Aula 10

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 10 Regresso Linear Mltipla

Prof. Alexandre Lima
Aula 10
Sumrio
1
Regresso Linear Mltipla .................................................................................................. 2

1.1
Modelo de Regresso Linear Mltipla .................................................................... 2
1.2
Os Pressupostos do Modelo ....................................................................................... 3
1.3
Notao Matricial para o Modelo de RLM ............................................................. 5
1.3
Estimativa de Mnimos Quadrados do Modelo ................................................... 7
1.3.1
Mnimos Quadrados Ordinrios (MQO) ......................................................................... 7
1.3.2
Mnimos Quadrados Generalizados (MQG) ................................................................... 9
1.4
Varincias e Covarincias......................................................................................... 10
1.5
Teste da Significncia de um Coeficiente nico: Teste t ............................. 11
1.6 Teste da Significncia Global da Regresso da Amostra: Teste F e

ANOVA ......................................................................................................................................... 11
2
O Mnimo que Voc Precisa Saber ................................................................................ 20
Exerccios de Fixao ......................................................................................................... 23
Gabarito .................................................................................................................................. 26
Resoluo dos Exerccios de Fixao ........................................................................... 27
APNDICE ....................................................................................................................................... 38
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Regresso Linear Mltipla
1.1
Modelo de Regresso Linear Mltipla
O modelo de Regresso Linear Simples (RLS) estudado muitas vezes

inadequado na prtica. Vrias aplicaes de anlise de regresso envolvem
situaes em que h mais de um regressor (varivel independente). Um
modelo de regresso que contenha mais de um regressor denominado
modelo de Regresso Linear Mltipla (RLM).
Por exemplo, suponha que a quantidade demandada de um produto (varivel
dependente Y) dependa linearmente do preo do produto (varivel
independente X2) e da renda do comprador (varivel independente X3) da
forma
(1)
Y = 1 + 2X2i + 3X3i
em que 1, 2 e 3 so parmetros fixos e desconhecidos do modelo

matemtico determinstico (1) (*). O parmetro intercepto, 1, o valor da
varivel dependente quando cada uma das variveis independentes
(explanatrias ou explicativas) toma o valor zero. Os demais parmetros, 2 e
3, medem a variao no valor da varivel dependente, para uma variao
unitria na varivel explanatria, quando todas as outras variveis so
mantidas constantes. A equao (1) descreve um plano no espao
tridimensional de Y, X2 e X3.
(*) O modelo (1) determinstico porque no possui o termo de erro aleatrio.
Para admitir relaes estocsticas entre as variveis dependente
independentes, deve-se reescrever a funo determinstica (1) como
(2)
Yi = 1 + 2X2i + 3X3i + i
em que o subscrito i denota a i-sima observao e a varivel denota o

termo de erro aleatrio do modelo de Regresso Linear Mltipla (2). O
modelo (2) tem dois regressores, quais sejam, X2 e X3.
A existncia do erro aleatrio no modelo (2) pode ser justificada pelos
seguintes argumentos:
1. Embora a quantidade demandada de um produto (Y) possa depender de
forma significativa das variveis sistemticas preo (X2) e renda do
comprador (X3), razovel admitir que existam outras variveis menos
sistemticas, tais como variaes do clima, mudanas de governo,
terremotos, epidemia, greves etc., que contribuem para a determinao
2

do valor de Y. Ora, o erro aleatrio modela a influncia lquida de um

grande nmero dessas causas pequenas e independentes.
2. Erros de medida nas variveis explanatrias.
3. Indeterminao humana.
Em geral, o modelo de RLM pode ter k parmetros (ou coeficientes)
desconhecidos 1, 2, 3,..., k:
(3)
Yi = 1 + 2X2i + 3X3i + ... + kXki + i
O modelo (3) com k 4 descreve um hiperplano no espao k dimensional de

regressores, ou seja, quando k 4 no possvel representar o modelo
graficamente.
1.2
Os Pressupostos do Modelo
Para tornar completo o modelo (3), devemos fazer algumas suposies sobre a
distribuio de probabilidade dos erros aleatrios i. Os pressupostos que
vamos introduzir so anlogos aos introduzidos para o modelo de RLS. So:
1. E(i) = 0. Cada erro aleatrio tem distribuio de probabilidade com
mdia nula. Alguns erros sero positivos, outros sero negativos; em um
grande nmero de observaes, eles tero mdia zero.
2. Var(i) = 2. As distribuies de probabilidade dos erros aleatrios i tm
a mesma varincia constante 2. A varincia 2 um parmetro
desconhecido e mede a incerteza presente no modelo estatstico. Como
a mesma para cada observao, para nenhuma observao a incerteza
do modelo ser maior, ou menor, nem estar diretamente ligada a
qualquer varivel. Os erros com essa propriedade chamam-se
homocedsticos.
3. Cov(i, j) = 0, para ij. A covarincia entre dois erros correspondentes a
duas observaes diferentes quaisquer zero. O tamanho do erro de
uma observao no tem qualquer influncia sobre o tamanho provvel
do erro de outra observao. Assim, qualquer par de erros distintos
no correlacionado.
4. Admitiremos que os erros aleatrios i tenham distribuio de
probabilidade normal com mdia nula e varincia 2, isto , i ~ N(0,
2).
3

Como cada observao sobre a varivel dependente Yi depende do termo

aleatrio i, tem-se que cada Yi uma varivel aleatria. As propriedades
estocsticas de Yi decorrem das de i. So:
1. E(Yi) = 1 + 2X2i + 3X3i + ... + kXki. O valor esperado de Yi depende
dos valores das variveis explanatrias e dos parmetros desconhecidos.
Essa suposio equivalente a E(i) = 0. Ela nos diz que o valor mdio
de Yi varia para cada observao, sendo dado pela funo de regresso
E(Yi) = 1 + 2X2i + 3X3i + ... + kXki.
2. Var(Yi) = Var(i) = 2. A varincia dos Yi a mesma em cada
observao, ou seja, constante. Algumas observaes sobre Yi no tm
mais probabilidade de estarem afastadas da funo de regresso do que
outras.
3. Cov(Yi, Yj) = Cov(i, j) = 0, para ij. Duas observaes quaisquer da
varivel dependente so sempre no correlacionadas.
4. Admitiremos que os Yi tenham distribuio de probabilidade normal, ou
seja, Yi ~ N[(1 + 2X2i + 3X3i + ... + kXki), 2], o que equivale a dizer
que i ~ N(0, 2).
Alm das suposies sobre o erro aleatrio i e sobre a varivel dependente Yi,
assumiremos dois pressupostos sobre as variveis explanatrias. So:
1. Os regressores no so variveis aleatrias.
2. Nenhuma das variveis explanatrias uma funo linear exata de
qualquer das outras, ou seja, as variveis X no so linearmente
dependentes. Esse o pressuposto de multicolinearidade exata, que
equivale a afirmar que nenhuma varivel explanatria redundante, ou
seja, desnecessria para a regresso. Dito de outra forma, no existe
um conjunto de coeficientes (2,..., k) (0, ... ,0) tal que
k
X
t 2
ti
0.
PRESSUPOSTOS DO MODELO DE REGRESSO MLTIPLA

1. Yi = 1 + 2X2i + 3X3i + ... + kXki + i
2. E(Yi|X)= 1 + 2X2i + 3X3i + ... + kXki
4

3. Var(Y) = Var() = 2
4. Cov(Yi, Yj) = Cov(i, j) = 0
5. Os regressores Xj, j = 2, ..., k, no so aleatrios e nem so funes
lineares exatas dos demais regressores.
6. Yi ~ N[(1 + 2X2i + 3X3i + ... + kXki), 2] i ~(N, 2)
1.3
Notao Matricial para o Modelo de RLM
Para prosseguir com a exposio terica, ser preciso introduzir a notao

matricial para o modelo de RLM.
Considere os dados da Tabela 1, que foram extrados do estudo seminal sobre
a teoria do investimento de autoria de Y. Grunfeld1. Grunfeld estava
interessado em investigar como o investimento bruto (INV) depende do valor
da empresa (V) e do estoque de capital (K). A tabela apresenta dados da
empresa General Motors (GM).
Seja INV = Y, V = X2 e K = X3. Admita que o modelo de RLM
(4)
Y1 1 2 X 2,1 3 X 3,1 1
Y X X
2
1
2 2, 2
3 3, 2
2
...
Y20 1 2 X 2, 20 3 X 3, 20 20
seja capaz de descrever o comportamento do investimento bruto da GM entre

os anos de 1935 e 1954, isto , ao longo de n = 20 perodos de tempo (*).
(*) Estamos supondo que os parmetros desconhecidos no mudam com o
tempo, o que nem sempre verdade na prtica. Para os objetivos desta aula,
faamos de conta que isto seja vlido para os dados da Tabela 1.
Os
vetores
(Y1 , X 2,1 , X 3,1 ) ,
(Y2 , X 2, 2 , X 3, 2 ) ,
...,
(Y20 , X 2, 20 , X 3, 20 )
contm
n=20
observaes que sero ajustadas ao modelo geral (4). Note que, para o
nosso jargo matricial, um dado vetor (Yi , X 2i , X 3i ) , i 1,2,...20 , corresponde a
uma observao. Mas no se esquea de cada vetor contm as observaes
das variveis Yi , X 2i , X 3i no i-simo perodo de tempo.
conveniente reescrever o modelo (4) usando a notao matricial, que tem o
mrito de ser compacta,
1
Os dados foram reproduzidos em vrios livros. Extramos de [GUJ00]. A fonte original a tese de doutorado (no
publicada) de Y. Grunfeld, The Determinants of Corporate Investment, Universidade de Chicago, Departamento de
Economia, 1958.

(5)
Y = X +
Y1
Y
2
em que Y
...

Y20
1
1
X
...
X 2,1
X 2, 2
...
X 2, 20
X 3,1
X 3, 2
...
X 3, 20
1
2
3
1

2.
...

20
Tabela 1: Dados sobre investimentos da GM

GM
INV
1935
317,6
3.078,5
2,8
36
391,8
4.661,7
52,6
37
410,6
5.387,1
156,9
38
257,7
2.792,2
209,2
39
330,8
4.313,2
203,4
40
461,2
4.643,9
207,2
41
512,0
4.551,2
255,2
42
448,0
3.244,1
303,7
43
499,6
4.053,7
264,1
44
547,5
4.379,3
201,6
45
561,2
4.840,9
265,0
46
688,1
4.900,9
402,2
47
568,9
3.526,5
761,5
48
529,2
3.254,7
922,4
49
555,1
3.700,2
1.020,1
50
642,9
3.755,6
1.099,0
51
755,9
4.833,0
1.207,7
52
891,2
4.924,9
1.430,5
53
1.304,4
6.241,7
1.777,3
54
1.486,7
5.593,6
2.226,3
Fonte: reproduzido de [GUJ00], pg. 527.
Generalizando o modelo (4) para o caso em que h k regressores e

observaes em n perodos distintos de tempo, obtemos
6

Y1 1 2 X 2,1 ... k X k ,1 1
Y X ... X
2
k
k ,2
1
2 2, 2
2
...
Yn 1 2 X 2,n ... k X k ,n n
(6)
ou Y = X +
em que
Y1
Y
Y 2
...

