Estatistica - Vitor - Menezes - Aula 18 PDF

Curso Regular de Estatstica Aula 18
Prof Vtor Menezes
AULA 18: Regresso linear mltipla e anlise de

varincia da regresso
1. REGRESSO LINEAR ........................................................................................................................ 2

2. ANLISE DE VARINCIA DA REGRESSO ...................................................................................... 10
3. QUESTES APRESENTADAS EM AULA .......................................................................................... 27
4. GABARITO ..................................................................................................................................... 35
Prof. Vtor Menezes www.estrategiaconcursos.com.br 1

Prof Vtor Menezes
1. REGRESSO LINEAR
Na aula passada ns estudamos o modelo de regresso linear simples. Uma caracterstica

marcante deste que tnhamos uma nica varivel dita independente.
= + +
O modelo era:
A varivel Y chamada de dependente. A varivel X independente, seus valores so

considerados dados, fornecidos, e a partir deles calculamos Y.
Na aula de hoje veremos um modelo em que h mais de uma varivel independente. A ideia
geral do modelo exatamente a mesma da aula passada. S muda um pouco a matemtica
envolvida, pois agora temos que lidar com mais variveis. Para dar conta disso, temos que
usar equaes envolvendo matrizes.
Antes de generalizar os resultados, vejamos um modelo com 2 variveis independentes.

Pessoal, nessa aula eu no tenho outra alternativa a no ser dar uma ideia bsica de onde
vm os resultados.
Se vocs preferirem, podem simplesmente decorar o resultado final, ok?
=
+ + +
Nosso modelo com 2 variveis assim:
As variveis independentes so e . indica o erro aleatrio.

Sejam
, os estimadores de
, , .
=
+ +
Os valores estimados de Y ficam:
=
O desvio a diferena entre o verdadeiro valor de Y e sua estimativa:
No mtodo dos mnimos quadrados, queremos minimizar a soma dos quadrados dos
desvios:

Onde n indica o tamanho da amostra.

Ficamos com:


Prof Vtor Menezes
=

Para obter os estimadores que minimizam a soma dos quadrados dos desvios, a gente
deriva em relao a cada estimador, e iguala a zero.
Derivando em relao a
:
2
1 = 0
"
= 0
"
+ + = I
Esta a primeira equao a que chegamos.
Derivando em relao a :
2
= 0
+
+ + = 0
=
+ + II
Derivando em relao a :
2
= 0
+
+ + = 0
=
+ + III
Ento para calcular os valores de

, , ns precisamos resolver o sistema de trs
equaes e trs incgnitas a que chegamos acima. Ou seja, no fundo um sistema linear de
trs incgnitas.
Se tivssemos uma regresso com 3 variveis independentes, teramos um sistema de 4

equaes e 4 incgnitas.
Se tivssemos uma regresso com 4 variveis independentes, seriam 5 equaes e 5

incgnitas.
E assim por diante.
J pensou ficar resolvendo sistemas grandes assim? D muito trabalho.

Prof Vtor Menezes
A melhor forma de generalizar os resultados, e de facilitar inclusive o auxlio de

computadores (sim, na prtica, no dia a dia, numa pesquisa para valer, com muitos dados,
invivel fazer qualquer coisa na mo), a melhor forma de fazer tudo isso usando matrizes.
Pois matrizes tm tudo a ver com sistemas lineares.
Ok, agora vamos fazer tudo de novo. Mas usando matrizes.
Vou representar as matrizes por letras minsculas.

A matriz y ir designar os n valores de Y:

' +
.
$=& *
&.*
.
% )
A matriz representa os parmetros desconhecidos:

= - .

A matriz representa os erros aleatrios:

'.+
=& . *
& *
.
% )
A matriz / representa as variveis independentes:
1
' 1 +
/ = & 1 0 0 *
. . .
% 1 )
Para ficar claro, vamos analisar a segunda coluna:

representa o primeiro valor da varivel
representa o segundo valor da varivel
representa o ensimo valor da varivel
Pode parecer estranho a primeira coluna ser toda preenchida com 1, mas isso vai ficar
claro em seguida.
$ = / + 1
Da que nosso modelo de regresso fica assim:

Prof Vtor Menezes
o seguinte, o resultado da opearo / + 1 ser a matriz $.

O que que importa agora?
Para cada valor de i, estamos em um elemento amostral. Ou seja, para cada valor de i,
=
+ + +
teremos:
$. Ou ainda, estamos olhando para uma determinada linha de / + 1

Assim, fixado i, isso significa que estamos olhando para uma determinada linha da matriz
Agora observem que a matriz / multiplica . Para qualquer linha que olharmos,
, que
um dos elementos de , sempre deve ser multiplicado por 1. Vejam em vermelho:
= 2
+ + +
E, na obteno da linha i, quem que multiplica
?
Quem faz isso o elemento de / que ocupa a primeira posio da linha i.
inteira de / deve ser igual a 1.

Como isso tem que ocorrer para todos os valores de i, conclumos que a primeir acoluna
Certo?
Muito bem, seja agora 3 a matriz dos estimadores:

3 = - .

E seja $4 a matriz dos estimadores de Y:

' +
$4 = & . *
&.*
.
% )
Finalmente, seja 5 a matriz dos estimadores dos desvios:
5
5
'.+
5=& . *
& *
.
%5 )
$4 = /3
A equao que relaciona tais matrizes :
5 = $ $4
Os desvios correspondem s diferenas entre os valores de Y e suas estimativas:

Prof Vtor Menezes
5 = $ /3
Queremos minimizar a soma dos quadrados dos desvios.

