Type author name/s

Alexandre here
Ernesto

Parte II – Modelos de
Chapter heading
Regressão Linear
AULA 5: Interpretação das estimativas do
MCRL em diferentes especificações, Grau
de ajuste e Testes de hipóteses

© Alexandre Ernesto, 2019. Direitos reservados.

PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Objectivos de aprendizagem

1. Saber interpretar as estimativas do MCRL sob diferentes especificações;

2. Entender o conceito de grau de ajustamento medido pelo coeficiente de determinação

num modelo de regressão simples;

3. Conduzir testes de hipóteses e construir intervalos de confiança;

4. Entender a diferença entre erro do tipo I e tipo II.

2
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

1. Interpretação das estimativas do MCRL sob diferentes

especificações

3
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Interpretação das estimativas do MCRL

Caso level-level

Valores de Y e X em level.

𝑌𝑖 = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖

 Interpretação: uma unidade de aumento em 𝑋𝑖 impacta 𝑌𝑖 em 𝛽2 unidades.

Caso log-log

Valores de Y e X em logaritmo natural.

𝐿𝑛(𝑌𝑖 ) = 𝛽1 + 𝛽2 ln(𝑋𝑖 ) + 𝑢𝑖

 A expressão de 𝛽2 é equivalente ao rácio da mudança percentual em 𝑌𝑖 por consequência de mudanças

percentuais em 𝑋𝑖 (denota elasticidades).

 Interpretação: 1% de aumento em 𝑋𝑖 impacta 𝑌𝑖 em 𝛽2 %.

4
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Interpretação das estimativas do MCRL

Caso level-log

Valores de Y em level e de X em log.

𝑌𝑖 = 𝛽1 + 𝛽2 𝐿𝑛(𝑋𝑖 ) + 𝑢𝑖

𝛽2
 Interpretação: 1% de aumento em 𝑋𝑖 impacta 𝑌𝑖 em unidades.
100

Caso log-level

Valores de Y em log e de X em level.

𝐿𝑛(𝑌𝑖 ) = 𝛽1 + 𝛽2 𝑋𝑖 + 𝑢𝑖

 Interpretação: uma unidade de aumento em 𝑋𝑖 impacta 𝑌𝑖 em 100 ∗ 𝛽2 %.

5
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

2. Grau de ajustamento

6
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Grau de ajuste R2

Ao elaborarmos um modelo de regressão linear 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝒖𝒊 , para 𝒊 = 1, … , 𝑛 , é importante percebermos

se os resultados obtidos descrevem de facto a relação entre 𝑌𝑖 e 𝑋𝑖 e se 𝑋𝑖 ajuda a explicar o comportamento de 𝑌𝑖 ,
ou seja inferir sobre a qualidade do ajustamento dos dados.

 A figura abaixo, painel a ilustra que se todas as observações se situassem na linha de regressão, obteríamos
um ajustamento perfeito, mas isso raramente acontece. Na prática a maioria dos valores estimados por meio de
uma regressão apresentam desvios (positivos e negativos), como observado no painel b.

Painel (a) Painel (b)

7
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Grau de ajuste R2
O que esperamos na prática, é que os resíduos em torno da linha de regressão sejam os menores possíveis e para
medirmos o grau de ajustamento entre as variáveis num modelo de regressão amostral usamos o coeficiente de
determinação.

Em termos algébricos, o coeficiente de determinação R2, é computado pela seguinte expressão:

𝑢𝑖2
𝑅2 =1−
(𝑌𝑖 − 𝑌)2
Onde:

 𝑢𝑖2 é a soma dos quadrados dos resíduos (SQR)

 (𝑌𝑖 − 𝑌)2 é a variação total de 𝑌𝑖 em torno da sua média (STQ).

Note que STQ é função de duas componentes: uma atribuível à linha de regressão e a outra a forças aleatórias porque nem todas as
observações de 𝑌𝑖 se situam sobre a linha ajustada (STO = SQE + SQR).

 SQE é soma dos quadrados explicados pela regressão, ou seja, pela variável explicativa.