Yn
1
1
X
...
X 2,1
X 2, 2
...
X 2 ,n
... X k ,1
... X k , 2
... ...
... X k ,n
1

2
...

k
1

2
...

n
Note que Y, e so vetores coluna.

1.3
Estimativa de Mnimos Quadrados do Modelo
1.3.1
Mnimos Quadrados Ordinrios (MQO)
Para estimar o vetor de coeficientes , preciso minimizar a soma dos

quadrados dos resduos, assim como fizemos para o modelo de RLS. Ou
seja,
min SQE min ei2 min (Yi Yi ) 2 min (Yi 1 2 X 2i 3 X 3i ... k X ki ) 2
i
em que os ei so os resduos do modelo.
'
Seja (1 , 2 ,..., k )' o vetor dos coeficientes estimados e Y Y1 , Y2 ,..., Yn o vetor
de estimativas da varivel dependente Y (*).
(*) A notao (1 , 2 ,..., k )' nos diz que o vetor coluna o o transposto do
vetor linha (1 , 2 ,..., k ) . Tambm comum denotar a operao de transposio
utilizando o sobrescrito t, como em ( , ,..., )t .
1
Mantendo a notao matricial, temos que

(7)
Y X
7

Sendo Y Y o vetor coluna com dimenso nx1 (isto , com n linhas e 1

coluna) dos resduos do modelo e t o seu transposto, deve-se minimizar
n
SQE ei2 t .
i 1
Pode-se provar que o vetor dos coeficientes estimados (1 , 2 ,..., k )' dado
por (*)
(8)
(k 1)
( X t X ) 1
(k k )
Xt
(k n) (n 1)
em que ( X t X ) 1 (inversa do produto da transposta de X por X) uma matriz

quadrada de ordem k, a transposta de X ( X t ) tem dimenso k n e Y um
vetor coluna de dimenso n 1 .
(*) A demonstrao no trivial; por isso foi omitida da aula.
A equao (8) um resultado fundamental da teoria de estimao de
mnimos quadrados em notao matricial (*). Essa equao mostra como
o vetor pode ser calculado a partir dos dados fornecidos.
(*) O estimador de mnimos quadrados visto neste curso s vezes chamado
estimador de Mnimos Quadrados Ordinrios (MQO). Um pouco mais
frente, explico a ideia fundamental do estimador de Mnimos Quadrados
Generalizados (MQG).
( X t X ) 1
Xt
O estimador de pelo mtodo de mnimos quadrados da equao (8) tambm

costuma ser denotado por
b ( X ' X ) 1
X' Y
em que X representa a matriz transposta de X.
8

Teorema Gauss-Markov
Dadas as hipteses do modelo clssico de RLM explicadas
anteriormente, pode-se demonstrar que os estimadores de MQO so
lineares e no-viesados, e na classe de todos os estimadores lineares e noviesados eles tm varincia mnima (propriedade de Gauss-Markov). Isto
quer dizer que os k estimadores de mnimos quadrados contidos no
vetor so os Melhores Estimadores Lineares No Viesados (MELNV).
A demonstrao deste teorema est fora do escopo deste curso.
1.3.2
Mnimos Quadrados Generalizados (MQG)
Explico, sem me aprofundar no assunto, a ideia fundamental do mtodo de

Mnimos Quadrados Generalizados (MQG).
Quando a premissa de varincia constante do modelo de regresso
relaxada (premissa 3), ou seja, quando o modelo permite que a varincia
seja diferente para diferentes observaes,
(9)
Var (Yi ) Var ( i ) i2
diz-se que o modelo heterocedstico.

Quando a premissa 4 do modelo relaxada (Cov(Yi, Yj) = Cov(i, j) = 0),
pode existir correlao ( Cov( i , j ) 0 ) entre duas observaes da varivel
dependente Y. Neste caso, o modelo de regresso apresenta correlao.
Quando as premissas 3 e 4 do modelo de regresso so violadas, o mtodo de
MQO no o mais apropriado para se obter a estimativa dos parmetros do
modelo. No obstante, demonstra-se que a heterocedasticidade e a
correlao no eliminam as propriedades de inexistncia de vis e
consistncia do estimador de MQO. Mas esse estimador deixa de ter
mnima varincia e eficincia. Ou seja ele no Melhor Estimador Linear
No Viesado (MELNV).
O estimador MELNV fornecido pelo mtodo de Mnimos Quadrados

Generalizados (MQG). Esse mtodo consiste em se transformar as variveis
originais de modo que satisfaam as hipteses do modelo clssico, para em
seguida aplicar o MQO. Em suma, MQG MQO nas variveis
9

transformadas
quadrados.
que
satisfazem
as
hipteses
usuais
de
mnimos
No detalharei como a transformao das variveis originais do modelo pode

ser realizada, pois pouco provvel que isso v ser cobrado na prova.
1.4
Varincias e Covarincias
Por definio, a matriz de covarincias (tambm chamada matriz de varinciacovarincia) do vetor de parmetros estimados para o modelo
Cov( ) E{[ E( )][ E ( )]t }
que pode ser escrita explicitamente como:

var( 1 )
cov( 1 , 2 ) cov( 1 , 3 )

var( 2 )
cov( 2 , 3 )
cov( 2 , 1 )
(10) Cov( ) cov( 3 , 1 ) cov( 2 , 3 )
var( 3 )
...
...
...
cov( , ) cov( , ) cov( , )

1
2
3
k
k
k
... cov( 1 , k )
... cov( 2 , k )
... cov( 3 , k ) .
...
...
...
var( k )
Demonstra-se que a matriz de covarincias (9) pode ser obtida com a seguinte
frmula (*):
(11) Cov( ) 2 ( X t X )1
em que 2 a varincia do erro aleatrio e ( X t X ) 1 a matriz inversa que
aparece na equao (8), que nos d o estimador de mnimos quadrados de .
(*) A demonstrao no trivial; por isso foi omitida da aula.
Por ltimo, mas nem por isso menos importante, demonstra-se que o
estimador no tendencioso de 2 , denotado por 2 , dado por
(12)
2
i
nk
SQE
t
nk nk
10

em que k o nmero de parmetros a serem estimados, e nk corresponde ao

nmero de graus de liberdade (gl) da SQE. A frmula (11) importante para a
prova.
1.5
Teste da Significncia de um Coeficiente nico: Teste t
Quando adotamos um modelo de regresso mltipla, admitimos que todas as

(k 1) variveis explanatrias influenciam a varivel dependente y. Para
confirmar essa hiptese, devemos examinar se ela , ou no, apoiada pelos
dados. Isto , devemos procurar saber se os dados proporcionam evidncia de
que y esteja relacionado com cada uma das variveis independentes. Se
determinada varivel explicativa, digamos Xk, no tem nenhuma influncia
sobre y, ento k = 0. O teste dessa hiptese nula chamado teste de
significncia para a varivel explanatria Xk. Assim, a fim de verificar se os
dados apresentam alguma evidncia emprica de que y esteja relacionado com
Xk, testamos a hiptese nula
H0 : k = 0
contra a hiptese alternativa
H1: k 0
Seja bk a estimativa de k . A estatstica do teste a varivel t de Student
bk
~ t( n k )
ep (bk )
em que ep(bk) denota o erro padro da razo t(n-k), que possui nk graus de
liberdade, n o nmero de elementos da amostra e k o nmero de
parmetros do modelo.
1.6 Teste da Significncia Global da Regresso da Amostra: Teste F e
ANOVA
Aprendemos na aula sobre inferncia do modelo de RLS que a anlise de
varincia (ANOVA) pode ser usada para testar a significncia da regresso.
A ideia utilizar a ANOVA para testar a significncia global da
regresso estimada, ou seja, para testar a hiptese nula de que os
verdadeiros coeficientes de inclinao so simultaneamente nulos (1
= 2 = ... = k = 0). A tcnica de ANOVA ser estendida para o caso de k
11

variveis. Lembre que a ANOVA consiste em decompor a SQT em duas partes:

SQE e SQR.
Inicialmente, SQT, SQE, SQR e o coeficiente de determinao R 2 do modelo de
RLM so definidos de forma idntica que vimos no modelo de RLS.
Assim como no caso da RLS, quanto mais R 2 se aproxima de 1, mais a
variao de Y explicada pela regresso e melhor o ajuste equao. De
forma oposta, quanto mais R 2 se aproxima de 0, menos a variao de Y
explicada pela regresso e pior o ajuste equao.
Contudo, o coeficiente R 2 pode ter o seu valor aumentado artificialmente por
meio da adio de mais variveis ao modelo, ainda que essa adio no seja
suportada pela lei (fsica, matemtica, econmica etc.) do fenmeno sob
investigao (caracterstica indesejvel!). Quando se acrescenta uma
varivel explanatria ao modelo, a SQE diminui ou permanece a mesma; desta
forma o novo coeficiente de determinao pelo menos igual ao do modelo
sem essa varivel (pode ser que seja maior). Ou seja, R 2 uma funo no
descrescente do nmero de variveis explanatrias presentes no
modelo; conforme aumenta o nmero de regressores, R 2 quase que
invariavelmente aumenta, e nunca diminui.
Exemplo (ICMS-RJ/2008/FGV): O coeficiente de determinao de um
modelo de regresso linear serve como uma importante ferramenta para
avaliar o grau de ajustamento do modelo aos dados.
A respeito desse coeficiente, assinale a afirmativa incorreta.
A) seu valor varia entre 0 e 1.
B) invariante a uma mudana de escala das variveis independentes.
C) utilizado para escolher modelos com nmero de variveis independentes
diferentes.
D) uma funo no decrescente no nmero de variveis independentes do
modelo.
E) Representa a participao relativa da soma dos quadrados da regresso
sobre a soma dos quadrados total.
Resoluo
Anlise das alternativas:
A) Sabemos que 0 R2 1, portanto esta afirmativa CORRETA.
12

B) A qualidade de uma regresso linear mltipla no muda se

multiplicarmos as variveis independentes por um valor constante,
portanto esta afirmativa CORRETA.
C) O coeficiente R2 no deve ser usado como critrio de seleo de
modelos (o R2 s mede a qualidade da regresso), uma vez que o R2
pode ter o seu valor aumentado artificialmente por meio da adio de mais
variveis ao modelo INCORRETA.
D) R2 uma funo no descrescente do nmero de variveis
explanatrias presentes no modelo; conforme aumenta o nmero de
regressores, R2 quase que invariavelmente aumenta, e nunca diminui
CORRETA.
E) Vimos que R2 = SQR/SQT. Deste modo, representa a participao relativa
da soma dos quadrados da regresso sobre a soma dos quadrados total
CORRETA.
GABARITO: C
R2 Ajustado
Pode-se definir uma nova quantidade que leva em conta o nmero de variveis
X presentes no modelo denominada R2 ajustado
(13) R 2 1
SQE /( n k )
SQT /( n 1)
em que R 2 denota o R 2 ajustado.