Como calculamos essa soma?
Assim:
5 + 5 + + 5
Como ela pode ser obtida?
Basta multiplicar a matriz erros duas vezes. Uma como matriz linha, outra como matriz
coluna.
5 75
A soma dos quadrados dos desvios fica:
$ /37 $ /3
Onde a linha representa a matriz transposta.
= $ 7 3 7 / 7 $ /3
= $ 7 $ $ 7 /3 3 7 / 7 $ + 3 7 / 7 /3
Agora notem que $ 7 /3 transposta da matriz 3 7 / 7 $
$ 7 : matriz 1 x n
Vamos analisar o primeiro produto.
/: matriz n x 3
Logo, o produto $/ ser uma matriz 1 x 3
$/: matriz 1 x 3
Continuando:
3: matriz 3 x 1
Logo, o produto $/3 ser uma matriz 1 x 1. Ou seja, ser um nmero real.
Com uma anlise similar, descobrimos que 3 7 / 7 $ tambm um nmero real.
Logo: $ 7 /3 = 3 7 / 7 $
Oras, duas matrizes 1 x1 em que uma a transposta da outra so iguais entre si.
= $ 7 $ 23 7 / 7 $ + 3 7 / 7 /3
Assim, a soma dos quadrados dos desvios fica:
2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

Agora precisamos derivar em relao a b e igualar a zero:
Agora observem que:

:3 7 : matriz 1 x 3

Prof Vtor Menezes
/: matriz 3 x n
:3 7 / 7 : matriz 1 x n
O produto das duas matrizes acima, ento ser 1 x n. Continuando:

/: matriz n x 3
:3 7 //: matriz 1 x 3

O produto das matrizes acima ento ser 1 x 3

3: matriz 3 x1
Portanto, :3 7 / 7 /3 uma matriz 1 x 1. Ou seja, um nmero real. Com o mesmo
raciocnio, conclumos que 3 7 / 7 /:3 tambm real. E como uma transposta da outra,
2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

elas so idnticas. Logo:
2:3 7 / 7 $ + 2:3 7 / 7 /3 = 0
:3 7 / 7 $ / 7 /3 = 0
/ 7 $ / 7 /3 = 0
Logo:
/ 7 $ = / 7 /3
Que exatamente o mesmo sistema de equaes que obtivemos antes.
Vamos checar?

Reescrevendo as matrizes:
1
1 1 1 1 ' + 1 1 1 1
. 1
- . & * = - . < = - .
&.*

. 1
% )
Vamos testar?
Trabalhando com a primeira linha:
= "
+ +
Que exatamente a primeira equao do sistema a que chegamos.
A grande vantagem do sistema matricial

Prof Vtor Menezes
/ 7 $ = / 7 /3
Muito bem. Agora precisamos resolver o sistema. Para tanto, isolamos a matriz 3. Basta
que ele vale para qualquer nmero de variveis independentes.
multiplicar pela inversa de //, pela esquerda:

/ 7 /> / 7 $ = 3
possvel demonstrar que os estimadores assim obtidos so no viciados.
3 = / 7 /> / 7 $
Estimadores de mnimos quadrados na regresso mltipla
Questo 1 SUSEP 2006 [ESAF]

Tendo que a sinistralidade (S) de uma carteira de automveis de "n" observaes foi
avaliada em funo das variveis: X, relativa ao modelo do veculo, e Y, perfil do condutor,
resultando os pontos: (X1, Y1, S1), (X2, Y2, S2), ..., (Xn, Yn, Sn), podendo S ser descrita pela
expresso:
Avaliando S em funo de valores atribudos a X e Y, falando-se de um plano de mnimo
quadrado de ajustamento de dados, as equaes normais correspondentes ao plano de
? = @
+ @A + @
mnimo quadrado so dadas por:
( ) ? = @
" + @ + @
( ) ? = @
+ @ + @
( ) ? = @
+ @ + @
Indicando por V - Verdadeiro e F - Falso, temos a opo correta como sendo:
a) V, F, F
b) V, V, F
c) V, F, V
d) F, V, F
e) F, F, V
Resoluo

Prof Vtor Menezes
Esta questo cobra exatamente o que fizemos na parte terica da aula. O resultado que
= "
+ + I
obtivemos foi:
=
+ + II
=
+ + III
S que a questo usou letras diferentes:

S em vez de Y
X em vez de X1.
Y em vez de X2.
a0, a1 e a2 como coeficientes.
? = "@
+ @ + @ I
Ento, adaptando nossa nomenclatura, o resultado passa a ser:
? = @
+ @ + @ II
? = @
+ @ + @ III
S a terceira equao coincide com a informada no enunciado. Logo: F, F, V.
Gabarito: E
Questo 2 BACEN 2001 [ESAF]

A questo baseia-se no enunciado seguinte:
Um investigador est interessado em estudar a funo consumo de um determinado setor
da economia. Com base em seu conhecimento de Teoria Econmica postula que o consumo
(C) de interesse deve variar com a renda real percapita do pas (R) e com um relativo de
preos (P) do setor. Neste contexto observa uma srie de 17 observaes nessas variveis
ao longo do tempo, obtendo uma seqncia de realizaes Ct, Rt e Pt que satisfazem o
logEF = + logGF + H logIF + JF

modelo log-linear:
. Nesta expresso o log tomado na base neperiana, , , H so parmetros desconhecidos

e JF os so erros no correlacionados, normalmente distribudos com mdia zero e varincia
constante K > 0 . Alguns resultados do ajuste desse modelo pelo mtodo de mnimos
quadrados so apresentados a seguir:

