Upload
isabela-salas
View
251
Download
16
Embed Size (px)
Citation preview
Regressão Linear
MúltiplaVariáveis BináriasRelações Não-Lineares
2
Regressão Linear Múltipla
yc = a + bx1 + cx2 + … mxn + ui
ou
yc = b0 + b1x1 + b2x2 + … bnxn + ui
3
Regressão Linear Múltipla EXEMPLO
REGRESSÃO DE LCRED (Y) EM FUNÇÃO DE LDEP (X1), LAPL (X2), LTVM (X3)
obs. banco lcrd ldep lapl ltvm1 1 23,81 24,38 23,04 22,892 2 23,03 23,98 22,57 23,393 3 22,86 23,24 22,41 21,754 4 21,99 22,10 22,34 22,485 5 23,20 23,03 22,30 22,496 7 20,84 21,12 18,56 21,257 15 21,65 22,44 21,78 23,248 22 21,95 21,71 22,38 21,829 23 22,11 22,44 21,40 21,9910 24 22,01 21,52 20,84 21,2411 38 22,23 22,41 21,23 21,5112 51 23,85 25,14 23,63 24,7913 65 21,44 21,83 20,35 21,5014 87 21,62 23,06 21,34 22,76
4
Regressão Linear Múltipla
Estatística de regressãoR múltiplo 0,9468R-Quadrado 0,8964R-quadrado ajustado 0,8653Erro padrão 0,3292Observações 14
Análise do ajuste
5
Regressão Linear Múltipla
CoeficientesErro
padrão Stat t valor-P95%
inferiores95%
superioresInferior 90,0%
Superior 90,0%
Interseção 8,414 2,060 4,085 0,0022 3,825 13,004 4,681 12,148ldep 0,698 0,164 4,255 0,0017 0,333 1,064 0,401 0,996lapl 0,327 0,118 2,783 0,0193 0,065 0,589 0,114 0,540ltvm -0,406 0,167 -2,425 0,0357 -0,779 -0,033 -0,709 -0,103
Avaliação da significância estatística de cada coeficiente
6
Regressão Linear Múltipla
Avaliação da significância estatística global do modelo
H0: todos os coeficientes são iguais a zero simultaneamente
H1: pelo menos um coeficiente é diferente de zeroOU
H0: r2 = 0H1: r2 > 0
7
Regressão Linear Múltipla
Avaliação da significância estatística global do modelo A significância econômica acontecerá
com a rejeição da Hipótese Nula
ANOVAgl SQ MQ F F de significação
Regressão 3 9,371 3,124 28,8318 3,09265E-05Resíduo 10 1,083 0,108Total 13 10,454
8
Regressão Linear Múltipla
Relação da estatística F com R2
2
2
2
Variação Explicada Variação da RegressãoVariação Total Variação até à Média
Variação Explicada Variação da RegressãoVariação Não Explicada Variação dos Resíduos
/ 11 /
R
F
kRFn kR
9
Para análise da utilidade das Regressões Múltiplas substitui-se r2 por r2 ajustado
Ao adicionar novas variáveis independentes, r2 nunca diminuirá, aumentando em alguns casos
O coeficiente de determinação ajustado r2 compensa esse aumento natural de explicação de r2 ao aumentar o número de variáveis independentes
Regressão Linear Múltipla
10
Coeficiente r2ajustado
2 2 11 1
najustado
n kr r
onde:
(n - k) = graus de liberdade n = número de observações k = número de coeficientes estimados (variáveis utilizadas)
Objetivo: medir a qualidade de ajuste da reta de regressão, penalizando
o acréscimo de variáveis
11
Variáveis Dummy
Variáveis Independentes Binárias Qualitativas, usadas para indicar a presença ou ausência de
determinado fenômeno Assumem apenas o valor 0 ou 1
Exemplo Existência ou não de piscinas numa regressão do preço de
casasXi = 1, se a casa tem piscina
Xi = 0, se a casa não tem
12
Variáveis Dummy
Podem ser usadas também para avaliar qualitativamente algumas situações com mais de 2 alternativas possíveis
Exemplo A qualidade da condição do piso da casa boa, média
ou ruim Usam-se p – 1 variáveis, sendo p o número de
possibilidades
13
Variáveis Dummy
1, se o piso está em boas condições0, se não
Xi =
1, se o piso está em condições médias0, se não
Xi + 1 =
Deixa-se de fora a possibilidade de as condições serem ruins. Esta ocorre quando Xi = 0 e Xi + 1 = 0Ou seja, o piso está em condições ruins quando não está em boas condições (xi = 0) nem em condições médias (xi + 1 = 0)
14
Variáveis Dummy
O método dos mínimos quadrados não tem respostas se informam-se p variáveis (no exemplo, 3) ao invés de (p – 1) variáveis
Também é inadequado informar-se apenas uma variável, que poderia assumir os valores 1(boa), 2 (média) e 3(ruim).