Observe que a frmula de R 2 muito parecida com a de R 2 , com a diferena
de que em R 2 dividimos as somas dos quadrados SQE e SQT por seus
respectivos graus de liberdade, nk e n1.
Prova-se facilmente que
(14) R 2 1 (1 R 2 )
(n 1)
.
(n k )
Nota 1: R 2 no mais o percentual de variao explicada. Esse papel

permanece com R 2 . O R2 ajustado apenas uma medida alternativa para a
qualidade do ajustamento da RLM aos dados.
13

Nota 2: pela equao (12), fica evidente que para k > 1, R 2 R 2 , implicando
que, conforme aumenta o nmero de variveis X, o R 2 ajustado
aumenta menos que o R 2 no ajustado.
Nota 3: R 2 pode ser negativo, embora R 2 seja necessariamente no
negativo.
Podemos agora montar uma tabela de Anlise de Varincia (ANOVA)
semelhante que fizemos para a anlise de RLS.
Retornemos aos graus de liberdade:

a) SQR tem k1 graus de liberdade (nmero de variveis explanatrias do
modelo);
b) SQE tem nk graus de liberdade (nmero de observaes menos o
nmero de parmetros); e
c) SQT tem n1 graus de liberdade (nmero de observaes menos 1
porque tivemos de calcular a mdia).
Vale ainda a seguinte relao: glSQT = glSQR + glSQE.
ANOVA
Fonte de
Variao
Soma de
Graus de
Quadrados Liberdade
Quadrado
Mdio
Regresso
SQR
k1
SQR/(k 1)
Residual
SQE
nk
=SQE/(n k)
Total
SQT
n1
SQR /( k 1)
SQE /( n k ) Fk-1,n-k,
Teste de Hipteses do Modelo de RLM
Para testar a hiptese nula

H0: 1 = 2 = ... = k = 0
14

(isto , todos os coeficientes de inclinao so simultaneamente iguais a zero)

H1: Nem todos os coeficientes de inclinao so simultaneamente nulos
Calcule
F
SQR /( k 1)
SQE /( n k )
Se F > Fk-1,n-k,, rejeitar H0; caso contrrio, no a rejeite. Fk-1,n-k, o valor

crtico de F ao nvel de significncia , k1 o nmero de graus de
liberdade do numerador e nk o nmero de graus de liberdade do
denominador.
O teste F usado para determinar se existe uma relao
significativa entre a varivel dependente Y e o conjunto de todas as
variveis independentes X1, X2, ..., Xn do modelo de RLM.
Se o teste F mostrar que essa relao global existente, ento o
teste t pode ser usado para determinar se cada uma das variveis
independentes X1, X2, ..., Xn significativa, ou seja, se cada uma
das variveis X1, X2, ..., Xn consegue explicar as variaes de Y em
torno de sua mdia.
Exemplo (AFRFB/ESAF/2012) Um modelo de regresso linear mltipla foi

estimado pelo mtodo de Mnimos Quadrados, obtendo-se, com um nvel de
confiana de 95%, os seguintes resultados:
I. Y 10 2,5x1 0,3x2 2 x3
II. o coeficiente de determinao R2 igual a 0,9532
III. o valor-p=0,003
Desse modo, pode-se afirmar que:
A) se a varivel x1 for acrescida de uma unidade, ento Y ter um acrscimo
de 2,5%.
B) 0,003 o mais baixo nvel de significncia ao qual a hiptese nula pode ser
rejeitada.
C) x3 explica 95,32% das variaes de Y em torno de sua mdia.
15

D) as probabilidades de se cometer o Erro Tipo I e o Erro Tipo II so,

respectivamente, iguais a 5% e 95%.
E) se no teste de hipteses individual para 2 se rejeitar a hiptese nula (H0),
ento tem-se fortes razes para acreditar que x2 no explica Y.
Resoluo
Anlise das opes:
A) se a varivel x1 for acrescida de uma unidade, ento Y ter um acrscimo
de 2,5 %.
De acordo com a equao estimada para a regresso mltipla (
Y 10 2,5x1 0,3x2 2 x3 ), se a varivel x1 for acrescida de uma unidade, ento Y
ter um acrscimo de 2,5 unidades, quando as outras variveis explicativas ou
independentes (x2 e x3) so mantidas constantes (ceteris paribus).
Afirmativa errada.
B) 0,003 o mais baixo nvel de significncia ao qual a hiptese nula pode ser
rejeitada.
Seja (1) o nvel de confiana e o nvel de significncia do teste. Sabemos
que se valor-p, rejeitamos a hiptese nula H0 em favor da hiptese
negativa H1. Deste modo, correto afirmar que 0,003 o mais baixo nvel de
significncia ao qual a hiptese nula pode ser rejeitada. Por exemplo, se
escolhssemos adotar um = 0,002 (< 0,003 = valor-p) para o teste desta
questo, ento a hiptese nula no poderia ser rejeitada. Resumindo a regra
de deciso:
se valor-p , rejeitamos H0 em favor de H1.
se valor-p > , no rejeitamos H0 em favor de H1.
O valor-p ou probabilidade de significncia representa a probabilidade de
a estatstica do teste acusar um resultado to ou mais distante do esperado,
como o resultado ocorrido na particular amostra observada, supondo H0 como
a hiptese verdadeira. Afirmativa correta.
C) x3 explica 95,32% das variaes de Y em torno de sua mdia.
Afirmao absurda. A interpretao correta do resultado R2 = 95,32% a
seguinte: o coeficiente de determinao R2 nos diz que 95,32% da variao
total de Y (Soma dos Quadrados Total - SQT) em torno de sua mdia
explicada pela funo de regresso amostral.
16

D) as probabilidades de se cometer o Erro Tipo I e o Erro Tipo II so,

respectivamente, iguais a 5% e 95%.
O Erro Tipo I consiste em se rejeitar a hiptese nula H 0, sendo ela
verdadeira. A probabilidade do Erro Tipo I dada pelo nvel de significncia
:
P{Erro Tipo I} = P{rejeitar H0 | H0 verdadeira} =
O Erro Tipo I ocorre quando o valor amostral cai na regio crtica do teste.
O Erro Tipo II consiste em se aceitar a hiptese nula H0, sendo ela
falsa. A probabilidade do Erro Tipo II igual a
P{Erro Tipo II} = P{aceitar H0 | H0 falsa} =
e s pode ser calculada se o problema fornecer um valor alternativo para o
parmetro que est sendo testado.
Para a questo, P{Erro Tipo I} = = 5%. No se pode afirmar que P{Erro
Tipo I} = 95%, uma vez que o valor de desconhecido. Afirmativa errada.
E) se no teste de hipteses individual para 2 se rejeitar a hiptese nula (H0),
ento tem-se fortes razes para acreditar que x2 no explica Y.
Em primeiro lugar, observe que o enunciado no especificou quais so os
parmetros do modelo de regresso linear mltipla. Qual a equao do
modelo? Por exemplo, o modelo poderia ser
Y 1 2 x1 3 x2 4 x3
ou
Y 1x1 2 x2 3 x3
em que , 1 , 2 , 3 , 4 so os parmetros e denota o termo de erro aleatrio.

Isso j basta para descartar esta alternativa.
O enunciado d a entender que o modelo do tipo
Y 1x1 2 x2 3 x3
mas no h garantias de que isso seja verdade. Contudo, prossigamos com o

raciocnio, assumindo que se trata do modelo acima.
17

O teste de hipteses individual para o parmetro 2 o seguinte:

H0: 2 = 0
H1: 2 0
A hiptese nula diz que, mantendo x1 e x3 constantes, x2 no tem influncia
sobre Y. Logo, se no teste de hipteses individual para 2 se rejeitar a hiptese
nula (H0), ento tem-se fortes razes para acreditar que x2 explica Y
(exatamente o contrrio do que se afirma nesta alternativa).
GABARITO: B
Exemplo (ATPS-Gesto Social/MPOG/ESAF/2012) Um modelo de
regresso linear mltipla foi estimado pelo mtodo de Mnimos Quadrados,
obtendo-se, com um nvel de confiana de 90%, os seguintes resultados:
1. Y 3 2 x1 3x2 2 x3 ;
2. o coeficiente de determinao R2 igual a 0,8432;
3. os valores de p ou p-value correspondentes aos regressores de x1, x2
e x3 so, respectivamente, iguais a: 0,05; 0,06 e 0,12.
Desse modo, pode-se afirmar que, para esse nvel de confiana:
A) se x1 aumentar em uma unidade, Y diminuir de 2 unidades.
B) x1, x2 e x3 explicam as variaes de Y em torno de sua mdia.
C) 84,32% das variaes de Y em torno de sua mdia so explicadas por x1, x2
e x3.
D) x1 e x2 explicam as variaes de Y em torno de sua mdia.
E) a probabilidade de se cometer Erro Tipo II igual a 90%.
Resoluo
De acordo com o enunciado, foi adotado o seguinte modelo de regresso
mltipla:
Y 0 1 x1 2 x2 3 x3
em que 0 , 1 , 2 e 3 so os parmetros do modelo e denota o termo de erro

aleatrio.
A equao estimada para a regresso mltipla
18

Y 3 2 x1 3x2 2 x3
O resultado 3 relata os valores de p obtidos para os testes individuais de
significncia (teste t) dos parmetros 1 , 2 e 3 . Note que o p-value de 3
(igual a 0,12) maior que o nvel de significncia = 0,10 (o nvel de
confiana 0,9 = 1). Logo, no h evidncia para rejeitar a hiptese nula
3 0 . Por conseguinte, a varivel independente x3 no significativa
para explicar a variabilidade da resposta Y, devendo ser excluda do
modelo. O modelo correto
Y 0 1 x1 2 x2
Anlise das opes:

A) Errada. A assertiva correta seria: se x1 aumentar em uma unidade, estimase que Y aumentar de 2 unidades, desde que as demais variveis explicativas
ou independentes sejam mantidas constantes (ceteris paribus).
B) Errada, porque a varivel x3 no explicativa.
C) Errada, pelo mesmo motivo da opo B.
D) Correta. Pode-se afirmar que as variveis independentes x1 e x2 explicam
as variaes de Y em torno de sua mdia, porque os valores de p
correspondentes aos regressores de x1 e x2 (iguais a 0,05 e 0,06
respectivamente) so menores que o nvel de significncia = 0,10 dos testes
individuais t.
E) Errada. A assertiva correta seria: a probabilidade de se cometer Erro Tipo I
igual a 10%.
GABARITO: D
19

O Mnimo que Voc Precisa Saber
Modelo de RLM:
Y1 1 2 X 2,1 ... k X k ,1 1
Y X ... X
2
k
k ,2
1
2 2, 2
2
...
Yn 1 2 X 2,n ... k X k ,n n
ou Y = X + em notao matricial
em que
Y1
Y
Y 2
...

