1 Regresso Linear Simples

Grande parte da anlise economtrica comea com a seguinte premissa: y e

x so duas variveis que representam alguma populao e, estamos
interessados em explicar y em termos de x ou em estudar como y varia com
as variaes em x. Alguns exemplos: y a produo de soja e x e a
quantidade de fertilizantes, y o salrio e x representa os anos de
educao, y uma taxa de criminalidade em uma comunidade e x o
nmero de policiais.
Ao escrever um modelo que explicar y em termos de x, defrontamo-nos
com trs questes. Primeiro, como nunca h uma relao exata entre duas
variveis, como consideraremos outros fatores que afetam y? Segundo, qual
a relao funcional entre x e y? Terceiro, como poderemos estar certos de
que estamos capturando uma relao ceteris paribus entre y e x?
Podemos resolver essas ambiguidades escrevendo uma equao que
relaciona y a x. Uma equao simples :
y = 0 + 1.x + u
A equao acima, que supostamente vlida para a populao de
interesse, define o modelo de regresso linear simples. Quando relacionadas
por essa expresso y chamada de varivel dependente ou explicada e x
chamada de varivel independente ou explicativa.
O termo u o termo de erro ou perturbao, tambm chamado de termo
aleatrio ou resduo e representa outros fatores, alm de x, que afetam y.
Uma anlise de regresso simples trata, efetivamente, todos os fatores,
alm de x, que afetam y como no observados.
A equao de regresso tambm trata da relao funcional entre y e x. Se os
outros fatores em u so mantidos fixos, de modo que a variao em u zero
(u = 0), ento x tem um efeito linear sobre y:
y = 1.x
Assim, a funo de regresso uma funo linear de x. A linearidade
significa que o aumento de uma unidade em x faz com que o valor esperado
de y varie segundo a magnitude 1.
Exemplo: produo de soja e fertilizantes
Suponha que a produo de soja seja determinada pelo modelo
produo = 0 + 1.fertilizante + u
de modo que y = produo e x = fertilizante. O pesquisador agrcola est
interessado no efeito dos fertilizantes sobre a produo, mantendo outros
fatores fixos. Esse efeito dado por 1. O termo u contm fatores como
1

qualidade da terra e da semente, chuva, etc. O coeficiente 1 mede o efeito

dos fertilizantes sobre a produo, mantendo outros fatores fixos.
Vamos agora fazer algumas consideraes sobre o termo u. Primeiro, o valor
mdio de u igual a zero, ou seja, na equao de regresso haver tantos
erros positivos quanto negativos de forma que sua mdia ser sempre nula.
Assim, podemos escrever:
E(u) = 0
Alm disso, devemos enfatizar que o valor de u no depende de x, ou seja, u
independente de x.

Estimativas de mnimos quadrados ordinrios

Trataremos agora da importante questo de como estimar os parmetros 0

e 1 da equao de regresso linear. Para tanto, necessitamos de uma
amostra da populao. Vamos considerar {(x i, yi): i = 1, 2, ..., n} com o uma
amostra aleatria de tamanho n da populao. Podemos ento escrever:
yi = 0 + 1.xi + ui

(i)

Com exemplo, xi poderia ser a renda anual e yi a poupana anual para a

famlia i durante um determinado ano. Se coletarmos dados de 15 famlias,
ento n = 15. Um grfico de tal conjunto de dados mostrado abaixo,
juntamente com a funo de regresso populacional (nesse caso, fictcia).

Como se pode ver na figura acima, os pontos do grfico indicam os valores

reais das variveis, mas a reta de regresso no necessariamente
intercepta esses pontos. Assim, o valor de y dado pela reta tem uma
diferena em relao ao y real. Essa diferena indicada pelo termo ui. Na
figura a seguir, podemos ver uma representao de uma equao de

regresso, com a indicao do yi real e do yi estimado pela equao, que

y i
ser indicado por

Assim, temos que:

y i 0 1 .xi
(ii)
no qual os acentos circunflexos indicam estimativas.

O objetivo da estimao pelo mtodo dos mnimos quadrados o de obter

estimativas dos parmetros 1 e 2 com base em uma amostra de valores de
y e x, de modo que os erros ou resduos sejam mnimos.
Da equao (i), temos que:
ui = yi 0 1.xi
ou ainda:

ui yi y i
Como j vimos, a mdia dos erros zero, o que quer dizer que ui = 0. Para
que os erros sejam mnimos, ento necessrio que o somatrio dos
quadrados dos erros, ou seja

SQR u i2 yi y i 2
3

seja um mnimo. Assim, desejamos minimizar a expresso:

SQR yi 0 1.xi

yi 0 1.xi

Essa minimizao pode ser obtida fazendo-se a derivada parcial da

expresso acima em relao a 0 e a 1, igualando essas derivadas a zero.
Assim, omitindo o ndice i, temos:

(iii)

(iv)

( SQR )
2. ( y 0 1.x).( 1) 0
0

( SQR )
2. ( y 0 1.x).( x) 0
1
De (iii), segue-se que:

2. y n.0 1.x .( 1) 0
y 1.x
0
n

y n.0 1.x

(v)

De (iv) segue-se que:

2. ( 0 .x 1 x 2 xy) 0 2. 0 .x 1.x 2 xy 0

xy 0 .x 1.x 2

substituindo (v), temos:

y 1.x
x 1.x
xy

n.xy x.y 1. n.x (x)

x.y 1.(x) 2 1.n.x

xy
n

n.xy x.y
1
2
n.x 2 x
(vi)

As equaes (v) e (vi) definem, pelo mtodo dos mnimos quadrados

y i 0 1 .xi
ordinrios (MMQO), o clculo dos parmetros da regresso

Observao: se x e y so positivamente correlacionados na amostra, ento

1 ser positivo; se x e y so negativamente correlacionados, ento 1 ser
negativo.
4

Propriedades do MQO

O MQO tem algumas propriedades numricas importantes. So as

propriedades que se sustentam em consequncia do uso dos mnimos
quadrados ordinrios, quaisquer que sejam as formas pelas quais os dados
foram gerados:
1) Os estimadores de MQO so expressos unicamente em termos de
quantidades observveis (isto , amostras) como X e Y. Portanto, podem ser
calculados com facilidade.
2) So estimadores pontuais, isto , dada a amostra, cada estimador
proporciona apenas um nico valor do parmetro populacional relevante.
3) Uma vez obtidas as estimativas de MQO para os dados amostrais, a linha
de regresso amostral pode ser facilmente obtida. Essa linha de regresso
tem as seguintes propriedades:
a) Passa pelas mdias amostrais de Y e X.
b) O valor mdio de Y estimado igual ao valor mdio do Y observado.
c) O valor mdio dos resduos igual a zero.
d) Os resduos no esto correlacionados ao Y previsto.
e) Os resduos no esto correlacionados ao X.

Exerccio: Considere os dados da tabela:

Despesas familiares de consumo semanal Y e renda
familiar semanal X
Y (em US$)
X (em US$)
70
80
95
100
90
120
95
140
110
160
115
180
120
200
140
220
155
240
150
260
Fonte: GUJARATI (2006), p. 71

Obtenha a equao de regresso linear simples de Y em funo de X e

verifique as propriedades (a), (b) e (c) listadas acima.