Prof Vtor Menezes
Assinale a opo que d a estimativa da variao esperada em log (C) decorrente do

decrscimo de duas unidades no log (P) e do aumento de uma unidade no log (R).
a) 1,97
b) 2,8
c) 2,0
d) 1,0
e) 3,0
Resoluo:

O modelo apresentado o seguinte:
logEF = 3,16 + 1,14 logGF + 0,83 logIF + JF

Vamos substituir cada parmetro por sua estimativa:
Se o logaritmo de R aumentar uma unidade, teremos o seguinte. Esse acrscimo ser

multiplicado por 1,14. Logo, o resultado esperado no log de C ser o acrscimo de 1,14.
Se o logaritmo de P decrescer duas unidades, teremos o seguinte. Esse decrscimo ser
2 0,083 = 1,66

multiplicado por -0,83. Logo, o resultado esperado no log de C ser o acrscimo de:
1,14 + 1,66 = 2,8

Juntando os dois efeitos, o acrscimo total esperado no logaritmo de C ser:
Gabarito: B
2. ANLISE DE VARINCIA DA REGRESSO
A anlise de varincia da regresso mltipla bastante similar anlise de varincia da

regresso simples, estudada na aula passada.
A soma de quadrados dos resduos (SQR) dada por:

Prof Vtor Menezes

exatamente a mesma coisa que vimos na aula passada.

A diferena desta aula que aprendemos como escrever isso na forma matricial.
$ 7 $ 237 / 7 $ + 3 7 / 7 /3
Fica assim:
Q
A soma de quadrados total (SQT) continua sendo:
2 Q + Q
Desenvolvendo:
= 2Q + " Q
= 2Q"Q + " Q
= "Q
A soma de quadrados do modelo de regresso (SQM) continua sendo:
Q

No veremos como escrever tais grandezas na forma matricial, pois no cobrado nas
provas de concursos.
?RS = ?RG + ?RT

A relao entre as somas de quadrados continua valendo:
O que precisamos aprender de novidade a quantidade de graus de liberdade associado a
A SQT continua tendo " 1 graus de liberdade

cada soma de quadrados.
?RT tem U 1 graus de liberdade. Onde p o nmero de parmetros a serem

estimados. Na aula passada, na regresso simples, tnhamos apenas dois parmetros (, .
Por isso SQM tinha 2 1 = 1 grau de liberdade.
(
, , . Sero 2 graus de liberdade.
Exemplificando: numa regresso com 2 variveis independentes, so 3 parmetros
Finalmente, para calcular o nmero de graus de liberdade de SQR, basta fazer a diferena
entre os dois anteriores.
U1
Soma de quadrados Nmero de graus de liberdade
"1
Modelo de Regresso
" 1 U 1 = " U
Total
Resduos
A estatstica para o teste F continua sendo:

Prof Vtor Menezes
RTT
V=
RTG
Onde:
RTT: quadrado mdio do modelo de regresso
RTG: quadrado mdio dos resduos
variveis ( , , . , ) so todos iguais a zero. Se rejeitarmos a hiptese nula, ento

A estatstica nos permite testar a hiptese nula de que os coeficientes que multiplicam as
porque ao menos um desses coeficientes diferente de zero.
?RT
O coeficiente de determinao continua sendo:
G =
?RS
Ele nos indica o quanto da soma de quadrados total explicada pelo modelo de regresso.
Questo 3 ATRFB 2009 [ESAF]

O modelo de regresso linear mltipla Y= + X + Z + ajustado s observaes Yi, Xi e Zi,
que constituem uma amostra aleatria simples de tamanho 23. Considerando que o
coeficiente de determinao calculado foi R2 = 0,80, obtenha o valor mais prximo da
estatstica F para testar a hiptese nula de no-existncia da regresso.
a) 84
b) 44.
c) 40. .
d) 42.
e) 80.
Resoluo:
Sejam:
- SQT: soma de quadrados total
- SQM: soma de quadrados do modelo de regresso.
- SQR: soma de quadrados dos resduos
- R2: coeficiente de determinao
- "n": o tamanho da amostra.
parmetros (, , W)
- "p": a quantidade de parmetros a serem estimados. Nesta questo, temos trs

Prof Vtor Menezes
?RT
Temos:
G =
?RS
?RT
0,8 =
?RS
?RT = 0,8?RS
?RG = ?RS ?RT = ?RS 0,8?RS = 0,2 ?RS

Logo:
Sejam:
- QMT: quadrado mdio total

- QMM: quadrado mdio do modelo de regresso
- QMR: quadrado mdio dos resduos.
O quadrado mdio dado pela respectiva soma de quadrados dividida pelo nmero de
A soma de quadrados total tem " 1 graus de liberdade.

graus de liberdade.
" 1 = 23 1 = 22
A soma de quadrados dos resduos tem " Ugraus de liberdade. Como a amostra tem
Ou seja, SQT tem 22 graus de liberdade.
tamanho 23 (" = 23) e so trs parmetros a serem estimados (U = 3), ficamos com:
" U = 23 3 = 20
Logo, SQR tem 20 graus de liberdade.
Por fim, o nmero de graus de libedade de SQM dado pela diferena entre os valores
22 20 = 2
acima:
SQM tem 2 graus de liberdade.
RTT ?RT 2 0,8 ?RG 2

A estatstica F dada por:
V= = =
RTG ?RG 20 0,2 ?RS 20
0,8 2
V= = 40
0,2 20
A questo foi anulada por no estar prevista no edital do concurso.
Gabarito: anulado