Yn
1
1
X
...
X 2,1
X 2, 2
...
X 2 ,n
... X k ,1
... X k , 2
... ...
... X k ,n
1

2
...

k
1

2
...

n
PRESSUPOSTOS DO MODELO DE REGRESSO MLTIPLA

1. Yi = 1 + 2X2i + 3X3i + ... + kXki + i
2. E(Yi|X)= 1 + 2X2i + 3X3i + ... + kXki
3. Var(Y) = Var() = 2
4. Cov(Yi, Yj) = Cov(i, j) = 0
5. Os regressores Xj, j = 2, ..., k, no so aleatrios e nem so funes
lineares exatas dos demais regressores.
6. Yi ~ N[(1 + 2X2i + 3X3i + ... + kXki), 2] i ~(N, 2)
Frmula de MQO para o clculo do vetor de parmetros estimados:
( X t X ) 1
Xt
20

Matriz de Covarincias do Estimador :

var( 1 )
cov( 1 , 2 ) cov( 1 , 3 )

var( 2 )
cov( 2 , 3 )
cov( 2 , 1 )
Cov( ) cov( 3 , 1 ) cov( 2 , 3 )
var( 3 )
...
...
...
cov( , ) cov( , ) cov( , )

1
2
3
k
k
k
ou
... cov( 1 , k )
... cov( 2 , k )
... cov( 3 , k )
...
...
...
var( k )
Cov( ) 2 ( X t X )1
Frmula para clculo dos resduos:
2
i
nk
SQE
t
nk nk
A heterocedasticidade e a correlao entre observaes distintas da varivel

dependente no eliminam as propriedades de inexistncia de vis e
consistncia do estimador de Mnimos Quadrados Ordinrios (MQO). Mas esse
estimador deixa de ter mnima varincia e eficincia. Ou seja ele no o
Melhor Estimador Linear No Viesado (MELNV). O estimador MELNV fornecido
pelo mtodo dos Mnimos Quadrados Generalizados (MQG)
R2 ajustado: R 2 1
SQE /( n k )
SQT /( n 1)
- ANOVA para o modelo de RLM:

Fonte de
Variao
Soma de
Graus de
Quadrados Liberdade
Mdia dos
quadrados
Regresso
SQR
k1
SQR/(k 1)
Residual
SQE
nk
SQE/(n k)
Total
SQT
n1
SQR /( k 1)
SQE /( n k )
Fk-1,n-k,
Teste da Significncia Global da Regresso da Amostra (teste F):

Para testar a hiptese nula
H0: 1 = 2 = ... = k = 0
21

(isto , todos os coeficientes de inclinao so simultaneamente iguais a zero)

H1: Nem todos os coeficientes de inclinao so simultaneamente nulos
Calcule
F
SQR /( k 1)
SQE /( n k )
Se F > Fk-1,n-k,, rejeitar H0; caso contrrio, no a rejeite. Fk-1,n-k, o valor

crtico de F ao nvel de significncia , k1 o nmero de graus de liberdade
do numerador e nk o nmero de graus de liberdade do denominador.
Teste da Significncia de um Coeficiente nico (teste t):
H0: k = 0
H1: k 0
bk a estimativa de k.
Estatstica do teste:
bk
~ t( n k )
ep (bk )
O teste F usado para determinar se existe uma relao

significativa entre a varivel dependente Y e o conjunto de todas as
variveis independentes X1, X2, ..., Xn do modelo de RLM.
Se o teste F mostrar que essa relao global existente, ento o
teste t pode ser usado para determinar se cada uma das variveis
independentes X1, X2, ..., Xn significativa, ou seja, se cada uma
das variveis X1, X2, ..., Xn consegue explicar as variaes de Y em
torno de sua mdia.
22

Exerccios de Fixao
(ANTTCargo11/CESPE-UnB/2013) Considere um modelo de regresso

linear na forma matricial:
Y X
em que X uma matriz n x k, um vetor k x 1 e um vetor n x 1.

Com base nessas informaes, julgue os itens subsecutivos
1. Se todas as hipteses de um modelo de regresso linear forem satisfeitas,
ser correto afirmar que, pelo teorema de Gauss-Markov, o estimador apurado
pelo mtodo de mnimos quadrados ordinrios o mais eficiente estimador
linear de .
2. O estimador de pelo mtodo dos mnimos quadrados ordinrios
b ( X ' X ) 1 ( X ' Y ) , em que X representa a matriz transposta de X.
(ANTTCargo15/CESPE-UnB/2013)
parmetro
estimativa
erro padro
razo t
p-valor
60
6,0
10,0
0,00000
0,8
0,2
4,0
0,00007
3,6
2,0
1,8
0,07218
-0,10
0,05
-2,0
0,04578
Um estudo para investigar a associao da presso arterial diast lica com o

tempo acumulado de trabalho dos motoristas de nibus em determinada
cidade considerou o modelo de regresso linear na forma i = 0 + 1X1i +
2X2i + 3X1iX2i + i, em que yi representa a presso arterial diast lica (mm g)
do motorista i, X1i a idade (em anos) do motorista i, X2i denota o logaritmo
natural do tempo de trabalho (em meses) do motorista i e i representa o erro
aleat rio com mdia nula e varincia 2. Esse estudo foi realizado com base
em uma amostra aleat ria de .000 motoristas de nibus. A tabela acima
apresenta a estimativa de cada parmetro i (i = 0, , 2, 3) obtida pelo
mtodo de mnimos quadrados ordin rios, o erro padro, a razo t e o p-valor
correspondentes.
Com base nessas informaes e na tabela apresentada, julgue os itens a
seguir.
23

3. Considerando-se o nvel de significncia de 5%, no se rejeita a hip tese

H0: 2 = 0.
4. Para se obter a estimativa de um coeficiente do modelo pelo mtodo de
mnimos quadrados ordin rios, exige-se que o erro aleat rio i siga uma
distribuio normal com mdia 0 e varincia 2.
5. O produto X1iX2i, que se denomina interao, permite representar o efeito
multiplicativo da idade e do logaritmo natural do tempo de trabalho na presso
arterial diast lica mdia de um motorista.
6. O estimador do coeficiente 1 segue uma distribuio t de
graus de liberdade.
tudent com
7. Por meio do mtodo estatstico an lise de varincia (ANO A), possvel

testar, por exemplo, a hip tese nula 1 = 2 = 3 = 0.
(ANTTCargo15/CESPE-UnB/2013) Considerando que o modelo de
regresso por mnimos quadrados ordinrios (MQO) seja dado por yt a xt ,
em que y t valor estimado pelo modelo para a varivel dependente yt , xt a
varivel independente e a e so, respectivamente, os estimadores dos
coeficientes linear e a e angular de um modelo de regresso linear simples,
julgue os itens a seguir.
8. Ao se multiplicar a varivel dependente por uma constante c qualquer, as
estimativas de MQO so multiplicadas por c, isto , a e so multiplicadas
por c.
Var ( xt )
9. O estimador pode ser escrito da seguinte forma:
, em que
Cov( xt , yt )
Var ( xt ) a varincia de xt e Cov( xt , yt ) a covarincia de xt e yt .
10. Na regresso pela origem yt xt , em que a 0 , um estimador no

viesado de .
Acerca
das
propriedades
estimadores de MQO em regresso linear simples, julgue os
subsequentes.
dos
itens
11. Se E (u | x) 0 , em que u o resduo e x a varivel explicativa de um

modelo de regresso linear simples, ento as estimativas de MQO sero
viesadas.
24

12. Para o coeficiente angular , o estimador de MQO apresenta uma

componente no aleatria, , e outra componente aleatria, a qual depende
Cov( xt , ut )
, em que ut o resduo da
da covarincia Cov( xt , ut ) , tal que
Var ( xt )
regresso e Var ( xt ) a varincia da varivel independente xt do modelo de
regresso.
13. De acordo com a hiptese de consistncia do estimador de MQO, medida
que o nmero de observaes aumenta, o valor esperado do estimador
converge para o valor do parmetro a ser estimado e a varincia do estimador
converge para zero.
14. Se o estimador de MQO for no viesado e consistente, ento ele ser,
necessariamente, eficiente.
15. A suposio de homocedasticidade fundamental para mostrar que os
estimadores de MQO so no viesados.
Questes de reviso
(BACEN rea 5/CESPE-UnB/2013) Com relao s medidas estatsticas
de disperso e distribuio normal, julgue os itens que se seguem.
16. Considere que determinado fornecedor oferece um produto ao preo de $
40. Nesse contexto, sabendo-se que o preo mdio do mercado $ 30 e
supondo-se que os preos de mercado apresentem uma distribuio normal de
probabilidade e que a quantidade padronizada (z) seja igual a 1,22, o desvio
padro dos preos superior a $ 8.
17. Numa curva normal, h coincidncia entre os valores da mdia e da
mediana, mas no da moda da distribuio.
25

Gabarito
1E
2C
3C
4E
5C
6E
7C
8C
9E
10 E
11 C
12 C
13 C
14 E
15 E
16 C
17 C
26

Resoluo dos Exerccios de Fixao
(ANTTCargo11/CESPE-UnB/2013) Considere um modelo de regresso

linear na forma matricial:
Y X
em que X uma matriz n x k, um vetor k x 1 e um vetor n x 1.

