O documento fornece instruções para calcular os coeficientes B1 e B2 da regressão linear através da construção de uma tabela com os dados de Y e X e realizando uma série de cálculos. Também resume os conceitos teóricos fundamentais da regressão linear, como variáveis dependente e independente, hipóteses do modelo, estatísticos e testes.
O documento fornece instruções para calcular os coeficientes B1 e B2 da regressão linear através da construção de uma tabela com os dados de Y e X e realizando uma série de cálculos. Também resume os conceitos teóricos fundamentais da regressão linear, como variáveis dependente e independente, hipóteses do modelo, estatísticos e testes.
O documento fornece instruções para calcular os coeficientes B1 e B2 da regressão linear através da construção de uma tabela com os dados de Y e X e realizando uma série de cálculos. Também resume os conceitos teóricos fundamentais da regressão linear, como variáveis dependente e independente, hipóteses do modelo, estatísticos e testes.
Montar uma tabela com os valores de Y e X nas duas primeiras colunas.
Calcular o Somatrio de Y e tambm o de X. Calcular a mdia dos dois (somatrio de Y/quantos valores de Y tem na tabela, o mesmo com o X). Calcular o y (Y-Mdia de Y) na prxima coluna e somatrio Calcular o x (X- Mdia de X) na prxima coluna e somatrio Calcular o x.y na prxima coluna e somatrio Calcular o x2 e somatrio na prxima coluna Calcular o B2 e o B1
Montar a equao: Y (estimado) = valor de B1 + valor de B2 . Xi. Interpretao: Para
cada aumento de 1% em X, h um aumento de (valor de B2)% em Y.
Para encontrar o valor dos resduos e do Y(estimado), para calcular a varincia e do
desvio padro.
Montar uma tabela com os valores de Y e X nas duas primeiras colunas.
Na prxima coluna, montar a equao estimada acima e no lugar do X, colocar os valores de X dado no problema. A partir disso, calcular o Y (estimado) Na prxima coluna, calcular (Y Yestimado), que sero os valores de Y dado no problema, menos os valores de Y que foi estimado. Essa coluna ser chamada de Erros, ou resduos, e representada pelo U. O somatrio da coluna do U tem que dar prximo a zero. Na prxima coluna, calcular o U2, e somatrio. Na prxima coluna Calcular X2, e somatrio.
Utilizar os dados da tabela para calcular a varincia do sistema e assim, a varincia de
B1 e B2. Aps, calcular o erro padro (raiz quadrada da varincia). Esses resultados sero fundamentais para estimar os intervalos de confiana.
Resumo terico (com base em Gujarati, 2011)
Variveis independentes so aquelas utilizadas para estimar o Y (no
nosso caso, B1 e B2). B2 o coeficiente angular, ou seja, determina a inclinao da reta de regresso. Varivel dependente o Y, ou seja, a varivel que depende dos valores das variveis independentes. Y = B1 + B2 X Erro do tipo I: Rejeitar a hiptese nula quando ela for verdadeira. Erro do tipo II: No rejeitar a hiptese nula quando ela for falsa. Os estimadores devem ser lineares nas variveis e nos parmetros. O valor mdio ou esperado das perturbaes (erros) deve ser sempre prximo de zero. O modelo deve ser homoscedstico, ou seja, possuir varincia constante ao longo da srie. A correlao entre aas variveis do modelo deve ser igual a zero. A covarincia entre Ui e Xi deve ser zero. R2: medida que indica o quo bem a reta de regresso da amostra se ajusta aos dados, no pode ser negativo, pq indica uma proporo do total explicado. r: indica o quanto as variveis do modelo esto relacionadas, pode ser negativa. Os estimadores de Mxima Verossimilhana so estimadores viesados para baixo, ou seja, subestima o verdadeiro valor da varincia, em amostras pequenas. Hiptese nula: Sempre testa que os Bs estimados so iguais a zero. Devemos sempre tentar rejeit-la, caso contrrio, nosso modelo no ir conseguir explicar os verdadeiros valores de Y. Hiptese alternativa: Sempre testa que os coeficientes Bs so diferentes de zero.
Hipteses do Modelo de Regresso Linear
1 HIPTESE - Modelo de Regresso Linear: o modelo de regresso linear
linear nos parmetros. 2 HIPTESE Os valores de X so fixados em amostras repetidas: os valores assumidos pelo regressor X so considerados fixados em repetidas amostras, ou seja, supe-se que X seja no estocstico. 3 HIPTESE Valor mdia zero da perturbao ui: dado o valor de X, o valor mdio ou esperado do termo de perturbao aleatria ui zero. 4 HIPTESE Homoscedasticidade ou varincia igual de ui: dado o valor de X, a varincia de ui a mesma para toda as observaes, ou seja, as varincias condicionais de ui so idnticas. 5 HIPTESE No deve haver correlao entre as perturbaes ui: dados dois valores de X quaisquer, Xi e Xj(i j), a correlao entre quaisquer dois ui e uj zero. 6 HIPTESE Covarincia zero entre ui e Xi: ou E(Xi, ui) = 0. 7 HIPTESE O nmero de observaes n deve ser maior que o nmero de parmetros a serem estimados: ou seja, o nmero de observaes devem ser maior que o nmero de variveis explicativas. 8 HIPTESE Variabilidade nos valores de X: Os valores de X em uma dada amostra no podem ser todos iguais. Tecnicamente, a varincia de X deve ser um nmero positivo finito. Se todos os valores de X forem idnticos, ento Xi igual a sua mdia, assim, torna-se impossvel determinar o valor do parmetro 2 (o denominador da funo estimativa zero), portanto, tambm no possvel estimar 1. A variao tanto de X como de Y essencial para utilizarmos a anlise de regresso como uma ferramenta de pesquisa. 9 HIPTESE O modelo de regresso deve estar corretamente especificado: no deve haver nenhum vis ou erro de especificao no modelo usado na anlise emprica. 10 HIPTESE No existe multicolinearidade perfeita: no deve haver relao linear perfeita entre as variveis explicativas, ou seja, nenhuma das variveis explicativas pode ser escrita como combinao lineares das demais variveis explicativas.