Prof Vtor Menezes
Questo 4 CGU 2008 [ESAF]

A anlise de varincia de um modelo estatstico de regresso linear ordinria com uma
varivel dependente, um termo constante mais trs variveis como regressores, forneceu
uma soma dos quadrados devido regresso de 13 590 e uma soma dos quadrados dos
resduos de 6 795. Dado que foram usadas 14 observaes, calcule o valor mais prximo da
estatstica F para o teste de hiptese da no-existncia da regresso linear estudada.
a) 2.
b) 5.
c) 6,67.
d) 7.5.
e) 10.
Resoluo:
Sejam SQM e SQR, respectivamente, a soma dos quadrados do modelo de regresso e a
soma dos quadrados dos resduos.
Sejam QMM e QMR os correspondentes quadrados mdios.
soma de quadrados de modelo associamos graus de liberdade, onde "p" a
quantidade de parmetros estimados
Neste caso, temos um coeficiente para cada um dos trs regressores, mais o termo
soma de quadrados dos resduos associamos " U graus de liberdade, onde "n" o
independente. So 4 parmetros (p=4).
tamanho da amostra. Nesse caso, n=14.
RTT
A estatstica teste dada pela relao entre os quadrados mdios:
V=
RTG
?RT U 1
V=
?RG " U
13590 3
V= = 6,67
6795 14 4
Gabarito: C
Questo 5 BACEN 2006 [FCC]

Considere as seguintes informaes para resolver as questo.
Uma das principais aplicaes da Econometria tem sido sua utilizao na obteno de
modelos que explicam a procura de produtos nos diversos setores da Economia. Por
exemplo, em um determinado pas, adotou-se o modelo

Prof Vtor Menezes
\ = + + W +
para avaliar a demanda per capita de um determinado produto, com base em observaes
nos ltimos dez anos. Dados:
zi = ln(Qi), em que ln o logaritmo neperiano (ln(e) =1) e Qi um ndice representando
a demanda per capita do produto no ano i;
xi = ln(Pi), em que Pi o ndice de preo do produto no ano i;
yi = ln(Ri), em que Ri a renda per capita do pas no ano i;
, , W so parmetros desconhecidos;
o erro aleatrio com as respectivas hipteses consideradas para o modelo de
regresso linear mltipla.
Utilizando o mtodo dos mnimos quadrados, obteve-se a equao do plano:
]_^ = 4 0,12/ + 0,76$
Dados obtidos do quadro de anlise de varincia:
Soma dos quadrados referente regresso: 0,6160

Variao residual: 0,0140
Considerando a equao do plano obtida pelo mtodo dos mnimos quadrados para esse
pas, o valor da previso em um determinado ano do ndice de demanda per capita Q do
produto analisado em funo do ndice de preo P e uma renda per capita R (P.Q 0) pode
ser obtido pela frmula:
5`
a)
R =
,
I G
,ab
4
b)
R=
I >
, G >
,ab
5`
c)
R =
,
I G >
,ab
c"4
d)
R=
I
, G
,ab
c"4
e)
R=
I >
, G
,ab
Resoluo:
Notem que a questo no se preocupou em adotar smbolos distintos para Q e sua previso.

Prof Vtor Menezes
]_^ = 4 0,12/ + 0,76$
ln R = 4 0,12 ln I + 0,76 ln G
R = exp [4 0,12 ln I + 0,76 ln G]

Acima, na verdade, a equao traz a previso de Q, e no seu valor real.
5 ` 5
,abjk
R=
5
,jl
Lembrando que: 5 jl = I e que 5 jk = G
5 ` G
,ab
R=
I
,
5`
R=
I
, G >
,ab
Gabarito: C

\ = + + W +
]_^ = 4 0,12/ + 0,76$


Prof Vtor Menezes
Com relao equao do plano ajustado pelo mtodo dos mnimos quadrados e
considerando o quadro de anlise de varincia correspondente, correto afirmar que:
a) O coeficiente de determinao (R2) da regresso linear mltipla inferior a 97%.

b) Para o teste de hiptese de existncia de regresso, tem-se que o nmero de graus de
liberdade a considerar referente variao residual 9.
c) Como na regresso linear simples, o coeficiente de determinao (R2) da regresso linear
mltipla igual ao quociente da diviso da variao residual pela variao explicada pela
regresso.
d) A relao entre o nmero de graus de liberdade referente variao residual e o nmero
de graus de liberdade referente variao explicada pela regresso 3,5.
e) O valor da estatstica F (F calculado) utilizado para comparao com o F tabelado (varivel
denominador, ao nvel de significncia ) igual a 44.

F de Snedecor com m graus de liberdade no numerador e n graus de liberdade no
Resoluo
Alternativa A - INCORRETA. Sejam SQT, SQM e SQR, respectivamente, a soma de quadrados
total (variao total), a soma de quadrados do modelo (variao explicada) e a soma de
quadrados dos resduos (variao residual).
?RS = ?RT + ?RG

Temos:
?RS = 0,616 + 0,014 = 0,63

Com isso, podemos calcular o coeficiente de determinao (R2):
?RT 0,616
G = = = 97,77%
?RS 0,63
O coeficiente de determinao no inferior a 97%.