Com base nessas informaes, julgue os itens subsecutivos
1. Se todas as hipteses de um modelo de regresso linear forem satisfeitas,
ser correto afirmar que, pelo teorema de Gauss-Markov, o estimador apurado
pelo mtodo de mnimos quadrados ordinrios o mais eficiente estimador
linear de .
Resoluo
Se todas as hipteses de um modelo de regresso linear forem satisfeitas, ser
correto afirmar que, pelo teorema de Gauss-Markov, o estimador apurado pelo
mtodo de mnimos quadrados ordinrios o Melhor Estimador Linear no
Viesado (MELNV) de .
Note que o enunciado da questo invoca o teorema de Gauss-Markov de um
modo um tanto quanto impreciso, pois faltou dizer que o estimador de MQO
no viesado. Foi por este motivo que a banca considerou que o item errado.
GABARITO: E
2. O estimador de pelo mtodo dos mnimos quadrados ordinrios
b ( X ' X ) 1 ( X ' Y ) , em que X representa a matriz transposta de X.
Resoluo
Aprendemos que o estimador de pelo mtodo dos mnimos quadrados
ordinrios b ( X ' X ) 1 ( X ' Y ) . Item certo.
GABARITO: C
27

parmetro
estimativa
erro padro
razo t
p-valor
60
6,0
10,0
0,00000
0,8
0,2
4,0
0,00007
3,6
2,0
1,8
0,07218
-0,10
0,05
-2,0
0,04578
Um estudo para investigar a associao da presso arterial diast lica com o

tempo acumulado de trabalho dos motoristas de nibus em determinada
cidade considerou o modelo de regresso linear na forma i = 0 + 1X1i +
2X2i + 3X1iX2i + i, em que yi representa a presso arterial diast lica (mm g)
do motorista i, X1i a idade (em anos) do motorista i, X2i denota o logaritmo
natural do tempo de trabalho (em meses) do motorista i e i representa o erro
aleat rio com mdia nula e varincia 2. Esse estudo foi realizado com base
em uma amostra aleat ria de .000 motoristas de nibus. A tabela acima
apresenta a estimativa de cada parmetro i (i = 0, , 2, 3) obtida pelo
mtodo de mnimos quadrados ordin rios, o erro padro, a razo t e o p-valor
correspondentes.
Com base nessas informaes e na tabela apresentada, julgue os itens a
seguir.
3. Considerando-se o nvel de significncia de 5%, no se rejeita a hip tese
H0: 2 = 0.
Resoluo
Em primeiro lugar, relembremos alguns conceitos de testes de hipteses.
Dado um problema de teste de hipteses, precisamos formular as chamadas
hiptese nula e hiptese alternativa.
A hiptese nula ou hiptese de trabalho (H0) a hiptese aceita como
verdadeira at prova estatstica em contrrio. o ponto de partida para a
anlise dos dados. Em geral, ela formulada em termos de igualdade entre
parmetros ou entre um parmetro e uma constante. Ela geralmente
representa o contrrio do que queremos provar, ou seja, representa a hiptese
que se quer rejeitar. Quando os dados mostrarem evidncia suficiente de que
a hiptese nula (H0) falsa, o teste rejeita-a, aceitando em seu lugar a
chamada hiptese alternativa (H1). Em geral, a hiptese alternativa
formulada em termos de desigualdades (, < ou >). Ela comumente
28

representa o que se quer provar, isto , corresponde prpria hiptese de

pesquisa formulada em termos de parmetros.
O valor-p (ou probabilidade de significncia) a probabilidade de a estatstica
do teste acusar um resultado to ou mais distante do esperado, como o
resultado ocorrido na particular amostra observada, supondo H0 como a
hiptese verdadeira.
Regra de deciso:
Se valor-p , rejeitamos H0 em favor de H1.
Se valor-p > , no rejeitamos H0 em favor de H1.
Note que = P(erro tipo I) = P(rejeitar H0|H0 verdadeira) o nvel de
significncia do teste.
Quando adotamos um modelo de regresso mltipla, admitimos que todas as
(k 1) variveis explanatrias influenciem a varivel dependente y. Para
confirmar essa hiptese, devemos examinar se ela , ou no, apoiada pelos
dados. Isto , devemos procurar saber se os dados proporcionam evidncia de
que y esteja relacionado com cada uma das variveis independentes. Se
determinada varivel explicativa, digamos Xk, no tem nenhuma influncia
sobre y, ento k = 0. O teste dessa hiptese nula chamado teste de
significncia para a varivel explanatria Xk. Assim, a fim de verificar se os
dados apresentam alguma evidncia emprica de que y esteja relacionado com
Xk, testamos a hiptese nula
H0 : k = 0
H1: k 0
Seja bk a estimativa de k . A estatstica do teste a varivel t de Student
t
bk
~ t( n k )
ep (bk )
em que ep(bk) denota o erro padro da razo t(n-k), que possui nk graus de
liberdade, n o nmero de elementos da amostra e k o nmero de
parmetros do modelo.
Como 0,07218 > 5% (valor-p > ) no h evidncia suficiente para se rejeitar
H0 em favor de H1. Item certo.
29

GABARITO: C
4. Para se obter a estimativa de um coeficiente do modelo pelo mtodo de
mnimos quadrados ordin rios, exige-se que o erro aleat rio i siga uma
distribuio normal com mdia 0 e varincia 2.
Resoluo
Para se obter a estimativa de um coeficiente do modelo pelo mtodo de
Mnimos Quadrados Ordin rios (MQO), no se exige que o erro aleat rio i siga
uma distribuio normal com mdia 0 e varincia 2. Se os erros no so
distribudos normalmente, ento os estimadores de mnimos quadrados tm
distribuio aproximadamente normal em grandes amostras, nas quais n k
superior, digamos, a 50.
Item errado.
GABARITO: E
5. O produto X1iX2i, que se denomina interao, permite representar o efeito
multiplicativo da idade e do logaritmo natural do tempo de trabalho na presso
arterial diast lica mdia de um motorista.
Resoluo
O modelo conta um regressor X1iX2i denominado interao, o qual permite
representar o efeito multiplicativo da idade e do logaritmo natural do tempo de
trabalho na presso arterial diast lica mdia de um motorista. Item certo.
GABARITO: C
6. O estimador do coeficiente 1 segue uma distribuio t de
graus de liberdade.
tudent com
Resoluo
O estimador do coeficiente 1 segue uma distribuio t de
tudent com
n k = 1.000 4 = 996 graus de liberdade

Item errado.
GABARITO: E
30

7. Por meio do mtodo estatstico an lise de varincia (ANO A), possvel

testar, por exemplo, a hip tese nula 1 = 2 = 3 = 0.
Resoluo
A anlise de varincia (ANOVA) pode ser usada para testar a significncia da
regresso mltipla. A ideia aplicar a ANOVA para testar a significncia global
da regresso estimada, ou seja, para testar a hiptese nula de que os
verdadeiros coeficientes de inclinao so simultaneamente nulos (1 = 2 = ...
= k = 0).
Uma hiptese nula conjunta, que envolve um conjunto de hipteses (como 1
= 2 = 3 = 0), testada apenas por um teste F.
Item certo.
GABARITO: C
(ANTTCargo15/CESPE-UnB/2013) Considerando que o modelo de
regresso por mnimos quadrados ordinrios (MQO) seja dado por yt a xt ,
em que y t valor estimado pelo modelo para a varivel dependente yt , xt a
varivel independente e a e so, respectivamente, os estimadores dos
coeficientes linear e a e angular de um modelo de regresso linear simples,
julgue os itens a seguir.
8. Ao se multiplicar a varivel dependente por uma constante c qualquer, as
estimativas de MQO so multiplicadas por c, isto , a e so multiplicadas
por c.
Resoluo
Os estimadores dos coeficientes linear e a e angular so dados por
S xy

S xx
a y x
em que
1
S xy ( xi x )( yi y ) xi yi xi yi
n i i
i
i
S xx ( xi x ) xi xi
n i
i
i
2
31

Seja o novo modelo zt a ' ' xt , em que zt cyt . Ento E ( zt ) E (cyt ) cE ( yt )

z cy , pois assume-se que o modelo homocedstico.
Alm disso,
S xz ( x x )( z z ) ( x x )(cy cy ) c( x x )( y y ) c ( x x )( y y ) cS xy
Logo,
S xz cS xy
c
S xx
S xx
a ' z ' x cy cx c( y x ) ca
'
Item certo.
GABARITO: C
Var ( xt )
9. O estimador pode ser escrito da seguinte forma:
, em que
Cov( xt , yt )
Var ( xt ) a varincia de xt e Cov( xt , yt ) a covarincia de xt e yt .
Resoluo
Cov( xt , yt )
O estimador pode ser escrito da seguinte forma:
, em que
Var ( xt )
Var ( xt ) a varincia amostral de xt e Cov( xt , yt ) a covarincia amostral entre
xt e yt . O item inverteu a frmula, estando, desta forma, errado.
GABARITO: E
10. Na regresso pela origem yt xt , em que a 0 , um estimador no
viesado de .
Resoluo
Gujarati demonstra2 que possvel obter os seguintes estimadores de MQO
para a regresso pela origem:
X iYi
2
i
no-viesado
Gujarati, D. N. Econometria Bsica,3edio, So Paulo: Pearson, 2000, pg. 177-178.
32

ou
Y
X
Y
viesado
X
Como o item no especificou a qual estimador se refere, podemos considerar

que a afirmativa incorreta.
GABARITO: E
Acerca
das
propriedades
estimadores de MQO em regresso linear simples, julgue os
subsequentes.
dos
itens
11. Se E (u | x) 0 , em que u o resduo e x a varivel explicativa de um

modelo de regresso linear simples, ento as estimativas de MQO sero
viesadas.
Resoluo
Seja o modelo de regresso linear simples yt xt ut e a reta estimada
yt xt . Hill, Griffiths e Judge3 provam que
E ( ) wt E (ut | x)
xt x
. Se E (u | x) 0 , ento as estimativas de MQO sero
( xt x )2
viesadas. Do mesmo modo, pode-se provar que tambm um estimador
no viesado de . Item correto.
em que wt
GABARITO: C
12. Para o coeficiente angular , o estimador de MQO apresenta uma
componente no aleatria, , e outra componente aleatria, a qual depende
Cov( xt , ut )
da covarincia Cov( xt , ut ) , tal que
, em que ut o resduo da
Var ( xt )
regresso e Var ( xt ) a varincia da varivel independente xt do modelo de
regresso.
Resoluo
Sabe-se que
3
Hill, R. C.; Griffiths W. E.; Judge, G. G. Econometria, 2 edio, So Paulo, Ed. Saraiva, 2006 , pg. 79.
33

