Beruflich Dokumente
Kultur Dokumente
Tambm temos uma base de dados com n valores observados de y e de x . Perceba que, usando a base de dados, y
e x so vetores, ou seja, representam uma lista de valores,
um para cada observao da base de dados. O mtodo dos
a forma de estimao mais amplamente utilizada na mnimos quadrados ajuda a encontrar as estimativas de
econometria. Consiste em um estimador que minimiza a e . Como o nome diz, sero somente estimativas desses
soma dos quadrados dos resduos da regresso, de forma parmetros, porque o valor real dos parmetros so desa maximizar o grau de ajuste do modelo aos dados obser- conhecidos. Portanto, ao fazer a estimativa, mudamos a
notao de algumas variveis:
vados.
Um requisito para o mtodo dos mnimos quadrados
que o fator imprevisvel (erro) seja distribudo aleatoriaa
mente, essa distribuio seja normal e independente. O
Teorema Gauss-Markov garante (embora indiretamente) b
que o estimador de mnimos quadrados o estimador e
no-enviesado de mnima varincia linear na varivel resPara ilustrar isso, Heij[5] menciona:
posta.
Outro requisito que o modelo linear nos parmetros,
ou seja, as variveis apresentam uma relao linear entre si. Caso contrrio, deveria ser usado um modelo de
regresso no-linear.
Regresso simples
y = + x + ,
onde:
S(a, b) =
i=1
(yi a bxi )
2 REGRESSO MLTIPLA
S
= 2
(yi a bxi ) = 0
a
i=1
n
S
= 2
xi (yi a bxi ) = 0
b
i=1
yi
i=1
0
i=1 bxi
+
+
=
2n
n 2n
n 2n
2n
n
i=1 yi
b i=1 xi
i=1 a
+
+
=0
n
n
n
y + a + b
x=0
i=1
a = y b
x
onde y a mdia amostral de y e x
a mdia amostral de
x.
Substituindo esse resultado na segunda expresso temos:
i=1
n
[xi (yi y) + xi b (
x xi )] = 0
xi (yi y) + b
i=1
2 Regresso mltipla
A regresso mltipla apresenta um funcionamento parecido com o da regresso simples, porm, leva em considerao diversas variveis explicativas x inuenciando y
ao mesmo tempo:
xi (yi y + b
x bxi ) = 0
i=1
n
xi (
x xi ) = 0
y = 0 + x1 1 + x2 2 + x3 3 + + xk k +
Ao usar a base de dados com k variveis explicativas e n
observaes, o modelo pode ser escrito na forma matricial:
i=1
n
xi (yi y)
b = ni=1
)
i=1 xi (xi x
y1
1 x11 x21 . . . xk1
e1
b
0
y2 1 x12 x22 . . . xk2
e2
Alguns livros tambm usam uma frmula diferente que y3 1 x13 x23 . . . xk3 b1 e3
=
gera o mesmo resultado:
y4 1 x14 x24 . . . xk4 b2 + e4
. . .
. . . . . . . . . . . . . . . . . .
. . .
bk
n
yn
1 x1n x2n . . . xkn
en
(xi x
) (yi y)
b = i=1
n
2
, onde xji representa o valor da j -sima varivel da i )
i=1 (xi x
sima observao. A frmula tambm pode ser escrita na
forma resumida:
1.1
y = Xb + e
portanto,
3
A minimizao se d ao derivar S (b) em relao a b e
Erro tem distribuio normal: O erro distriigualar a zero. O primeiro termo no depende de b , os
budo conforme a curva de distribuio normal.
segundo e terceiro termos so iguais e o terceiro termo
uma forma quadrtica dos elementos de b .
Caso alguma dessas premissas no seja verdadeira, o mtodo pode gerar resultados sub-timos ou com vis.
S
= 2X y + 2X Xb = 0
b
X Xb = X y
1
b = (X X)
2.1
4 Coeciente de determinao R
X y
1
1
1
139 126 90
0,115 0,12 0,105
portanto,
ou R ajustado:
1
1
1
) ( 122 ) ( 148,52 )
139 0,115 ))1 (
1
1
1
126 0,12
0,6136
139 126 90 114
=
86
90 0,105
0,115 0,12 0,105
1.034,41
(
)
n1
R2 = 1
1 R2
n (k + 1)
Premissas
10 1
(1 0, 88729) = 0, 85509
10 (2 + 1)
Homoscedasticidade: A varincia do erro cons- Se uma varivel xj realmente possui poder explicativo
sobre y , seu coeciente bj deve ser estatsticamente difetante.
rente de zero. Ou seja, deve ser sucientemente maior ou
Sem correlao: No existe correlao entre os menor do que zero para que tenhamos conana de que
erros das observaes, ou seja, E (i j ) = 0 para a varivel realmente possui poder explicativo. Caso isso
qualquer i = j .
no seja verdade, a varivel poderia ser retirada do mo Parmetros so constantes: e so valores xos delo sem que exista grande perda da sua qualidade. Para
vericar se os coecientes so signicantes, levamos em
desconhecidos.
considerao que o estimador b tem distribuio normal
1
Modelo linear: Os dados da varivel dependente centrada em e com varincia 2 (X X) , onde 2
y foram gerados pelo processo linear y = X + . a varincia do erro . Ou seja:
8 LIGAES EXTERNAS
b N , 2 (X X)
[2] (em ingls) Indiana University Bloomington, Human Intelligence, Karl Friedrich Gauss (1777-1855), German
Mathematician
s2 =
ee
n (k + 1)
7 Ver tambm
bj
tj =
t (n k 1)
s ajj
5.1
Regresso
Econometria
Decomposio em Valores Singulares - a tcnica
computacional moderna para regresso e projeo
ortogonal.
8 Ligaes externas
671,54
10(2+1)
s=
(X X)
t0 =
t1 =
t2 =
((
=
= 9, 7946
1
1
1
139 126 90
0,115 0,12 0,105
1
1
1
148,52
= 5, 6412
9,7946 7,2254
0,6136
= 6, 2647
9,7946 0,0001
1.034,41
= 3, 8740
9,7946 743,1920
Na distribuio t de Student com 7 (10-2-1) graus de liberdade, o valor de |tj | que garante um nvel de conana
de 95% 2,3646. Como |t0 | maior que 2,3646, a hiptese nula de que 0 = 0 rejeitada com, pelo menos 95%
de conana. O mesmo tambm ocorre para |t1 | e |t2 | .
Referncias
[1] Universidade de Berkeley, Econometrics Laboratory Software Archive. Regression Analysis (em Ingls). Visitado
em 18/05/2011.
9.1
Texto
9.2
Imagens
9.3
Licena