Antes de analisarmos a alternativa "b", podemos ir direto para a "c", por conta do resultado
acima obtido.
Alternativa C - INCORRETA. Como vimos acima, o coeficiente de determinao foi dado pela
relao entre a variao explicada e a variao total.
Alternativa B - INCORRETA. Seja "n" o nmero de observaes e "p" o nmero de

parmetros a serem estimados.
Temos:

Prof Vtor Menezes
p = 3 (so trs parmetros a serem estimados - , , W)

n = 10 (observaes para 10 anos)
- Variao total: " 1 = 10 1 = 9

Os graus de liberdade associados so:
- Variao residual: " U = 10 3 = 7

- Variao explicada: U 1 = 3 1 = 2
O nmero de graus de liberdade associado variao residual 7 (e no 9, como afirmou a
alternativa "b").
Alternativa D - CORRETA.
O nmero de graus de liberdade referente variao residual 7.
O nmero de graus de liberdade referente variao explicada 2.
7
A relao entre ambos :
= 3,5
2
Alternativa E - INCORRETA. Seja QMR o quadrado mdio dos resduos. Seja QMM o
quadrado mdio do modelo de regresso.
Os quadrados mdios so obtidos a partir das respectivas somas de quadrados, divididas
0,616
pelos nmero de graus de liberdade.
RTT = = 0,308
2
0,014
RTG = = 0,02
7
0,308
A estatstica F dada pela relao entre estes dois quadrados mdios:
V= = 154
0,02
Gabarito: D

modelo log-linear:

Prof Vtor Menezes

Assinale a opo que d o valor da estatstica necessria para o teste da hiptese

a) 2,0
b) 1,0
c) 2,5
d) 25
e) 5,0
Resoluo:
Sejam:
SQT: soma de quadrados total;
SQM: soma de quadrados do modelo de regresso
SQR: soma de quadrados dos resduos
QMT: quadrado mdio total
QMM: quadrado mdio do modelo de regresso
QMR: quadrado mdio dos resduos.
Quadrado mdio do modelo de regresso

soma de quadrados do modelo de regresso associamos p-1 graus de liberdade, em que
"p" a quantidade de parmetros a serem estimados. No presente caso, so trs
?RT 0,5
parmetros.
RTT = = = 0,25
U1 31

Prof Vtor Menezes
Quadrado mdio dos resduos.
?RG = ?RS ?RT = 0,64 0,5 = 0,14

Primeiro calculamos a soma de quadrados dos resduos:
A essa soma de quadrados associamos n-p graus de liberdade, onde "n" o tamanho da
amostra e "p" o nmero de parmetros estimados.
" U = 17 3 = 14
Nesse caso:
?RG 0,14
Finalmente, temos:
RTG = = = 0,01
"U 14
Estatstica teste
0,25
Estatstica teste dada pela relao entre os dois quadrados mdios:
V= = 25
0,01
Gabarito: D
Questo 8 MDIC 2002 [ESAF]

O texto seguinte diz respeito questo.
Com o objetivo de avaliar os efeitos das variveis preo e renda no consumo per capita do
setor txtil de determinado pas, ajustou-se, utilizando-se para esse fim observaes de 20
lnEF = + lnIF + W lnGF + F

anos, o modelo de regresso linear
n = 1, 2, , 20
onde ln representa o logaritmo neperiano e, com base em n = 1, EF um ndice de
consumo per capita, IF o quociente de um ndice de preo do vesturio pelo ndice de
custo de vida, GF a renda real per capita, , , Ws o parmetros desconhecidos e os F so
desconhecida K > 0.
realizaes independentes de uma varivel aleatria normal com mdia zero e varincia
de IF e GF que deste modo so tratadas como fixas. As estimativas dos parmetros, de seus
O ajuste do modelo de regresso linear foi levado a efeito condicionalmente s observaes
desvios padro bem como parte da tabela de anlise de varincia so dados a seguir:

Prof Vtor Menezes
o
: = W = 0
Assinale a opo que d o valor da estatstica associada ao teste de
o : 0 q1 W 0
contra a alternativa
a)17/5
b) 250
c) 25
d) 170
e) 5/17
Resoluo:
O quadrado mdio do modelo (QMM) igual diviso entre a soma de quadrados do
modelo (SQM) e o respectivo nmero de graus de liberdade.
O nmero de graus de liberdade de SQM igual a p-1, onde "p" a quantidade de
0,5
parmetros. No presente caso, so trs parmetros . Logo, SQM tem 2 graus de liberdade.
RTT = = 0,25
2
O quadrado mdio dos resduos (QMD) igual diviso entre a soma de quadrados dos
resduos (SQD) e o respectivo nmero de graus de liberdade.
O nmero de graus de liberdade de SQD igual a n-p, onde "n" o tamanho da amostra e
"p" a quantidade de parmetros. No presente caso, so trs parmetros e a amostra tem
0,017
tamanho 20. Logo, SQD tem 20-3=17graus de liberdade.
RTr = = 0,001
17
0,25
A estatstica teste a relao entre os dois quadrados mdios calculados acima:
V= = 250
0,001
Gabarito: B

Prof Vtor Menezes


n = 1, 2, , 20
desconhecida K > 0.
Assinale a opo que d o valor do coeficiente de determinao do ajuste da regresso

linear mltipla.
a) 0,980
b) 0,900
c) 0,800
d) 0,967
e) 0,890
Resoluo:
A ltima tabela do enunciado nos forneceu as seguintes informaes:
Soma de quadrados do modelo: SQM = 0,500
Soma de quadrados dos desvios: SQD = 0,017

Prof Vtor Menezes
?RS = ?RT + ?Rr

Com isso podemos calcular a soma de quadrados total (SQT):
?RS = 0,5 + 0,017 = 0,517
0,5
O coeficiente de determinao igual relao entre SQM e SQT:
G = = 0,967
0,517
Gabarito: D
Questo 10 TRE SP 2012 [FCC]

