Apresentação Contabilometria 6
-
Upload
firstordermotaals -
Category
Documents
-
view
29 -
download
0
Transcript of Apresentação Contabilometria 6
![Page 1: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/1.jpg)
Regressão Linear
análise dos pressupostos
![Page 2: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/2.jpg)
2
Examinando os resíduos
![Page 3: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/3.jpg)
3
Análise de Resíduos A análise dos resíduos revela:
se a presunção de normalidade da distribuição dos resíduos se confirma;
pode revelar se a variância dos resíduos é realmente constante, ou seja, se a dispersão dos dados em torno da reta de regressão é uniforme;
se há ou não uma variável não identificada que deve ser incluída no modelo;
se a ordem em que os dados foram coletados ( p. ex., tempo da observação) tem algum efeito sobre os dados, ou se a ordem deve ser incorporada como uma variável no modelo.
se a presunção de que os resíduos não são correlacionados está satisfeita.
![Page 4: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/4.jpg)
4
Premissas dos Testes Estatísticos
Premissas em relação aos resíduos: São aleatórios com distribuição normal ? São independentes entre si ? Têm Valor Esperado = 0 ? Possuem Variância Constante ?
Premissas em relação aos dados: Modelo linear nos parâmetros
![Page 5: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/5.jpg)
5
Premissas dos Testes Estatísticos
Os intervalos de confiança e os testes estatísticos só serão válidos se essas premissas forem verdadeiras para os dados que estão sendo analisados
Portanto, é necessário verificar se essas premissas estão presentes antes de analisar a regressão
![Page 6: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/6.jpg)
6
Checando as premissas pelas ferramentas do Excel
Usar os gráficos:Plotagem dos Resíduos
• Se os dados atendem às premissas, o gráfico deve mostrar uma faixa horizontal centrada em torno do 0, sem mostrar uma tendência positiva ou negativa
Plotagem de Probabilidade Normal• Se o gráfico é aproximadamente linear, podemos
assumir que os resíduos têm distribuição normal
![Page 7: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/7.jpg)
7
Testando a adequação do modeloResíduos
X
0
Se o gráfico dos resíduos mostra uma tendência sistemática positiva ou negativa significa que uma outra função (não linear) deve ser escolhida.
![Page 8: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/8.jpg)
8
Testando a Existência de Variáveis Esquecidas
Resíduos
X
0
Se o gráfico dos resíduos demonstra um padrão quando plotado contra determinada variável, esta variável deve ser incluída no modelo ao lado do X
Os resíduos não estão aleatoriamente distribuídos em torno de zero
![Page 9: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/9.jpg)
9
Checando Igualdade da Variância dos Resíduos
A variância dos resíduos é indicada pela largura da dispersão dos resíduos, quando o valor de x aumenta
Se essa largura aumenta ou diminui quando o valor de x aumenta, a variância não é constante
Este problema é denominado heterocedasticidade Quando existe heterocedasticidade o método dos mínimos
quadrados não pode ser usado para estimar a regressão, devendo ser usado um método mais complexo chamado mínimos quadrados geral.
![Page 10: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/10.jpg)
10
Checando HeterocedasticidadeResíduos
X
0
Resíduos
X
0
A variância residual está crescendoResíduos parecem aleatórios, sem padrão
![Page 11: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/11.jpg)
11
Examinando autocorrelação
x x
• ••
•
•
••
•
• 00 •
•
•
•••
•
![Page 12: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/12.jpg)
12
Examinando autocorrelação
x x
•
••
•
••
•
•
00 •
••
•• • •
••
• ••
![Page 13: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/13.jpg)
13
Examinando autocorrelação
x
• ••• •
•• ••
••
•
0
![Page 14: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/14.jpg)
14
Checando as premissas por Testes dos Pressupostos
Testes básicos para validação do modelo de regressão simples
Normalidade dos resíduos Homocedasticidade Ausência de autocorrelação dos resíduos Linearidade dos parâmetros
![Page 15: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/15.jpg)
15
Normalidade dos resíduos
Os resíduos devem apresentar distribuição normal
Identificação da Normalidade: Compara-se a distribuição dos resíduos
com a curva normal Testes:
Kolmogorov-Smirnov (não paramétrico) Jarque-Bera (paramétrico assintótico)
![Page 16: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/16.jpg)
16
Normalidade dos resíduos
Teste Kolmogorov-SmirnovH0: distribuição normalH1: distribuição não é normal
Testa a proximidade ou a diferença entre freqüência observada e esperada.Geralmente, K-S menor que 0,3 indica que a distribuição está apropriada.
Estatística K-S usa a distribuição D. D ≤ Dcrítico aceita a Hipótese Nula
max. ii
D zn
![Page 17: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/17.jpg)
17
Normalidade dos resíduos
Teste de Jarque-BeraH0: distribuição normalH1: distribuição não é normal
JB ≤ JBcrítico aceita a Hipótese Nula
Estatística JB qui-quadrado ( 2א ) (com 2 gl)
JB = n . [ A2/6 + (C-3)2/24]onde:A = assimetriaC = curtose
![Page 18: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/18.jpg)
18
Normalidade dos resíduos
Se a distribuição não for normal?Estimativas não serão eficientes; maior erro padrão
Possíveis causas:•Omissão de variáveis explicativas importantes•Formulação matemática incorreta (forma funcional)
Solução:•Incluir novas variáveis •Formular corretamente a relação funcional
![Page 19: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/19.jpg)
19
Homocedasticidade
![Page 20: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/20.jpg)
20
HomocedasticidadeOs resíduos devem apresentar a mesma
variância para cada observação de XAvalia-se o conteúdo informacional dos resíduos
Identificação da homocedasticidade Analisa-se a evolução da dispersão dos
resíduos em torno da sua média, à medida que X aumenta
Examina-se a distribuição dos resíduos para cada observação de X
Testes: Pesarán-Pesarán; BPG; RESET de Ramsey; White; etc.