Propriedades de 𝐑𝟐 :

1. É um número não negativo;

2. Seus limites são 0 ≤ 𝑅 2 ≤ 1, se 𝑅2 = 1 significa ajustamento perfeito, isto é, 𝑌𝑖 = 𝑌𝑖 para cada i. 𝑅 2 = 0 significa que não há
ajustamento.
8
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Problemas associados com o R2

1. Spurious regression (regressão falsa): acontece quando duas ou mais variáveis não estão
relacionadas, mas observa-se um coeficiente de determinação muito elevado;

2. Correlação não necessariamente implica causalidade: não importa o quão elevado é o valor de R2, pois
isto não sugere causalidade entre 𝑌𝑖 e 𝑋𝑖 , porque R2 é uma medida de correlação entre os valores observados
𝑌𝑖 e os valores estimados 𝑌𝑖 . Devemos antes, olhar para a teoria económica ou trabalhos empíricos passados e
intuição para aferir a causalidade entre as variáveis;

3. Um R2 muito baixo não significa que 𝑿𝒊 foi uma má escolha. Baixos valores de R2 não estão
necessariamente ligados ao uso de variáveis explanatórias erradas. A forma funcional usada no modelo pode
ser inapropriada, ou se se tratar de uma série temporal, a escolha do período pode estar incorrecta e lagged
terms podem preciser ser incluídos na regressão (má especificação do modelo).

4. Coeficientes de determinação R2 oriundo de modelos com diferentes formas funcionais não são
comparáveis. Por exemplo o R2 de 𝟏) 𝒀𝒊 = 𝜷𝟏 + 𝜷𝟐 𝑿𝒊 + 𝒖𝒊 não é comparável ao R2 de 𝟐) 𝒍𝒏𝒀𝒊 = 𝜷𝟏 +
𝜷𝟐 𝒍𝒏𝑿𝒊 + 𝒖𝒊

9
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

3. Testes de hipótese e intervalos de confiança

10
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Testes de hipóteses e intervalos de confiança (recordando….)

São quatro os passos geralmente usados para elaboração de um teste de hipótese:

1. Determinar a hipótese nula e a hipótese alternativa;

Tipo de teste de 𝐻0 : hipótese nula 𝐻𝐴 : hipótese alternativa Regra de decisão:

hipóteses rejeita a 𝐻0 se
Bicaudal - 𝛽𝑖 é diferente |𝑡| > 𝑡𝛼/2,𝑔𝑙
𝛽𝑖 = 0 𝛽𝑖 ≠ 0
de zero
Cauda direita – 𝛽𝑖 é
𝛽𝑖 ≤ 0 𝛽𝑖 > 0 𝑡 > 𝑡𝛼,𝑔𝑙
maior do que zero
Cauda esquerda – 𝛽𝑖 é
𝛽𝑖 ≥ 0 𝛽𝑖 < 0 𝑡 < −𝑡𝛼,𝑔𝑙
menor do que zero

2. Determinar o tamanho do teste (1%, 5% ou 10%), indicando a região crítica

(a) Diferente de zero (b) Maior do que zero (c) Menor do que zero

11
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Testes de hipóteses e intervalos de confiança (recordando….)

3. Determinar a estatística t e o intervalo de confiança:

𝛽𝑖 − 𝛽𝑖
𝑡= , onde 𝐷𝑃 𝛽𝑖 é 𝑜 𝑑𝑒𝑠𝑣𝑖𝑜 − 𝑝𝑎𝑑𝑟ã𝑜 𝑑𝑒 𝛽𝑖
𝐷𝑃(𝛽𝑖 )

𝛽𝑖 − 𝛽𝑖
−𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ≤ ≤ 𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜
𝐷𝑃(𝛽𝑖 )

Ou
𝛽𝑖 −𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽𝑖 ≤ 𝛽𝑖 𝑒 𝛽𝑖 ≤ 𝛽𝑖 +𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽𝑖

O intervalo de confiança é: IC = 𝛽𝑖 −𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽𝑖 ⋯ 𝛽𝑖 +𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽𝑖

4. Tome uma decisão e apresente a sua conclusão sobre os resultados conforme os casos
que se apresentam nas regras de decisão da tabela apresentada no ponto 1.

12
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Exemplo 1: testes de hipóteses e intervalos de confiança

Modelo abaixo testa se o nível de educação de uma pessoa esta ou não relacionado com o salário.

Ln(wagei ) = β0 + β1 Edui + ui

Após estimação do modelo, tem-se os seguintes resultados:

Ln(wagei ) = 3.240 + 0.068Edui

(1.767) (0.025)

Onde n =428, K = 2 e a variável dependente é o logaritmo natural do rendimento. Os valores em parênteses

representam o desvio-padrão de cada estimativa.

Determine se o coeficiente sobre o nível de educação é estatisticamente diferente de zero?

13
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Exemplo 1: testes de hipóteses e intervalos de confiança (resolução)

Passo nº 1. Defina as hipóteses.