Um quadro de anlise de varincia referente a uma regresso linear mltipla com uma
varivel dependente, 3 variveis explicativas e com base em 24 observaes forneceu a
informao de que o valor da estatstica F, utilizada para verificar a existncia da regresso
igual a 35. A porcentagem que a variao explicada, fonte de variao devida regresso,
representa da variao total
a) 96%.
b) 93%.
c) 90%.
d) 87%.
e) 84%.
Resoluo:
Como temos trs variveis independentes, ento a quantidade de parmetros (p) do
modelo de regresso 4 (um para cada varivel, mais um termo independente).
U1= 41= 3
O quadrado mdio do modelo de regresso (QMM) tem graus de liberdade igual a:
O quadrado mdio total tem " 1 graus de liberdade, onde "n" o tamanho da amostra.
" 1 = 24 1 = 23
A diferena entre as duas quantias acima corresponde ao nmero de graus de liberdade
23 3 = 20
associado ao quadrado mdio dos resduos (QMR).
A estatstica F igual relao entre o quadrado mdio do modelo de regresso e o
RTT
quadrado mdio dos resduos.
V=
RTG

Prof Vtor Menezes
Cada quadrado mdio igual correspondente soma de quadrados dividida pelo nmero
?RT 3
de graus de liberdade:
V=
?RG 20
Onde SQM e SQR representam a soma de quadrados do modelo e a soma de quadrados dos
resduos.
?RT 3
Continuando:
35 =
?RG 20
35 ?RT
?RG =
20 3
20
?RG = ?RT
35 3
4
?RG = ?RT
21
?RG + ?RT = ?RS

Somando SQR com SQM, obtemos a soma de quadrados total (SQT):
4
Substituindo o valor de SQR:
?RT + ?RT = ?RS

21
25
?RT = ?RS
21
?RT 21
= = 84%
?RS 25
Gabarito: E
Questo 11 BNDES 2011 [CESGRANRIO]

Para estudar o consumo de refrigerante em funo do preo, da temperatura e da renda
familiar, ajustou-se o seguinte modelo de regresso linear mltipla y = 0 + 1x1 + 2x2 +
3x3 + , onde y representa o consumo de refrigerante em litros, por semana, x1, o preo
do refrigerante em reais, x2, a temperatura em oC e, x3, a renda familiar em reais, por
semana.
Os resultados obtidos considerando trs casas decimais foram:

Prof Vtor Menezes
Analisando-se os resultados acima, conclui-se que

a) rejeitam-se as hipteses H0 : 0 = 0 e H0 : 1 = 0 ao nvel de 5%
b) rejeitam-se as hipteses H0 : 0 = 0 , H0 : 1 = 0 e H0 : 2 = 0 ao nvel de 1%
c) no se rejeitam as hipteses H0 : 0 = 0 , H0 : 1 = 0 e H0 : 3 = 0 ao nvel de 5%
d) no se rejeitam as hipteses H0 : 1 = 0 , H0 : 2 = 0 e H0 : 3 = 0 ao nvel de 5%
e) os coeficientes estimados so todos significativos ao nvel de 10%
Resoluo:
Num teste de hipteses, temos:
se o p-valor for maior que o nvel de significncia, ento no rejeitamos a hiptese
nula
se o p-valor for menor que o nvel de significncia, ento rejeitamos a hiptese nula.
A constante
tem p-valor muito elevado (0,943). Tal hiptese no ser rejeitada para
nenhum dos nveis de significncia mencionados nas alternativas (10%, 5% e 1%). Podemos
descartar as alternativas que dizem o contrrio disso:

Observe que as duas alternativas restantes trazem nvel de significncia de 5%.
No caso do coeficiente , o p-valor foi de 0,163. O raciocnio o mesmo acima: no

rejeitamos a hiptese nula. Idem para 0.
Quanto a o p-valor foi de 1,1%. Se o nvel de significncia de 5%, ento tal nvel maior
que o p-valor. Logo, rejeitamos a hiptese nula para

Prof Vtor Menezes

Gabarito: C
Questo 12 AFRFB 2012 [ESAF]

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. = 10 + 2,5 x1 + 0,3 x2 + 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.
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.
Alternativa A - INCORRETA. Vejam que o coeficiente de / igual a 2,5. Logo,

Resoluo:
se / aumentar uma unidade (e as demais variveis independentes no se alterarem),

ento ter acrscimo de 2,5 (e no de 2,5%).
Alternativa B - CORRETA. Quando o nvel de significncia maior que o p-valor, rejeitamos

a hiptese nula. Logo, se o nvel de significncia for maior que 0,003, rejeitamos a hiptese
nula. Por outro lado, quando o nvel de significncia menor que o p-valor, aceitamos a
hiptese nula.
Na situao limite, quando o nvel de significncia igual ao p-valor, a estatstica teste cai
dentro da regio crtica, e rejeitamos a hiptese nula. Deste modo, realmente, o menor
nvel de significncia que resulta em rejeio da hiptese nula 0,003.

Prof Vtor Menezes
regresso mltipla (e no apenas /0 ) explica 95,32% da soma e quadrados total.