( xt x )( yt y )
(x
x)
S xy
S xx
Cov( xt , yt )
Var ( xt )
em que S xy e S xx so somas de quadrados, Cov( xt , yt ) a covarincia amostral

entre xt e yt , e Var ( xt ) a varincia amostral de xt .
Gujarati demonstra que4
kt ut
em que kt
( xt x )
. Logo,
( xt x )2
( xt x )ut
(x
x)
( x x )(u u ) Cov( x , u )
Var ( x )
(x x)
t
Item correto.
GABARITO: C
13. De acordo com a hiptese de consistncia do estimador de MQO, medida
que o nmero de observaes aumenta, o valor esperado do estimador
converge para o valor do parmetro a ser estimado e a varincia do estimador
converge para zero.
Resoluo
Com a hiptese da normalidade e homocedasticidade dos erros (*), os
estimadores de MQO , e 2 possuem as seguintes propriedades
estatsticas:
a) So no viesados.
b) Tm varincia mnima. Combinado com a), isto quer dizer que eles so
no viesados com varincia mnima, ou estimadores eficientes.
c) Consistncia; isto , conforme o tamanho da amostra aumenta
indefinidamente, os estimadores convergem para seus verdadeiros valores na
populao.
Gujarati, D. N. Econometria Bsica,3edio, So Paulo: Pearson, 2000, pg. 86-87.
34

d) e tm distribuio normal.
e)
(n 2) 2
n22 (qui-quadrado com n2 graus de liberdade).
(*) Se os pressupostos do modelo valem, e se o tamanho n da amostra

suficientemente grande, ento os estimadores de MQO e tm uma
distribuies aproximadamente normais.
(**) Lembre que n22
SQE
vista do exposto, correto dizer que de acordo com a hiptese de

consistncia do estimador de MQO, medida que o nmero de observaes
aumenta, o valor esperado do estimador converge para o valor do parmetro a
ser estimado e a varincia do estimador converge para zero.
GABARITO: C
14. Se o estimador de MQO for no viesado e consistente, ento ele ser,
necessariamente, eficiente.
Resoluo
Considere o modelo yt xt ut na presena de heterocedasticidade, ou seja,
supondo E (ut2 ) t2 , mas mantendo todas as demais hipteses do modelo
clssico.
Neste caso, o estimador de MQO , apesar de ser no viesado e consistente,
no o estimador no viesado e consistente de varincia mnima, ou seja, no
eficiente.
O estimador linear de Mnimos Quadrados Generalizados (MQG) * no
viesado, consistente e de varincia mnima. Ou seja, eficiente.
Por conseguinte, o estimador de MQG o Melhor Estimador Linear No
Viesado (MELNV).
GABARITO: E
15. A suposio de homocedasticidade fundamental para mostrar que os
estimadores de MQO so no viesados.
Resoluo
35

Considere o modelo yt xt ut na presena de heterocedasticidade, ou seja,

supondo E (ut2 ) t2 , mas mantendo todas as demais hipteses do modelo
clssico. O estimador de MQO continua sendo no viesado e consistente.
Contudo, j no mais o estimador no viesado e consistente de varincia
mnima, ou seja, no o estimador eficiente.
Conclui-se que a suposio de homocedasticidade no fundamental para
mostrar que os estimadores de MQO so no viesados.
GABARITO: E
Questes de reviso
(BACEN rea 5/CESPE-UnB/2013) Com relao s medidas estatsticas
de disperso e distribuio normal, julgue os itens que se seguem.
16. Considere que determinado fornecedor oferece um produto ao preo de $
40. Nesse contexto, sabendo-se que o preo mdio do mercado $ 30 e
supondo-se que os preos de mercado apresentem uma distribuio normal de
probabilidade e que a quantidade padronizada (z) seja igual a 1,22, o desvio
padro dos preos superior a $ 8.
Resoluo
Dados:
Preo:
Preo mdio:
Preo padronizado:
Sabemos que
. Logo,
Item certo.
GABARITO: C
17. Numa curva normal, h coincidncia entre os valores da mdia e da
mediana, mas no da moda da distribuio.
36

Resoluo
A figura abaixo mostra que a curva normal tem a forma de um sino e que essa
distribuio simtrica. Deste modo, os valores da mdia, da mediana e da
moda da normal so coincidentes.
Densidade normal
0.45
0.4
0.35
f(x)
0.3
0.25
0.2
0.15
0.1
0.05
0
-3
-2
-1
Item certo.
GABARITO: C
Bons estudos e at a prxima aula!
Alexandre Lima
alexandre@pontodosconcursos.com.br
37

APNDICE
TABELA I
NORMAL: rea direita de Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,50000
0,46017
0,42074
0,38209
0,34458
0,30854
0,27425
0,24196
0,21186
0,18406
0,15866
0,13567
0,11507
0,09680
0,08076
0,06681
0,05480
0,04457
0,03593
0,02872
0,02275
0,01786
0,01390
0,01072
0,00820
0,00621
0,00466
0,00347
0,00256
0,00187
0,00135
0,00023
0,00003
0,00000
0,01
0,49601
0,45620
0,41683
0,37828
0,34090
0,30503
0,27093
0,23885
0,20897
0,18141
0,15625
0,13350
0,11314
0,09510
0,07927
0,06552
0,05370
0,04363
0,03515
0,02807
0,02222
0,01743
0,01355
0,01044
0,00798
0,00604
0,00453
0,00336
0,00248
0,00181
0,00131
0,00022
0,00003
0,00000
0,02
0,49202
0,45224
0,41294
0,37448
0,33724
0,30153
0,26763
0,23576
0,20611
0,17879
0,15386
0,13136
0,11123
0,09342
0,07780
0,06426
0,05262
0,04272
0,03438
0,02743
0,02169
0,01700
0,01321
0,01017
0,00776
0,00587
0,00440
0,00326
0,00240
0,00175
0,00126
0,00022
0,00003
0,00000
0,03
0,48803
0,44828
0,40905
0,37070
0,33360
0,29806
0,26435
0,23270
0,20327
0,17619
0,15151
0,12924
0,10935
0,09176
0,07636
0,06301
0,05155
0,04182
0,03362
0,02680
0,02118
0,01659
0,01287
0,00990
0,00755
0,00570
0,00427
0,00317
0,00233
0,00169
0,00122
0,00021
0,00003
0,00000
0,04
0,48405
0,44433
0,40517
0,36693
0,32997
0,29460
0,26109
0,22965
0,20045
0,17361
0,14917
0,12714
0,10749
0,09012
0,07493
0,06178
0,05050
0,04093
0,03288
0,02619
0,02068
0,01618
0,01255
0,00964
0,00734
0,00554
0,00415
0,00307
0,00226
0,00164
0,00118
0,00020
0,00003
0,00000
0,05
0,48006
0,44038
0,40129
0,36317
0,32636
0,29116
0,25785
0,22663
0,19766
0,17106
0,14686
0,12507
0,10565
0,08851
0,07353
0,06057
0,04947
0,04006
0,03216
0,02559
0,02018
0,01578
0,01222
0,00939
0,00714
0,00539
0,00402
0,00298
0,00219
0,00159
0,00114
0,00019
0,00003
0,00000
0,06
0,47608
0,43644
0,39743
0,35942
0,32276
0,28774
0,25463
0,22363
0,19489
0,16853
0,14457
0,12302
0,10383
0,08691
0,07215
0,05938
0,04846
0,03920
0,03144
0,02500
0,01970
0,01539
0,01191
0,00914
0,00695
0,00523
0,00391
0,00289
0,00212
0,00154
0,00111
0,00019
0,00002
0,00000
0,07
0,47210
0,43251
0,39358
0,35569
0,31918
0,28434
0,25143
0,22065
0,19215
0,16602
0,14231
0,12100
0,10204
0,08534
0,07078
0,05821
0,04746
0,03836
0,03074
0,02442
0,01923
0,01500
0,01160
0,00889
0,00676
0,00508
0,00379
0,00280
0,00205
0,00149
0,00107
0,00018
0,00002
0,00000
0,08
0,46812
0,42858
0,38974
0,35197
0,31561
0,28096
0,24825
0,21770
0,18943
0,16354
0,14007
0,11900
0,10027
0,08379
0,06944
0,05705
0,04648
0,03754
0,03005
0,02385
0,01876
0,01463
0,01130
0,00866
0,00657
0,00494
0,00368
0,00272
0,00199
0,00144
0,00104
0,00017
0,00002
0,00000
0,09
0,46414
0,42465
0,38591
0,34827
0,31207
0,27760
0,24510
0,21476
0,18673
0,16109
0,13786
0,11702
0,09853
0,08226
0,06811
0,05592
0,04551
0,03673
0,02938
0,02330
0,01831
0,01426
0,01101
0,00842
0,00639
0,00480
0,00357
0,00264
0,00193
0,00139
0,00100
0,00017
0,00002
0,00000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
38

