Anlise de Regresso Linear (SPSS)

ANLISE DE RESULTADOS
O sucesso de um programa de investimento em papis de outros pases depende, em grande
parte, do controle do risco soberano dos pases constantes no portflio. Um meio de se avaliar o
risco atravs da taxa de juros praticada pelo pas. Uma amostra de 40 pases forneceu os
valores anualizados das taxas de risco e de juros praticadas em 1997.
Analise os dados atravs de um modelo de regresso linear simples construdo para se estimar
o risco soberano esperado do pas em funo da taxa de juros por ele praticada.
Soluo
Neste caso voc deve fazer a regresso linear, pois se deseja explicar uma varivel quantitativa
(taxa de risco) por meio de outra varivel quantitativa (taxa de juros). A varivel que voc quer
explicar chama-se varivel dependente, ou varivel explicada (tambm chamada de resposta
ou endgena) - Y. A outra conhecida como varivel independente, ou explicativa (ou exgena)
- X.
Ento, a primeira coisa a ser feita nesse tipo de problema identificar quem a varivel Y
(dependente - aquela que voc quer prever, estimar) e quem a varivel X (aquela que ir
ajudar voc a estimar a varivel Y).
Aps digitar os dados, ou abrir o arquivo que contm os dados, no SPSS, deve-se rodar a
regresso.

Autor: Filipe Mahaluca

Page 1

Anlise de Regresso Linear (SPSS)

COMO RODAR A REGRESSO LINEAR SIMPLES NO SPSS
Primeiramente deve-se selecionar ANALYZE
REGRESSION
LINEAR

Como temos apenas uma varivel independente (X), a regresso linear simples.
Na prxima tela selecionamos a varivel dependente (Y = taxa de risco) e a varivel
independente (X = taxa de juros).

O mtodo selecionado ser o Enter.

Autor: Filipe Mahaluca

Page 2

Anlise de Regresso Linear (SPSS)

Aps isto, seleciona-se STATISTICS.
Como a regresso SIMPLES, seleciona-se apenas os itens: "estimates","confidence intervals",
"model fit", "descriptives" e "casewise diagnostics".
Obs.: quando o "casewise diagnostics" for selecionado, aparecer: "Outliers outside 3 standards
deviations".
Deixe assim. Isso quer dizer que os resduos que estiverem acima ou abaixo de 3 desvios
padres sero considerados outliers.

Aps isto selecione CONTINUE.

Selecione ento a tecla PLOTS.
Aqui sero feitos os grficos utilizados para verificar a existncia de outlier (ou valor influente),
e tambm verificar as premissas do modelo.

Autor: Filipe Mahaluca

Page 3

Anlise de Regresso Linear (SPSS)

Selecione para Y o "ZRESID". Ele corresponde ao resduo padronizado.

Para a varivel X selecione "ZPRED". Este o valor de Y estimado padronizado.
Selecione NORMAL PROBABILITY PLOT. Este grfico tambm conhecido como PP-Plot e ser
utilizado para testar a premissa da Normalidade.
Aps isto, selecione CONTINUE.
Selecione ento a tecla SAVE.
Quando selecionamos qualquer item no SAVE, o SPSS ir salvar na base de dados (Data view) os
valores correspondentes aos itens que forem selecionados.

Autor: Filipe Mahaluca

Page 4

Anlise de Regresso Linear (SPSS)

O "Cook's" a distncia de Cook e ser utilizada para se verificar a existncia de valores

influentes. Caso seja prximo ou maior do que 1, ser um valor influente. Isso significa dizer que
existe uma (ou mais) observao que influencia o modelo. Caso essa observao seja retirada, os
valores dos coeficientes sero alterados, o modelo ser todo alterado.
O "Leverage value" funciona da mesma forma.
O "Studentized delected" ir sinalizar a existncia de um outlier. Para isso seria necessrio ter a
tabela t de Student.
Aps isto selecione CONTINUE e depois OK.
Obs.: no mexa no boto OPTIONS.
A regresso linear simples ser realizada. O prximo passo analisar o seu resultado.

Autor: Filipe Mahaluca

Page 5

Anlise de Regresso Linear (SPSS)

COMO ANALISAR O RESULTADO DA REGRESSO LINEAR SIMPLES
Sero apresentados aqui todos os quadros que foram gerados pelo SPSS.
Aps cada quadro mencionada a utilidade dele.

