urbanos (RBERU) Vol. 06, n. 1, pp. 37-56, 2012 http://www.revistaaber.org.br RETORNO EM ESCOLARIDADE: UM ESTUDO PARA A REGIÃO METROPOLITANA DE PORTO ALEGRE Paulo
Leia maisEstimação da Esperança de Vida ao Nascer dos Estados Brasileiros no Ano 2008 via Modelos Aditivos Generalizados para Posição, Escala e Forma
Estimação da Esperança de Vida ao Nascer dos Estados Brasileiros no Ano 2008 via Modelos Aditivos Generalizados para Posição, Escala e Forma Alisson de Oliveira Silva 1 Luana Cecília Meireles da Silva
Leia maisConteúdo. 1 Introdução. Histograma do Quinto Sorteio da Nota Fiscal Paraná 065/16. Quinto Sorteio Eletrônico da Nota Fiscal Paraná
Quinto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisConteúdo. 1 Introdução. Histograma do 1o Sorteio da Nota Fiscal Paraná 152/15. 1º Sorteio Eletrônico da Nota Fiscal Paraná
1º Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este relatório apresenta uma análise estatística
Leia mais25 a 30 de novembro de 2013
LSD Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 25 a 30 de novembro de 2013 LSD 1 2 3 LSD 4 Parte 2 - Conteúdo LSD Quando o F da ANOVA está sendo utilizado
Leia maisA Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra
A Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra 1. INTRODUÇÃO O objetivo desta análise é verificar a significância estatística das aplicações do Programa
Leia mais(1, 6) é também uma solução da equação, pois 3 1 + 2 6 = 15, isto é, 15 = 15. ( 23,
Sistemas de equações lineares generalidades e notação matricial Definição Designa-se por equação linear sobre R a uma expressão do tipo com a 1, a 2,... a n, b R. a 1 x 1 + a 2 x 2 +... + a n x n = b (1)
Leia maisI-094 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS
I-9 - COLIFORMES E ph MÉDIAS ARITMÉTICAS, MÉDIAS GEOMÉTRICAS E MEDIANAS Marcos von Sperling ( 1 ) Engenheiro Civil (UFMG). Doutor em Engenharia Ambiental (Imperial College, Universidade de Londres Inglaterra).
Leia maisIncerteza de Medição
Incerteza de Medição Professora Márcia Russman Gallas, IF-UFRGS http://www.if.ufrgs.br/~marcia Texto baseado no Guia Para a Expressão da Incerteza de Medição, 2 a edição, ABNT, INMETRO, 1998, e no Manual
Leia maisDistribuições Conjuntas (Tabelas de Contingência)
Cruzamento de Dados Distribuições Conjuntas (Tabelas de Contingência) Lorí Viali, Dr. DESTAT/FAMAT/PUCRS viali@pucrs.br http://www.pucrs.br/famat/viali Distribuição Conjunta Exemplo (tabela um) Suponha
Leia maisMatemática Aplicada às Ciências Sociais
ESCOLA SECUNDÁRIA DE AMORA PLANIFICAÇÃO ANUAL Matemática Aplicada às Ciências Sociais Ensino Regular Curso Geral de Ciências Sociais e Humanas 11º ANO Ano Letivo 2014 / 2015 PLANIFICAÇÃO A LONGO PRAZO
Leia maisEstatística II Aula 4. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula 4 Prof.: Patricia Maria Bortolon, D. Sc. Fundamentos do Teste de Hipóteses Teste de Hipóteses - Definições É uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística
Leia maisServem para comprovar a veracidade das informações contidas na pesquisa. Artigos científicos Como redigir, publicar e avaliar Maurício Gomes Pereira
Artigos científicos Como redigir, publicar e avaliar Maurício Gomes Pereira RESENHA Capítulo 8: Discussão 8.1. Para que serve a seção de discussão Interpretar os resultados obtidos para se chagar a uma
Leia maisLição 5 Medidas Descritivas Medidas de Dispersão
99 Lição 5 Medidas Descritivas Medidas de Dispersão Após concluir o estudo desta lição, esperamos que você possa: identifi car o objetivo das medidas de dispersão; identifi car o conceito de variância;
Leia maisCAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
Leia maisProbabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra
Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra Fernando Deeke Sasse 14 de maio de 2010 Introdução Quão boa é uma dada estimação de um parâmetro? Suponha que estimamos
Leia maisAvaliação e Desempenho Aula 1 - Simulação
Avaliação e Desempenho Aula 1 - Simulação Introdução à simulação Geração de números aleatórios Lei dos grandes números Geração de variáveis aleatórias O Ciclo de Modelagem Sistema real Criação do Modelo
Leia maisvalidade, acuracidade, ou exatidao viés ou vicio (Bolfarine e Bussab, 2005) 1.1 Palavras-chave
(Bolfarine e Bussab, 2005) 1.1 Palavras-chave 1 amostra 2 amostragem por quotas 3 amostra probabilística 4 amostra representativa 5 amostragem 6 7 amostragem probabilistica característica de interesse
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios) não lineares; Equações transcendentais equações que envolvem funções
Leia mais