Beruflich Dokumente
Kultur Dokumente
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.
Page 1
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).
Page 2
Page 3
Page 4
Page 5
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.
Page 6
Page 7
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.
Page 8
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):
{
Page 9
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).
Page 10
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.
Page 11
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.
Page 12
Page 13
~ Normal
Normalidade
3. E( ) = 0
4.
( ) constante
5. cov ,
)=0
Homocedasticidade
Independncia
Page 14
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.
Page 15
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
Pas
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
Page 16