Regression

Este quadro apresenta a mdia e o desvio padro de cada varivel. Quanto maior for o desvio
padro em relao mdia, mais dispersa ser a distribuio da varivel, dificultando a sua
estimao (varivel Y). E tambm, caso a varivel X possua disperso alta, isto ir resultar em
uma regresso com estimativas no to boas, se compararmos com uma regresso na qual a
varivel X possui baixa disperso.
Devemos, ento, calcular o CV (coeficiente de variao). O CV calculado dividindo-se o desvio
padro pela mdia.
Caso o CV seja maior do que 50%, sugerimos alterao na varivel. Essa alterao pode ser o
logartimo ou a raiz quadrada da varivel. Com isso, a varivel ficar menos dispersa e o
resultado da regresso ser melhor, ou seja, estaremos estimando Y mais eficientemente.
Interpretao
Para este nosso exemplo, teremos:
Varivel Y - taxa de risco
CV = 15,3 / 32,4 = 0,47
Varivel X - taxa de juros
CV = 22,1 / 63,2 = 0,34
Como os coeficientes de variao da varivel Y e da varivel X so menores do que 50%,
considera-se que ambas as variveis no possuem disperso alta. Dessa forma, no se sugere
transformao nas variveis.

Autor: Filipe Mahaluca

Page 6

Anlise de Regresso Linear (SPSS)

Esta tabela apresenta as correlaes (de Pearson) entre as variveis.

Como se trata de uma regresso simples, s apresentado o coeficiente de correlao entre X e
Y.
O valor do coeficiente de correlao mede a fora da relao entre duas variveis. O sinal
indica se essa relao diretamente proporcional (sinal positivo) ou inversamente proporcional
(sinal negativo).
Quanto mais prximo de 1 (ou de -1), maior ser a relao linear entre duas variveis. Costumase considerar que a relao alta, quando o coeficiente de correlao est acima de 0,7 ou
0,8, (ou abaixo de -0,7 ou -0,8). Quando queremos avaliar se o coeficiente de correlao e alto
ou baixo, desconsideramos o sinal.
Interpretao
Neste caso, temos:
O coeficiente de correlao entre as variveis Taxa de Risco e Taxa de Juros igual a -0,578. Isso
indica que a relao entre essas duas variveis inversa, uma vez que o sinal negativo. Com isso,
se a Taxa de Juros subir, a Taxa de Risco ir cair e vice-versa.
Alm disso, considera-se uma relao linear fraca entre as variveis Taxa de Risco e Taxa de Juros,
pois o valor de 0,578 (o mdulo de -0,578) bem inferior a 0,7.

Autor: Filipe Mahaluca

Page 7

Anlise de Regresso Linear (SPSS)

Este quadro apresenta o mtodo que foi utilizado para a seleo das variveis no modelo. Como
a regresso simples, o mtodo foi o Enter (o que o SPSS coloca como padro). Com isso, a
Variables Entered, apenas a Taxa de Juros (X).
No fazemos anlises deste quadro.

Este quadro aparece quando voc seleciona Model Fit no quadro Statistics.
Ele apresenta o coeficiente de correlao (R), em mdulo (ou seja, desconsidera o sinal).
A anlise desse coeficiente j foi feita acima, no quadro Correlations.
Na segunda coluna apresentado o R Square.
R Square =

coeficiente de determinao.

Ele fornece a capacidade preditiva do modelo. Diz qual a proporo da variao total que
explicada pela relao entre X e Y.
O valor do R2 uma das medidas para se escolher o melhor modelo (na regresso simples).
Quanto mais prximo de 1 melhor. Acima de 0,70 j est bom.
Interpretao
No nosso exemplo
Pode-se dizer que 33,4% da variao total explicada pela relao entre Taxa de Juros e Taxa de
Risco.

Autor: Filipe Mahaluca

Page 8

Anlise de Regresso Linear (SPSS)

Esse coeficiente de determinao de 33,4% indica que o modelo possui uma baixa capacidade
preditiva.
A terceira coluna apresenta do R ajustado.
Neste caso no iremos analis-lo, pois ele s til na Regresso Linear Mltipla (quando temos
mais de um X).
A quarta coluna apresenta o Std Error of the Estimate. Ele o desvio padro do modelo, e
usado para compararmos diversos modelos e escolhermos o melhor (o que possuir menor desvio
padro).
O desvio padro do modelo a raiz quadrada da varincia residual do modelo (Mean Square
Residual).
A unidade dele a mesma unidade de Y.
No nosso exemplo
O desvio padro do modelo igual a 12,67 %.
Obs.: a unidade das variveis X e Y % (taxa em %).