Alternativa C - INCORRETA. O coeficiente de determinao indica que o modelo de
Alternativa D - INCORRETA. No foram dadas quaisquer informaes que nos permitam

calcular as probabilidades dos dois tipos de erro.
Alternativa E - INCORRETA. A hiptese nula para a de que ele vale 0. Se rejeitamos a

hiptese nula, ento porque os dados nos indicam que deve ser diferente de 0. Se
diferente de 0, no podemos dizer que / no explica Y.
Gabarito: B
3. QUESTES APRESENTADAS EM AULA
Questo 1 SUSEP 2006 [ESAF]

Tendo que a sinistralidade (S) de uma carteira de automveis de "n" observaes foi
avaliada em funo das variveis: X, relativa ao modelo do veculo, e Y, perfil do condutor,
resultando os pontos: (X1, Y1, S1), (X2, Y2, S2), ..., (Xn, Yn, Sn), podendo S ser descrita pela
expresso:
Avaliando S em funo de valores atribudos a X e Y, falando-se de um plano de mnimo
quadrado de ajustamento de dados, as equaes normais correspondentes ao plano de
? = @
+ @A + @
mnimo quadrado so dadas por:
( ) ? = @
" + @ + @
( ) ? = @
+ @ + @
( ) ? = @
+ @ + @
Indicando por V - Verdadeiro e F - Falso, temos a opo correta como sendo:
a) V, F, F
b) V, V, F
c) V, F, V
d) F, V, F
e) F, F, V

Prof Vtor Menezes

modelo log-linear:

Assinale a opo que d a estimativa da variao esperada em log (C) decorrente do

decrscimo de duas unidades no log (P) e do aumento de uma unidade no log (R).
a) 1,97
b) 2,8
c) 2,0
d) 1,0
e) 3,0
Questo 3 ATRFB 2009 [ESAF]

O modelo de regresso linear mltipla Y= + X + Z + ajustado s observaes Yi, Xi e Zi,
que constituem uma amostra aleatria simples de tamanho 23. Considerando que o
coeficiente de determinao calculado foi R2 = 0,80, obtenha o valor mais prximo da
estatstica F para testar a hiptese nula de no-existncia da regresso.
a) 84
b) 44.
c) 40. .
d) 42.
e) 80.
Questo 4 CGU 2008 [ESAF]
A anlise de varincia de um modelo estatstico de regresso linear ordinria com uma
varivel dependente, um termo constante mais trs variveis como regressores, forneceu

Prof Vtor Menezes
uma soma dos quadrados devido regresso de 13 590 e uma soma dos quadrados dos
resduos de 6 795. Dado que foram usadas 14 observaes, calcule o valor mais prximo da
estatstica F para o teste de hiptese da no-existncia da regresso linear estudada.
a) 2.
b) 5.
c) 6,67.
d) 7.5.
e) 10.
\ = + + W +
]_^ = 4 0,12/ + 0,76$

Considerando a equao do plano obtida pelo mtodo dos mnimos quadrados para esse
pas, o valor da previso em um determinado ano do ndice de demanda per capita Q do
produto analisado em funo do ndice de preo P e uma renda per capita R (P.Q 0) pode
ser obtido pela frmula:
5`
a)
R =
,
I G
,ab

Prof Vtor Menezes
4
b)
R=
I >
, G >
,ab
5`
c)
R=
I
, G >
,ab
c"4
d)
R=
I
, G
,ab
e)
s = wxy,2z {y,|}
tuv
Questo 6
BACEN 2006 [FCC]
\ = + + W +
]_^ = 4 0,12/ + 0,76$

Com relao equao do plano ajustado pelo mtodo dos mnimos quadrados e
considerando o quadro de anlise de varincia correspondente, correto afirmar que:
a) O coeficiente de determinao (R2) da regresso linear mltipla inferior a 97%.

Prof Vtor Menezes
b) Para o teste de hiptese de existncia de regresso, tem-se que o nmero de graus de

liberdade a considerar referente variao residual 9.
c) Como na regresso linear simples, o coeficiente de determinao (R2) da regresso linear
mltipla igual ao quociente da diviso da variao residual pela variao explicada pela
regresso.
d) A relao entre o nmero de graus de liberdade referente variao residual e o nmero
de graus de liberdade referente variao explicada pela regresso 3,5.
e) O valor da estatstica F (F calculado) utilizado para comparao com o F tabelado (varivel
denominador, ao nvel de significncia ) igual a 44.

F de Snedecor com m graus de liberdade no numerador e n graus de liberdade no


modelo log-linear:

Assinale a opo que d o valor da estatstica necessria para o teste da hiptese

a) 2,0
b) 1,0
c) 2,5
d) 25
e) 5,0

Prof Vtor Menezes


n = 1, 2, , 20
desconhecida K > 0.
o
: = W = 0
Assinale a opo que d o valor da estatstica associada ao teste de
o : 0 q1 W 0
contra a alternativa
a)17/5
b) 250
c) 25
d) 170
e) 5/17

Prof Vtor Menezes

n = 1, 2, , 20
desconhecida K > 0.
Assinale a opo que d o valor do coeficiente de determinao do ajuste da regresso

linear mltipla.
a) 0,980
b) 0,900
c) 0,800
d) 0,967
e) 0,890
Questo 10 TRE SP 2012 [FCC]
Um quadro de anlise de varincia referente a uma regresso linear mltipla com uma
varivel dependente, 3 variveis explicativas e com base em 24 observaes forneceu a
informao de que o valor da estatstica F, utilizada para verificar a existncia da regresso
igual a 35. A porcentagem que a variao explicada, fonte de variao devida regresso,
representa da variao total
a) 96%.
b) 93%.
c) 90%.