TABELA II
NORMAL: rea de 0 a Zc
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
Segunda decimal de Zc
0,00
0,00000
0,03983
0,07926
0,11791
0,15542
0,19146
0,22575
0,25804
0,28814
0,31594
0,34134
0,36433
0,38493
0,40320
0,41924
0,43319
0,44520
0,45543
0,46407
0,47128
0,47725
0,48214
0,48610
0,48928
0,49180
0,49379
0,49534
0,49653
0,49744
0,49813
0,49865
0,49977
0,49997
0,50000
0,01
0,00399
0,04380
0,08317
0,12172
0,15910
0,19497
0,22907
0,26115
0,29103
0,31859
0,34375
0,36650
0,38686
0,40490
0,42073
0,43448
0,44630
0,45637
0,46485
0,47193
0,47778
0,48257
0,48645
0,48956
0,49202
0,49396
0,49547
0,49664
0,49752
0,49819
0,49869
0,49978
0,49997
0,50000
0,02
0,00798
0,04776
0,08706
0,12552
0,16276
0,19847
0,23237
0,26424
0,29389
0,32121
0,34614
0,36864
0,38877
0,40658
0,42220
0,43574
0,44738
0,45728
0,46562
0,47257
0,47831
0,48300
0,48679
0,48983
0,49224
0,49413
0,49560
0,49674
0,49760
0,49825
0,49874
0,49978
0,49997
0,50000
0,03
0,01197
0,05172
0,09095
0,12930
0,16640
0,20194
0,23565
0,26730
0,29673
0,32381
0,34849
0,37076
0,39065
0,40824
0,42364
0,43699
0,44845
0,45818
0,46638
0,47320
0,47882
0,48341
0,48713
0,49010
0,49245
0,49430
0,49573
0,49683
0,49767
0,49831
0,49878
0,49979
0,49997
0,50000
0,04
0,01595
0,05567
0,09483
0,13307
0,17003
0,20540
0,23891
0,27035
0,29955
0,32639
0,35083
0,37286
0,39251
0,40988
0,42507
0,43822
0,44950
0,45907
0,46712
0,47381
0,47932
0,48382
0,48745
0,49036
0,49266
0,49446
0,49585
0,49693
0,49774
0,49836
0,49882
0,49980
0,49997
0,50000
0,05
0,01994
0,05962
0,09871
0,13683
0,17364
0,20884
0,24215
0,27337
0,30234
0,32894
0,35314
0,37493
0,39435
0,41149
0,42647
0,43943
0,45053
0,45994
0,46784
0,47441
0,47982
0,48422
0,48778
0,49061
0,49286
0,49461
0,49598
0,49702
0,49781
0,49841
0,49886
0,49981
0,49997
0,50000
0,06
0,02392
0,06356
0,10257
0,14058
0,17724
0,21226
0,24537
0,27637
0,30511
0,33147
0,35543
0,37698
0,39617
0,41309
0,42785
0,44062
0,45154
0,46080
0,46856
0,47500
0,48030
0,48461
0,48809
0,49086
0,49305
0,49477
0,49609
0,49711
0,49788
0,49846
0,49889
0,49981
0,49998
0,50000
0,07
0,02790
0,06749
0,10642
0,14431
0,18082
0,21566
0,24857
0,27935
0,30785
0,33398
0,35769
0,37900
0,39796
0,41466
0,42922
0,44179
0,45254
0,46164
0,46926
0,47558
0,48077
0,48500
0,48840
0,49111
0,49324
0,49492
0,49621
0,49720
0,49795
0,49851
0,49893
0,49982
0,49998
0,50000
0,08
0,03188
0,07142
0,11026
0,14803
0,18439
0,21904
0,25175
0,28230
0,31057
0,33646
0,35993
0,38100
0,39973
0,41621
0,43056
0,44295
0,45352
0,46246
0,46995
0,47615
0,48124
0,48537
0,48870
0,49134
0,49343
0,49506
0,49632
0,49728
0,49801
0,49856
0,49896
0,49983
0,49998
0,50000
0,09
0,03586
0,07535
0,11409
0,15173
0,18793
0,22240
0,25490
0,28524
0,31327
0,33891
0,36214
0,38298
0,40147
0,41774
0,43189
0,44408
0,45449
0,46327
0,47062
0,47670
0,48169
0,48574
0,48899
0,49158
0,49361
0,49520
0,49643
0,49736
0,49807
0,49861
0,49900
0,49983
0,49998
0,50000
Parte
inteira e
primeira
decimal
de Zc
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,5
4,0
5,0
39

TABELA III
QUI-QUADRADO: VALORES Yc tais que P(Y>Yc)=p
GL
0,995
0,990
0,975
0,950
0,900
0,750
0,500
0,250
0,100
0,050
0,025
0,010
0,005
0,001
0,0000393
0,000157
0,000982
0,00393
0,0158
0,102
0,455
1,323
2,706
3,841
5,024
6,635
7,879
10,83
0,0100
0,0201
0,0506
0,103
0,211
0,575
1,386
2,773
4,605
5,991
7,378
9,210
10,60
13,82
0,0717
0,115
0,216
0,352
0,584
1,213
2,366
4,108
6,251
7,815
9,348
11,34
12,84
16,27
0,207
0,297
0,484
0,711
1,064
1,923
3,357
5,385
7,779
9,488
11,14
13,28
14,86
18,47
0,412
0,554
0,831
1,145
1,610
2,675
4,351
6,626
9,236
11,07
12,83
15,09
16,75
20,52
0,676
0,872
1,237
1,635
2,204
3,455
5,348
7,841
10,64
12,59
14,45
16,81
18,55
22,46
0,989
1,239
1,690
2,167
2,833
4,255
6,346
9,037
12,02
14,07
16,01
18,48
20,28
24,32
1,344
1,646
2,180
2,733
3,490
5,071
7,344
10,22
13,36
15,51
17,53
20,09
21,95
26,12
1,735
2,088
2,700
3,325
4,168
5,899
8,343
11,39
14,68
16,92
19,02
21,67
23,59
27,88
10
2,156
2,558
3,247
3,940
4,865
6,737
9,342
12,55
15,99
18,31
20,48
23,21
25,19
29,59
11
2,603
3,053
3,816
4,575
5,578
7,584
10,34
13,70
17,28
19,68
21,92
24,72
26,76
31,26
12
3,074
3,571
4,404
5,226
6,304
8,438
11,34
14,85
18,55
21,03
23,34
26,22
28,30
32,91
13
3,565
4,107
5,009
5,892
7,042
9,299
12,34
15,98
19,81
22,36
24,74
27,69
29,82
34,53
14
4,075
4,660
5,629
6,571
7,790
10,17
13,34
17,12
21,06
23,68
26,12
29,14
31,32
36,12
15
4,601
5,229
6,262
7,261
8,547
11,04
14,34
18,25
22,31
25,00
27,49
30,58
32,80
37,70
16
5,142
5,812
6,908
7,962
9,312
11,91
15,34
19,37
23,54
26,30
28,85
32,00
34,27
39,25
17
5,697
6,408
7,564
8,672
10,09
12,79
16,34
20,49
24,77
27,59
30,19
33,41
35,72
40,79
18
6,265
7,015
8,231
9,390
10,86
13,68
17,34
21,60
25,99
28,87
31,53
34,81
37,16
42,31
19
6,844
7,633
8,907
10,12
11,65
14,56
18,34
22,72
27,20
30,14
32,85
36,19
38,58
43,82
20
7,434
8,260
9,591
10,85
12,44
15,45
19,34
23,83
28,41
31,41
34,17
37,57
40,00
45,31
21
8,034
8,897
10,28
11,59
13,24
16,34
20,34
24,93
29,62
32,67
35,48
38,93
41,40
46,80
22
8,643
9,542
10,98
12,34
14,04
17,24
21,34
26,04
30,81
33,92
36,78
40,29
42,80
48,27
23
9,260
10,20
11,69
13,09
14,85
18,14
22,34
27,14
32,01
35,17
38,08
41,64
44,18
49,73
24
9,886
10,86
12,40
13,85
15,66
19,04
23,34
28,24
33,20
36,42
39,36
42,98
45,56
51,18
25
10,52
11,52
13,12
14,61
16,47
19,94
24,34
29,34
34,38
37,65
40,65
44,31
46,93
52,62
26
11,16
12,20
13,84
15,38
17,29
20,84
25,34
30,43
35,56
38,89
41,92
45,64
48,29
54,05
27
11,81
12,88
14,57
16,15
18,11
21,75
26,34
31,53
36,74
40,11
43,19
46,96
49,64
55,48
28
12,46
13,56
15,31
16,93
18,94
22,66
27,34
32,62
37,92
41,34
44,46
48,28
50,99
56,89
29
13,12
14,26
16,05
17,71
19,77
23,57
28,34
33,71
39,09
42,56
45,72
49,59
52,34
58,30
30
13,79
14,95
16,79
18,49
20,60
24,48
29,34
34,80
40,26
43,77
46,98
50,89
53,67
59,70
40
20,71
22,16
24,43
26,51
29,05
33,66
39,34
45,62
51,81
55,76
59,34
63,69
66,77
73,40
50
27,99
29,71
32,36
34,76
37,69
42,94
49,33
56,33
63,17
67,50
71,42
76,15
79,49
86,66
60
35,53
37,48
40,48
43,19
46,46
52,29
59,33
66,98
74,40
79,08
83,30
88,38
91,95
99,61
70
43,28
45,44
48,76
51,74
55,33
61,70
69,33
77,58
85,53
90,53
95,02
100,43
104,21
112,32
80
51,17
53,54
57,15
60,39
64,28
71,14
79,33
88,13
96,58
101,88
106,63
112,33
116,32
124,84
90
59,20
61,75
65,65
69,13
73,29
80,62
89,33
98,65
107,57
113,15
118,14
124,12
128,30
137,21
100
67,33
70,06
74,22
77,93
82,36
90,13
99,33
109,14
118,50
124,34
129,56
135,81
140,17
149,45
Exemplo: o valor da qui-quadrado com =16 graus de liberdade (GL) com rea da cauda superior igual
2
a 0,100 (P(Y>yc) = 0,1) 23,54, ou seja, 16
23,54 .
40

TABELA IV (t de Student): valores tc tais que P(-tc < t < tc) = 1-p
GL
0,5
0,4
0,3
0,2
0,1
0,05
0,02
0,01
0,005
0,002
0,001
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
40
50
60
120
5000
1,000
0,816
0,765
0,741
0,727
0,718
0,711
0,706
0,703
0,700
0,697
0,695
0,694
0,692
0,691
0,690
0,689
0,688
0,688
0,687
0,686
0,686
0,685
0,685
0,684
0,684
0,684
0,683
0,683
0,683
0,681
0,679
0,679
0,677
0,675
1,376
1,061
0,978
0,941
0,920
0,906
0,896
0,889
0,883
0,879
0,876
0,873
0,870
0,868
0,866
0,865
0,863
0,862
0,861
0,860
0,859
0,858
0,858
0,857
0,856
0,856
0,855
0,855
0,854
0,854
0,851
0,849
0,848
0,845
0,842
1,963
1,386
1,250
1,190
1,156
1,134
1,119
1,108
1,100
1,093
1,088
1,083
1,079
1,076
1,074
1,071
1,069
1,067
1,066
1,064
1,063
1,061
1,060
1,059
1,058
1,058
1,057
1,056
1,055
1,055
1,050
1,047
1,045
1,041
1,037
3,078
1,886
1,638
1,533
1,476
1,440
1,415
1,397
1,383
1,372
1,363
1,356
1,350
1,345
1,341
1,337
1,333
1,330
1,328
1,325
1,323
1,321
1,319
1,318
1,316
1,315
1,314
1,313
1,311
1,310
1,303
1,299
1,296
1,289
1,282
6,314
2,920
2,353
2,132
2,015
1,943
1,895
1,860
1,833
1,812
1,796
1,782
1,771
1,761
1,753
1,746
1,740
1,734
1,729
1,725
1,721
1,717
1,714
1,711
1,708
1,706
1,703
1,701
1,699
1,697
1,684
1,676
1,671
1,658
1,645
12,706
4,303
3,182
2,776
2,571
2,447
2,365
2,306
2,262
2,228
2,201
2,179
2,160
2,145
2,131
2,120
2,110
2,101
2,093
2,086
2,080
2,074
2,069
2,064
2,060
2,056
2,052
2,048
2,045
2,042
2,021
2,009
2,000
1,980
1,960
31,821
6,965
4,541
3,747
3,365
3,143
2,998
2,896
2,821
2,764
2,718
2,681
2,650
2,624
2,602
2,583
2,567
2,552
2,539
2,528
2,518
2,508
2,500
2,492
2,485
2,479
2,473
2,467
2,462
2,457
2,423
2,403
2,390
2,358
2,327
63,657
9,925
5,841
4,604
4,032
3,707
3,499
3,355
3,250
3,169
3,106
3,055
3,012
2,977
2,947
2,921
2,898
2,878
2,861
2,845
2,831
2,819
2,807
2,797
2,787
2,779
2,771
2,763
2,756
2,750
2,704
2,678
2,660
2,617
2,577
127,321
14,089
7,453
5,598
4,773
4,317
4,029
3,833
3,690
3,581
3,497
3,428
3,372
3,326
3,286
3,252
3,222
3,197
3,174
3,153
3,135
3,119
3,104
3,091
3,078
3,067
3,057
3,047
3,038
3,030
2,971
2,937
2,915
2,860
2,808
318,309
22,327
10,215
7,173
5,893
5,208
4,785
4,501
4,297
4,144
4,025
3,930
3,852
3,787
3,733
3,686
3,646
3,610
3,579
3,552
3,527
3,505
3,485
3,467
3,450
3,435
3,421
3,408
3,396
3,385
3,307
3,261
3,232
3,160
3,092
636,619
31,599
12,924
8,610
6,869
5,959
5,408
5,041
4,781
4,587
4,437
4,318
4,221
4,140
4,073
4,015
3,965
3,922
3,883
3,850
3,819
3,792
3,768
3,745
3,725
3,707
3,690
3,674
3,659
3,646
3,551
3,496
3,460
3,373
3,292
Exemplo de uso da tabela t de Student: entrando-se na tabela com a probabilidade p = 0,1 e GL = 7,