Neste quadro iremos fazer o teste F. o teste do modelo. Com ele vamos testar se o modelo
completo (com a varivel X) melhor do que o modelo reduzido (s com beta zero).
O teste F tenta avaliar a importncia relativa dos resduos devido entrada da nova varivel,
sobre os resduos da regresso sem esta varivel. Este teste mais til no caso de regresso
mltipla, quando se pretende escolher as variveis que no conjunto melhoram o modelo. Quanto
maior for o valor de F, maior ser a evidncia da incluso da varivel X no modelo.
Procedimento para o teste F (na regresso simples):
{

Autor: Filipe Mahaluca

Page 9

Anlise de Regresso Linear (SPSS)

Testamos aqui o modelo reduzido (H0) contra o modelo completo (H1). O alpha no ser divido
por dois, pois a curva do F s tem uma cauda, ele ser sempre positivo.
Compara-se o Sig. (valor-p) com o valor de alpha. Caso o Sig seja menor do que alpha, rejeitase H0 e conclui-se que o modelo completo (com a varivel independente) melhor do que o
modelo reduzido (que s contm a mdia).
Caso contrrio, no se rejeita H0, com

de significncia, e diz-se que o modelo reduzido

melhor do que o modelo completo.

Interpretao
No nosso exemplo
Teste F - teste do modelo
{
Nvel de significncia (alpha) = 5%
Sig = 0,000
Como Sig menor que o nvel de significncia (alpha), rejeita-se H0 e conclui-se que o modelo
completo (o que contm a varivel independente, a varivel Taxa de Juros) melhor do que o
modelo reduzido (o que no contm a varivel Taxa de Juros (X)).
Em outras palavras: existe relao linear entre X e Y.
Outra informao: A varincia residual do modelo igual a 160,72%2

Esse quadro fornece os coeficientes (beta zero e beta1), com isso, podemos montar o modelo.
Temos que olhar para os "Unstandardized Coefficients".
So apresentados, tambm, os intervalos de confiana.
No podemos esquecer-nos de fazer o teste t (teste do coeficiente).

Autor: Filipe Mahaluca

Page 10

Anlise de Regresso Linear (SPSS)

Interpretao
Faremos, ento:
Varivel X - Taxa de Juros
Teste t para Beta 1 - teste do coeficiente
{
= 0,05
Como Sig (da varivel Taxa de Juros, referente ao coeficiente beta 1) igual a 0,000, ou seja,
menor do que alpha (0,05), rejeita-se H0 e conclui-se que h evidncia de relao linear entre a
Taxa de Juros (X) e a Taxa de Risco (Y).
O modelo linear ser:
Y= 57,75 - 0,4 (X)
Interpretao do modelo:
Beta zero = 57,75
Se a Taxa de Juros (X) for igual a zero, a Taxa de Risco ser igual a 57,75 %.
Beta 1 = -0,4
A cada unidade adicional na varivel Taxa de Juros (X), a varivel Taxa de Risco (Y) diminui em
0,4.
(Mesmo no fazendo sentido economicamente falando, uma vez que a relao est inversa, o
modelo este. Talvez o problema esteja no conjunto de pases da amostra).
Quanto ao intervalo de confiana, podemos dizer que existe 95% de confiana verdadeiro beta 1
(o beta 1 da populao) pertencer ao intervalo [-0,58 ; -0,21].

Este quadro aparecer quando for diagnosticado algum caso de possvel outlier (ou valor
influente).
Se o resduo padronizado estiver acima de 3 desvios (tanto positivo quanto negativo), a
observao ser uma candidata a outlier. Ela poder ser outlier ou valor influente.

Autor: Filipe Mahaluca

Page 11

Anlise de Regresso Linear (SPSS)

Interpretao
No exemplo
O primeiro pas (case 1) possui o resduo padronizado acima de 3. Portanto, ele um candidato a
outlier.

Neste quadro olharemos para o "Std Residual". Se este for menor que -3 ou maior do que 3,
existem candidatos a outlier ou valor influente.
Para isso vamos ver a Cook's Distance, se o Maximum estiver maior de 1 porque existe
alguma (ou algumas) observaes que so valores influentes. Neste caso iremos at a base de
dados (Data view), e na coluna "Coo_1" iremos procurar quem (ou quem so) essa observao.
No caso estudado as observaes so pases.
Se caso o Maximun estiver menor do que 1 porque no existem valores influentes. Logo, a
observao que estiver excedendo 3 desvios padres ser considerada outlier.
Interpretao
No exemplo
Como a distncia de Cook (Cook's Distance) mxima menor do que 1, o pas Argentina, que
possui resduo padronizado acima de 3 desvios, no considerado valor influente, mas sim um
outlier.

Autor: Filipe Mahaluca

Page 12

Anlise de Regresso Linear (SPSS)

Sugere-se que essa observao seja retirada do banco de dados e que a regresso linear seja
rodada novamente. Com isso, iremos comparar os resultados das duas regresses (com esta
observao e sem ela) e ser muito provvel que os resultados melhorem (desvio padro do modelo
diminua e o R2 aumente).
Resta-nos verificarmos as premissas do modelo!!!
So cinco as premissas a serem verificadas e faremos isso com o auxlio dos grficos abaixo.