Prof Vtor Menezes
d) 87%.
e) 84%.
Questo 11 BNDES 2011 [CESGRANRIO]
Para estudar o consumo de refrigerante em funo do preo, da temperatura e da renda
familiar, ajustou-se o seguinte modelo de regresso linear mltipla y = 0 + 1x1 + 2x2 +
3x3 + , onde y representa o consumo de refrigerante em litros, por semana, x1, o preo
do refrigerante em reais, x2, a temperatura em oC e, x3, a renda familiar em reais, por
semana.
Os resultados obtidos considerando trs casas decimais foram:
Analisando-se os resultados acima, conclui-se que

Questo 12 AFRFB 2012 [ESAF]
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. = 10 + 2,5 x1 + 0,3 x2 + 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.

Prof Vtor Menezes
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.
4. GABARITO
1 e
2 b
3 anulado
4 c
5 c
6 d
7 d
8 b
9 d
10 e
11 c
12 b

Estatistica - Vitor - Menezes - Aula 18 PDF

Uploaded by

Document Information

Original Description:

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Estatistica - Vitor - Menezes - Aula 18 PDF

Uploaded by

Copyright:

Available Formats

Curso Regular de Estatstica Aula 18

Prof Vtor Menezes

AULA 18: Regresso linear mltipla e anlise de

1. REGRESSO LINEAR ........................................................................................................................ 2

Prof. Vtor Menezes www.estrategiaconcursos.com.br 1

Na aula passada ns estudamos o modelo de regresso linear simples. Uma caracterstica

A varivel Y chamada de dependente. A varivel X independente, seus valores so

Antes de generalizar os resultados, vejamos um modelo com 2 variveis independentes.

As variveis independentes so  e  .  indica o erro aleatrio.

Onde n indica o tamanho da amostra.

Prof. Vtor Menezes www.estrategiaconcursos.com.br 2

Esta a primeira equao a que chegamos.

Ento para calcular os valores de 

Se tivssemos uma regresso com 3 variveis independentes, teramos um sistema de 4

Se tivssemos uma regresso com 4 variveis independentes, seriam 5 equaes e 5

E assim por diante.

J pensou ficar resolvendo sistemas grandes assim? D muito trabalho.

Prof. Vtor Menezes www.estrategiaconcursos.com.br 3

A melhor forma de generalizar os resultados, e de facilitar inclusive o auxlio de

Ok, agora vamos fazer tudo de novo. Mas usando matrizes.

Vou representar as matrizes por letras minsculas.

Para ficar claro, vamos analisar a segunda coluna:

Prof. Vtor Menezes www.estrategiaconcursos.com.br 4

o seguinte, o resultado da opearo / + 1 ser a matriz $.

$. Ou ainda, estamos olhando para uma determinada linha de / + 1

inteira de / deve ser igual a 1.

Muito bem, seja agora 3 a matriz dos estimadores:

Prof. Vtor Menezes www.estrategiaconcursos.com.br 5

Queremos minimizar a soma dos quadrados dos desvios.

2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

Agora observem que:

Prof. Vtor Menezes www.estrategiaconcursos.com.br 6

:3 7 //: matriz 1 x 3

2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

Prof. Vtor Menezes www.estrategiaconcursos.com.br 7

multiplicar pela inversa de //, pela esquerda:

Questo 1 SUSEP 2006 [ESAF]

Prof. Vtor Menezes www.estrategiaconcursos.com.br 8

S que a questo usou letras diferentes:

Questo 2 BACEN 2001 [ESAF]

logEF  = +  logGF  + H logIF  + JF

. Nesta expresso o log tomado na base neperiana, , , H so parmetros desconhecidos

Prof. Vtor Menezes www.estrategiaconcursos.com.br 9

Assinale a opo que d a estimativa da variao esperada em log (C) decorrente do

logEF  = +  logGF  + H logIF  + JF

logEF  = 3,16 + 1,14 logGF  + 0,83 logIF  + JF

Se o logaritmo de R aumentar uma unidade, teremos o seguinte. Esse acrscimo ser

Se o logaritmo de P decrescer duas unidades, teremos o seguinte. Esse decrscimo ser

2 0,083 = 1,66

1,14 + 1,66 = 2,8

2. ANLISE DE VARINCIA DA REGRESSO

A anlise de varincia da regresso mltipla bastante similar anlise de varincia da

Prof. Vtor Menezes www.estrategiaconcursos.com.br 10

exatamente a mesma coisa que vimos na aula passada.

?RS = ?RG + ?RT

O que precisamos aprender de novidade a quantidade de graus de liberdade associado a

A SQT continua tendo " 1 graus de liberdade

?RT tem U 1 graus de liberdade. Onde p o nmero de parmetros a serem

Prof. Vtor Menezes www.estrategiaconcursos.com.br 11

variveis ( , , . ,  ) so todos iguais a zero. Se rejeitarmos a hiptese nula, ento

porque ao menos um desses coeficientes diferente de zero.

Questo 3 ATRFB 2009 [ESAF]

As variveis independentes so e . indica o erro aleatrio.

Ento para calcular os valores de

2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

:3 7 //: matriz 1 x 3

2:3 7 / 7 $ + :3 7 / 7 /3 + 3 7 / 7 /:3 = 0

logEF = + logGF + H logIF + JF

. Nesta expresso o log tomado na base neperiana, , , H so parmetros desconhecidos

logEF = + logGF + H logIF + JF

logEF = 3,16 + 1,14 logGF + 0,83 logIF + JF

2 0,083 = 1,66

variveis ( , , . , ) so todos iguais a zero. Se rejeitarmos a hiptese nula, ento

p = 3 (so trs parmetros a serem estimados - , , W)

logEF = + logGF + H logIF + JF

lnEF = + lnIF + W lnGF + F

lnEF = + lnIF + W lnGF + F

No caso do coeficiente , o p-valor foi de 0,163. O raciocnio o mesmo acima: no