lemos o valor t7 = 1,895. Logo, P(-1,895<t7<1,895) = 0,9 e P(t7>1,895) = P(t7<-1,895) = 0,1/2= 0,05.
41

TABELA V
DISTRIBUIO F: valores fc tais que P(F>fc) = p
GL1
P(F>)
1
2
3
4
5
6
7
8
9
10
0,100
39,9
49,5
53,6
55,8
57,2
58,2
58,9
59,4
59,9
60,2
0,050
161
199
216
225
230
234
237
239
241
242
0,025
648
799
864
900
922
937
948
957
963
969
0,010
4052
4999
5403
5625
5764
5859
5928
5981
6022
6056
0,005
16211
19999
21615
22500
23056
23437
23715
23925
24091
24224
0,001
405284
499999 540379 562500 576405 585937 592873 598144 602284 605621
2
0,100
8,53
9,00
9,16
9,24
9,29
9,33
9,35
9,37
9,38
9,39
0,050
18,5
19,0
19,2
19,2
19,3
19,3
19,4
19,37
19,38
19,40
0,025
38,5
39,0
39,2
39,2
39,3
39,3
39,4
39,4
39,4
39,4
0,010
98,5
99,0
99,2
99,2
99,3
99,3
99,4
99,4
99,4
99,4
0,005
199
199
199
199
199
199
199
199
199
199
0,001
999
999
999
999
999
999
999
999
999
999
3
0,100
5,54
5,46
5,39
5,34
5,31
5,28
5,27
5,25
5,24
5,23
0,050
10,13
9,55
9,28
9,12
9,01
8,94
8,89
8,85
8,81
8,79
0,025
17,44
16,04
15,44
15,10
14,88
14,73
14,62
14,54
14,47
14,42
0,010
34,12
30,82
29,46
28,71
28,24
27,91
27,67
27,49
27,35
27,23
0,005
55,55
49,80
47,47
46,19
45,39
44,84
44,43
44,13
43,88
43,69
0,001
167,03
148,50
141,11
137,10
134,58
132,85
131,58 130,62
129,86 129,25
4
0,100
4,54
4,32
4,19
4,11
4,05
4,01
3,98
3,95
3,94
3,92
0,050
7,71
6,94
6,59
6,39
6,26
6,16
6,09
6,04
6,00
5,96
0,025
12,22
10,65
9,98
9,60
9,36
9,20
9,07
8,98
8,90
8,84
0,010
21,20
18,00
16,69
15,98
15,52
15,21
14,98
14,80
14,66
14,55
0,005
31,33
26,28
24,26
23,15
22,46
21,97
21,62
21,35
21,14
20,97
0,001
74,14
61,25
56,18
53,44
51,71
50,53
49,66
49,00
48,47
48,05
5
0,100
4,06
3,78
3,62
3,52
3,45
3,40
3,37
3,34
3,32
3,30
0,050
6,61
5,79
5,41
5,19
5,05
4,95
4,88
4,82
4,77
4,74
0,025
10,01
8,43
7,76
7,39
7,15
6,98
6,85
6,76
6,68
6,62
0,010
16,26
13,27
12,06
11,39
10,97
10,67
10,46
10,29
10,16
10,05
0,005
22,78
18,31
16,53
15,56
14,94
14,51
14,20
13,96
13,77
13,62
0,001
47,18
37,12
33,20
31,09
29,75
28,83
28,16
27,65
27,24
26,92
6
0,100
3,78
3,46
3,29
3,18
3,11
3,05
3,01
2,98
2,96
2,94
0,050
5,99
5,14
4,76
4,53
4,39
4,28
4,21
4,15
4,10
4,06
0,025
8,81
7,26
6,60
6,23
5,99
5,82
5,70
5,60
5,52
5,46
0,010
13,75
10,92
9,78
9,15
8,75
8,47
8,26
8,10
7,98
7,87
0,005
18,63
14,54
12,92
12,03
11,46
11,07
10,79
10,57
10,39
10,25
0,001
35,51
27,00
23,70
21,92
20,80
20,03
19,46
19,03
18,69
18,41
7
0,100
3,59
3,26
3,07
2,96
2,88
2,83
2,78
2,75
2,72
2,70
0,050
5,59
4,74
4,35
4,12
3,97
3,87
3,79
3,73
3,68
3,64
0,025
8,07
6,54
5,89
5,52
5,29
5,12
4,99
4,90
4,82
4,76
0,010
12,25
9,55
8,45
7,85
7,46
7,19
6,99
6,84
6,72
6,62
0,005
16,24
12,40
10,88
10,05
9,52
9,16
8,89
8,68
8,51
8,38
0,001
29,25
21,69
18,77
17,20
16,21
15,52
15,02
14,63
14,33
14,08
Exemplo: entrando-se na tabela com a probabilidade p = 5% =0,050, e GL1 = GL2 = 5, lemos o valor fc = 5,05.
Logo, P(F>5,05) = 5% = 0,050.
GL2
1
42

Aula 10

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Aula 10

Transféré par

Droits d'auteur :

Formats disponibles

Conhecimentos Especficos Mtodos Quantitativos Anatel

Aula 10 Regresso Linear Mltipla

Regresso Linear Mltipla .................................................................................................. 2

Modelo de Regresso Linear Mltipla .................................................................... 2

Os Pressupostos do Modelo ....................................................................................... 3

Notao Matricial para o Modelo de RLM ............................................................. 5

Estimativa de Mnimos Quadrados do Modelo ................................................... 7

Mnimos Quadrados Ordinrios (MQO) ......................................................................... 7

Mnimos Quadrados Generalizados (MQG) ................................................................... 9

Teste da Significncia de um Coeficiente nico: Teste t ............................. 11

1.6 Teste da Significncia Global da Regresso da Amostra: Teste F e

O Mnimo que Voc Precisa Saber ................................................................................ 20

Exerccios de Fixao ......................................................................................................... 23

Resoluo dos Exerccios de Fixao ........................................................................... 27

Conhecimentos Especficos Mtodos Quantitativos Anatel

Regresso Linear Mltipla

Modelo de Regresso Linear Mltipla

O modelo de Regresso Linear Simples (RLS) estudado muitas vezes

em que 1, 2 e 3 so parmetros fixos e desconhecidos do modelo

em que o subscrito i denota a i-sima observao e a varivel denota o

Conhecimentos Especficos Mtodos Quantitativos Anatel

do valor de Y. Ora, o erro aleatrio modela a influncia lquida de um

Yi = 1 + 2X2i + 3X3i + ... + kXki + i

O modelo (3) com k 4 descreve um hiperplano no espao k dimensional de

Conhecimentos Especficos Mtodos Quantitativos Anatel

Como cada observao sobre a varivel dependente Yi depende do termo

PRESSUPOSTOS DO MODELO DE REGRESSO MLTIPLA

Conhecimentos Especficos Mtodos Quantitativos Anatel

Notao Matricial para o Modelo de RLM

Para prosseguir com a exposio terica, ser preciso introduzir a notao

seja capaz de descrever o comportamento do investimento bruto da GM entre

(Y1 , X 2,1 , X 3,1 ) ,

www.pontodosconcursos.com.br | Prof. Alexandre Lima

Conhecimentos Especficos Mtodos Quantitativos Anatel

Tabela 1: Dados sobre investimentos da GM

Fonte: reproduzido de [GUJ00], pg. 527.

Generalizando o modelo (4) para o caso em que h k regressores e

Conhecimentos Especficos Mtodos Quantitativos Anatel

Note que Y, e so vetores coluna.

Estimativa de Mnimos Quadrados do Modelo

Mnimos Quadrados Ordinrios (MQO)

Para estimar o vetor de coeficientes , preciso minimizar a soma dos

em que os ei so os resduos do modelo.

Mantendo a notao matricial, temos que

Conhecimentos Especficos Mtodos Quantitativos Anatel

Sendo Y Y o vetor coluna com dimenso nx1 (isto , com n linhas e 1

em que ( X t X ) 1 (inversa do produto da transposta de X por X) uma matriz

O estimador de pelo mtodo de mnimos quadrados da equao (8) tambm

em que X representa a matriz transposta de X.

Conhecimentos Especficos Mtodos Quantitativos Anatel

Mnimos Quadrados Generalizados (MQG)

Explico, sem me aprofundar no assunto, a ideia fundamental do mtodo de

Var (Yi ) Var ( i ) i2

diz-se que o modelo heterocedstico.

O estimador MELNV fornecido pelo mtodo de Mnimos Quadrados

Conhecimentos Especficos Mtodos Quantitativos Anatel

No detalharei como a transformao das variveis originais do modelo pode

que pode ser escrita explicitamente como:

cov( , ) cov( , ) cov( , )

Conhecimentos Especficos Mtodos Quantitativos Anatel

em que k o nmero de parmetros a serem estimados, e nk corresponde ao

Teste da Significncia de um Coeficiente nico: Teste t

Quando adotamos um modelo de regresso mltipla, admitimos que todas as

Conhecimentos Especficos Mtodos Quantitativos Anatel