Autor: Filipe Mahaluca

Page 13

Anlise de Regresso Linear (SPSS)

Premissas bsicas do modelo:

Devem ser verificadas para assegurar a adequabilidade do modelo.
So elas:
1. Linearidade
2.

~ Normal

Normalidade

3. E( ) = 0
4.

( ) constante

5. cov ,

)=0

Homocedasticidade
Independncia

A primeira a premissa de linearidade. Pode ser verificada pelo teste F. Se rejeitar H0

porque existe relao linear, ento, a premissa foi satisfeita.
Outra forma de verificar usando o grfico dos resduos (Regression Standardized Residuals)
versus valores ajustados, no qual os pontos devem estar distribudos de forma aleatria
(totalmente sem formas definidas). Caso eles estejam em forma de parbola, a premissa estaria
Autor: Filipe Mahaluca

Page 14

Anlise de Regresso Linear (SPSS)

sendo violada, ento, deve-se incluir uma varivel quadrtica (x2) no modelo, ou buscar novas
formas de relao.
A segunda premissa a da normalidade (distribuio Normal). Deve-se observar o grfico
chamado P-P Plot. Caso as observaes estejam na reta ou prximas da reta diagonal,
aceitamos a normalidade. Essa premissa fundamental, pois toda inferncia feita com base
nas distribuies (t, F) que vm da Normal. Se a Normal for violada, os testes que sero feitos
no iro servir pra nada. Se no tiver normalidade, no pode-se testar os parmetros, realizar
o modelo.
A quarta premissa a de homocedasticidade, que o mesmo que dizer que a varincia dos
erros constante. Caso no seja, deve-se usar o mtodo dos mnimos quadrados ponderados.
Essa premissa ser observada no grfico dos resduos (na vertical) versus valores ajustados (na
horizontal). Se os pontos estiverem em forma de buzina porque existe problema e essa
premissa est sendo violada.
A premissa da independncia dos erros pode ser observada no mesmo grfico dos resduos
versus valores ajustados. Se os pontos estiverem distribudos aleatoriamente (sem formas)
porque no h problema. Mas caso eles estejam distribudos como retas paralelas, a premissa
estar sendo violada. Esse problema ocorre mais em sries temporais.

Interpretao
A premissa da linearidade foi verificada por meio do teste F. Como rejeitou-se H0, concluiuse que existe relao linear entre X e Y;
Por meio do grfico P-P Plot, verificou-se a premissa da Normalidade. Como os pontos
esto bem prximos da linha diagonal (de probabilidade acumulada), a premissa da
Normalidade foi satisfeita.
A homocedasticidade (varincia dos erros constante) foi verificada atravs do Scattreplot
(Valores preditos X Resduos padronizados). Como os pontos no formaram a figura de um
gramofone (buzina), a premissa da homocedasticidade foi satisfeita.
A independncia dos erros foi verificada atravs do Scatterplot (Valores preditos X Resduos
padronizados). Como os pontos no formaram linhas paralelas, a premissa da independncia
foi satisfeita.

Autor: Filipe Mahaluca

Page 15

Anlise de Regresso Linear (SPSS)

Concluso
Ao realizar a regresso linear, constatou-se que existe uma relao linear significativa entre as
variveis Y (Taxa de Risco) e X (Taxa de Juros), para a amostra estudada. Dessa forma, podemos
estimar a Taxa de Risco a partir da Taxa de Juros, atravs do modelo de regresso linear

Ou

(Taxa de juros)

Base de Dados
Pas
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Taxa de Risco (%) Taxa de Juros (%)

87,0
31,8
74,1
32,6
64,8
36,2
53,7
72,9
47,5
56,7
46,3
43,3
46,0
45,0
41,4
30,6
39,6
51,9
38,4
29,6
35,6
24,5
34,3
69,6
31,6
38,6
31,5
44,4
30,7
62,2
30,0
46,6
28,3
83,0
28,0
75,5
27,0
55,8
26,9
78,2

Autor: Filipe Mahaluca

Pas
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

Taxa de Risco (%) Taxa de Juros (%)

26,7
64,4
26,4
77,6
26,3
83,8
26,3
68,9
26,1
76,0
25,7
94,5
24,8
70,8
24,5
79,5
24,4
26,4
23,8
85,3
23,4
66,4
23,0
93,4
22,0
78,4
21,8
87,6
20,6
72,6
19,6
94,7
19,2
87,1
18,5
87,6
17,6
33,6
15,4
93,4

Page 16