Neste caso, se entenderia que a condição 3 (ruim) é 3 vezes tão ruim quanto a condição boa (1)
15
Variáveis Dummy
Podem ser utilizadas de três formas aditiva, ou seja, alterando o intercepto multiplicativa, ou seja, alterando o coeficiente angular mista, ou seja, alterando o intercepto e o coeficiente
16
Variáveis Dummy
aditiva, como no exemplo:
Y
X
Se D = 0:Yc = a + b1.X
Yc = a + b1.X + b2.D
Se D = 1:Yc = (a+b2) + b1.X
17
Variáveis Dummy
multiplicativa, como no exemplo
Y
X
Se D = 0: Yc = a + b1.X
Yc = a + b1.X + b3.D.X
Se D = 1:Yc = a + (b1+b3).X
18
Variáveis Dummy
mista, como no exemplo
Y
X
Se D = 0: Yc = a + b1.X
Yc = a + b1.X + b2.D + b3.D.X
Se D = 1:Yc = (a+b2) + (b1+b3).X
19
Regressão Não Linear Muitos processos econômicos são mais bem explicados por
funções não lineares Ocorre quando a relação entre Y e a variável X não é linear Podemos verificar se a relação é ou não linear analisando o gráfico
de dispersão x,y Em um estudo de modelos lineares, a relação não linear pode
também ser identificada pela análise dos resíduos.
Y
X
Função quadrática:Yc = a + bX + cX2
20
Regressão Não Linear
É possível expressar relações não lineares usando modelos lineares
Regressão Polinomiala) Regressão Polinomial de 2ª Ordem
Função: Yc = a + bX + cX2 Neste caso, a função é não linear porque inclui a variável não
linear X2 No entanto, todos os coeficientes (a, b e c) são lineares. Não aparecem como exponencial nem multiplicadores uns dos
outros. Neste caso, podemos expressar o modelo por uma expressão
linear, definindo uma nova variável como o quadrado de X Basta incluir uma nova coluna nos dados com o quadrado de X
e incluir esta nova variável no modelo.
21
Regressão Não Linear
b) Regressão Polinomial de 3ª Ordema) Função: Yc = a + bX + cX2 + dX3
b) Novamente, todos os coeficientes são lineares. c) Para transformá-la numa função linear, basta incluir 2 novas colunas
nos dados: 1) uma com o quadrado de X (x2) 2) outra com o cubo de X (x3) e incluir essas novas variáveis no
modelo.c) Regressões não lineares que suportem transformações em
expressão linear mais complexa não são escopo da disciplina
22
Regressão Não Linear
d) Função Exponencial Yc = a.ebx na função linear → ln Yc = ln a + bx
1. Transformar as observações yi em ln yi
2. Calcular os coeficientes da reta de regressão denominados como: intercepto h e declividade k, e o coeficiente de determinação r2
3. Calcular os coeficientes a e b, fazendo:• a = eh (ln a = h) • b = k
23
Regressão Não Linear
ln yln xln ý=ln a + b. ln xÝ = a.xbPotência
yln xÝ = a + b. ln xÝ = a + b. ln xLogarítmica
ln yxln ý = ln a + bxÝ = a.ebxExponencial
yxÝ = a + bxÝ = a + bxLinear
Variável yVariável xTransformação
EquaçãoTipoTransformação de Variáveis com Logaritmos
24
Regressão Não Linear
Importante!NãoNão são comparáveis, diretamente, os coeficientes de são comparáveis, diretamente, os coeficientes de
determinação determinação rr22 de regressões em que a mesma de regressões em que a mesma variável dependente esteja expressa em diferentes variável dependente esteja expressa em diferentes apresentações, ou seja, y e a transformada lnyapresentações, ou seja, y e a transformada lny
ln yln xln Ý=ln a + b. ln xÝ = a.xbPotência
yln xÝ = a + b. ln xÝ = a + b. ln xLogarítmicaln yxln Ý = ln a + bxÝ = a.ebxExponencial
yxÝ = a + bxÝ = a + bxLinear
Variável yVariável xTransformaçãoEquaçãoTipo
25
Usando a Função Tendência do Excel para Regressões Não Lineares
1) Construa gráfico de dispersão x-y para os dados originais do problema
2) Clique em qualquer dos pontos do gráfico de dispersão apresentado
Regressão Não Linear
26
Regressão Não Linear
Com o botão direito do mouse, clique em Adicionar Linha de Tendência
polinomial ordem 2
Selecione Opções exibir função no gráfico exibir r2 no gráfico
OK