 𝛽1 = 0

 𝛽1 ≠ 0

Passo nº 2. Determine o tamanho do teste – região de rejeição 𝛼 = 0.05

 O valor crítico para um teste bicaudal é de 𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 = 1.96.

Passo nº 3. Calcule a estatística t e o intervalo de confiança:

𝛽1 − 𝛽1 0.068 − 0
𝑡= = = 2.72
𝐷𝑃(𝛽1 ) 0.025

𝐼𝐶 = 𝛽1 −𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽1 ⋯ 𝛽1 +𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 ∗ 𝐷𝑃 𝛽1 = 0.068 − 1.96 ∗ 0.025 ⋯ 0.068 + 1.96 ∗ 0.025

𝐼𝐶 = 0.019 ⋯ 0.117

Passo nº 4. Calcule a estatística t e o intervalo de confiança:

 Se 𝑡 > 𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 rejeitamos a hipótese nula, se contrário não rejeitamos rejeitamos;

 2.72 > 1.96, rejeitamos a hipótese nula (e esta fora do IC);

 Conclusão: o coeficiente sobre o nível de educação é estatisticamente diferente de zero.

14
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Exemplo 2: testes de hipóteses e intervalos de confiança

Dado o modelo 𝑟𝑥𝑖 = 𝛼 + 𝛽𝑟𝑚𝑖 + 𝑢𝑖 descreve a eficiência do mercado financeiro do Reino Unido, em que
rxi é o excesso de retorno obtido por um banco e rmi são os e retornos excedentes do índice de mercado

Após estimação do modelo, tem-se os seguintes resultados:

rxi = −0.020 + 0.910rmi

(0.286)

Determine se o retorno obtido pelo banco britânico pode superar os ganhos do índice de mercado?
Considere o nível de teste para 5% e 𝑡 𝑐𝑟𝑖𝑡𝑖𝑐𝑜 = 1.96.

15
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

4. Erro do tipo I e II

16
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Erro do tipo I e II

Erro do tipo I: ocorre quando rejeitamos uma hipótese nula verdadeira.

 Este tipo de erro ocorre de acordo com um pré-determinado nível de significância, ou seja;

 Quanto maior for a região de rejeição, maior é a probabilidade de rejeição de uma hipótese nula
verdadeira.

Erro do tipo II: ocorre quando não rejeitamos uma hipótese nula falsa.

 A hipótese nula é retida incorrectamente;

 Quanto maior a região de rejeição, menor é a probabilidade de não rejeição de uma hipótese nula falsa.

Existe um trade-off entre erro do tipo I e do tipo II de tal forma que:

1. Quanto maior for o tamanho do teste, maior será a probabilidade de aumento do erro do tipo I e menor
a probabilidade de aumento do erro do tipo II;

2. Quanto menor for o tamanho do teste, menor será a probabilidade de aumento do erro do tipo I e maior
será a probabilidade de aumento do erro do tipo II.
17
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

18
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Resumo

Na aula de hoje cobrimos os seguintes aspectos:

1. Interpretação das estimativas do MCRL sob diferentes especificações;

2. Determinação do grau de ajustamento dos modelos R2 ;

3. Metodologia para o uso de testes de hipóteses e intervalos de confiança;

4. Erros do tipo I e II.

19
 PARTE II - Modelos de Regressão Linear

Bibliografia utilizada

Próxima aula iremos falar sobre:

 Regressão linear múltipla

 Propriedades dos estimadores
 Grau de ajuste: R2 e R2-ajustado
 Testes de hipóteses em casos de múltiplas restrições:
Abordagem do teste F
 Critérios a usar na selecção do modelo: AIC, BIC e
R2-ajustado
 Teste F e os breaks estruturais

20
PARTE II - Modelos de Regressão Linear | Diferentes especificações, grau de ajuste e teste de hipóteses

Bibliografia utilizada

Asteriou e Hall. 2011. capítulo 3, pág. 29 – 60.

Gujarati, Damodar N., 2009. Capítulo 3.

Wooldridge, Jeffrey M., 2013. Capítulo 3.

21
Copyright Alexandre Ernesto 2019.

Estes slides podem ser carregados por qualquer pessoa, em

qualquer lugar para uso pessoal e não há necessidade de se
referenciar o autor.

Todo o material inserido nestes slides, a excepção de algumas

ilustrações e exemplos específicos sobre Angola, foram elaborados
com base nos livros descritos na referência bibliográfica para este
curso.

22