![Page 21: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/21.jpg)
21
Homocedasticidade
Teste de Pesarán-Pesarán:2 = f (Yc
2)
Regride-se o quadrado dos resíduos (2) como função do quadrado dos valores estimados (Yc
2) Avalia-se o coeficiente de Yc
2 H0: resíduos homocedásticos H1: resíduos heterocedásticos
![Page 22: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/22.jpg)
22
Homocedasticidade
Se a distribuição não for homocedástica? Estimativas não serão eficientes; maior erro padrão
Possíveis causas:• Diferenças entre os dados da amostra
a. modelo da aprendizagemb. discricionariedade no uso da rendac. diferenças em dados em corte (cross-
section)d. erro de especificação
![Page 23: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/23.jpg)
23
Homocedasticidade
Solução: Mudar a forma funcional através de
transformações das variáveis Estimar a regressão via mínimos quadrados
ponderados
![Page 24: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/24.jpg)
24
Ausência de autocorrelação
O modelo pressupõe que: correlação entre os resíduos é zero o efeito de uma observação é nulo sobre a
outra não há causalidade entre os resíduos e a
variável X, e, por conseqüência, a variável Y
Identificação da autocorrelaçãoAnalisa-se a dispersão dos resíduos em torno
da sua média Teste de Durbin-Watson
![Page 25: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/25.jpg)
25
Ausência de autocorrelação
•Teste de Durbin-Watson
•H0: Não existe correlação serial dos resíduos•H1: Existe correlação serial dos resíduos
•Estatística DW = (x - x-1)2 / x2
![Page 26: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/26.jpg)
26
Ausência de autocorrelação
•Análise da Estatística DW
0 dL dU 4-dU 4-dL 4
Autocorrelaçãopositiva
Autocorrelaçãonegativa
Ausência de Autocorrelação
Região não conclusiva
Região não conclusiva
![Page 27: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/27.jpg)
27
Ausência de autocorrelação
Se os resíduos forem correlacionados?•Estimativas não eficientes; maior erro padrão
Possíveis causas:•Em séries temporais
•inércia•viés de especificação
•falta de variáveis•forma funcional incorreta
•defasagem nos efeitos das váriáveis•manuseio dos dados (interpolação / extrapolação)
![Page 28: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/28.jpg)
28
Ausência de autocorrelação
Solução: Formular corretamente a relação
funcional Tornar a série estacionária
![Page 29: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/29.jpg)
29
Regressão Linear Múltipla
Extensão do modelo de regressão linear Valem as hipóteses de
Distribuição Normal dos Resíduos
HomocedasticidadeAusência de autocorrelaçãoLinearidade nos parâmetros
AdicionalmenteAusência de multicolinearidade
![Page 30: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/30.jpg)
30
Multicolinearidade
Ocorre com duas ou mais variáveis independentes do modelo explicando o mesmo fenômeno
Variáveis contêm informações similares• Exemplo
Explicar preço de uma casa com regressão que tenha como variáveis explicativas a área da casa e o número de cômodos
![Page 31: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/31.jpg)
31
Multicolinearidade
o Duas ou mais variáveis independentes altamente correlacionadas
o Dificuldade na separação dos efeitos de cada uma das variáveis
o A multicolinearidade tende a distorcer os coeficientes (b) estimados
![Page 32: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/32.jpg)
32
Multicolinearidade
ConseqüênciasErros padrão maiores
Menor eficiênciaEstimativas mais imprecisas
Estimadores sensíveis a pequenas variações dos dados
Dificuldade na separação dos efeitos de cada uma das variáveis
![Page 33: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/33.jpg)
33
Multicolinearidade
Identificação através dos Testes seguintesFARRAR & GLAUBERVIF (VARIANCE INFLATION FACTOR) TOLERANCE
![Page 34: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/34.jpg)
34
Multicolinearidade
Identificação Teste de Farrar & Glauber
2 crítico com g.l. = k . (k-1) / 2
1 r12 ........r1k
2 = -[n - 1 - 1/6 . (2.k+5)] . Ln(det r21 1 ........r2k )
rk1 rk2 ........ 1onde: n = número de observações k = número de variáveis Ln = logaritmo neperiano det = determinante rij = coeficiente de correlação parcial
![Page 35: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/35.jpg)
35
Multicolinearidade
Teste de aceitação Teste de Farrar & Glauber
H0: Ausência de MulticolinearidadeH1: Existe Multicolinearidade
2 teste > 2 crítico → Rejeita a hipótese nula de ausência de multicolinearidade (Há correlação entre as variáveis)
![Page 36: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/36.jpg)
36
Multicolinearidade
Identificação VIF
VIFk = 1 / ( 1 - rk2)
Regra de bolso para o VIFaté 1 - sem multicolinearidadede 1 até 10 - multicolinearidade aceitávelacima de 10 - multicolinearidade problemática
onde: rk = coeficiente de correlação da variável K com as demais variáveis
![Page 37: Apresentação Contabilometria 6](https://reader035.fdocumentos.tips/reader035/viewer/2022062217/55cf9dd0550346d033af529e/html5/thumbnails/37.jpg)
37
Multicolinearidade
Identificação
Tolerancek = ( 1 - rk2)
Regra de bolso para o índice Toleranceaté 1 - sem multicolinearidadede 1 até 0,10 - multicolinearidade aceitávelabaixo de 0,10 - multicolinearidade problemática
onde: rk = coeficiente de correlação da variável K com as demais variáveis