Professional Documents
Culture Documents
Examinando os resduos
Anlise de Resduos
So aleatrios com distribuio normal ? So independentes entre si ? Tm Valor Esperado = 0 ? Possuem Varincia Constante ? Modelo linear nos parmetros
Os intervalos de confiana e os testes estatsticos s sero vlidos se essas premissas forem verdadeiras para os dados que esto sendo analisados Portanto, necessrio verificar se essas premissas esto presentes antes de analisar a regresso
Usar os grficos:
Se o grfico dos resduos mostra uma tendncia sistemtica positiva ou negativa significa que uma outra funo (no linear) deve ser escolhida.
Os resduos no esto aleatoriamente distribudos em torno de zero Se o grfico dos resduos demonstra um padro quando plotado contra determinada varivel, esta varivel deve ser includa no modelo ao lado do X
Este problema denominado heterocedasticidade Quando existe heterocedasticidade o mtodo dos mnimos quadrados no pode ser usado para estimar a regresso, devendo ser usado um mtodo mais complexo chamado mnimos quadrados geral.
Checando Heterocedasticidade
Resduos Resduos
Examinando autocorrelao
m
0
11
Examinando autocorrelao
m
0
x
12
Examinando autocorrelao
13
14
15
i D max. z i n
16
JB = n . [ A2/6 + (C-3)2/24]
Homocedasticidade
19
Homocedasticidade
Os resduos devem apresentar a mesma varincia para cada observao de X Avalia-se o contedo informacional dos resduos Identificao da homocedasticidade Analisa-se a evoluo da disperso dos resduos em torno da sua mdia, medida que X aumenta Examina-se a distribuio dos resduos para cada observao de X Testes: Pesarn-Pesarn; BPG; RESET de Ramsey; White; etc.
20
Homocedasticidade
Teste de Pesarn-Pesarn:
m2 = f (Yc2)
Regride-se o quadrado dos resduos (m2) como funo do quadrado dos valores estimados (Yc2) Avalia-se o coeficiente de Yc2 H0: resduos homocedsticos H1: resduos heterocedsticos
21
Homocedasticidade
Se a distribuio no for homocedstica? Estimativas no sero eficientes; maior erro padro Possveis causas: Diferenas entre os dados da amostra a. modelo da aprendizagem b. discricionariedade no uso da renda c. diferenas em dados em corte (cross-section) d. erro de especificao
22
Homocedasticidade
Soluo: Mudar a forma funcional atravs de transformaes das variveis Estimar a regresso via mnimos quadrados ponderados
23
Ausncia de autocorrelao
O modelo pressupe que: correlao entre os resduos zero o efeito de uma observao nulo sobre a outra no h causalidade entre os resduos e a varivel X, e, por conseqncia, a varivel Y Identificao da autocorrelao Analisa-se a disperso dos resduos em torno da sua mdia Teste de Durbin-Watson
24
Ausncia de autocorrelao
Teste de Durbin-Watson
H0: No existe correlao serial dos resduos H1: Existe correlao serial dos resduos Estatstica DW = S(mx - mx-1)2 / S mx2
25
Ausncia de autocorrelao
Anlise da Estatstica DW
Autocorrelao positiva
Regio no conclusiva
Ausncia de Autocorrelao
Regio no conclusiva
Autocorrelao negativa
dL
dU
4-dU
4-dL
26
Ausncia de autocorrelao
Se os resduos forem correlacionados? Estimativas no eficientes; maior erro padro Possveis causas: Em sries temporais inrcia vis de especificao falta de variveis forma funcional incorreta defasagem nos efeitos das vriveis manuseio dos dados (interpolao / extrapolao)
27
Ausncia de autocorrelao
Soluo:
Formular corretamente a relao funcional
Tornar a srie estacionria
28
29
Multicolinearidade
Ocorre com duas ou mais variveis independentes do modelo explicando o mesmo fenmeno Variveis contm informaes similares
Exemplo
Explicar preo de uma casa com regresso que tenha como variveis explicativas a rea da casa e o nmero de cmodos
30
Multicolinearidade
o Duas ou mais variveis independentes altamente correlacionadas o Dificuldade na separao dos efeitos de cada uma das variveis o A multicolinearidade tende a distorcer os coeficientes (b) estimados
31
Multicolinearidade
Conseqncias Erros padro maiores Menor eficincia Estimativas mais imprecisas Estimadores sensveis a pequenas variaes dos dados Dificuldade na separao dos efeitos de cada uma das variveis
32
Multicolinearidade
Identificao atravs dos Testes seguintes FARRAR & GLAUBER VIF (VARIANCE INFLATION FACTOR) TOLERANCE
33
Multicolinearidade
Identificao Teste de Farrar & Glauber
c2 crtico com g.l. = k . (k-1) / 2 c2 = -[n - 1 - 1/6 . (2.k+5)] . Ln(det 1 r12 ........r1k r21 1 ........r2k rk1
onde: n = nmero de observaes k = nmero de variveis Ln = logaritmo neperiano det = determinante rij = coeficiente de correlao parcial
34
rk2 ........ 1
Multicolinearidade
Teste de aceitao Teste de Farrar & Glauber
35
Multicolinearidade
Identificao VIFk = 1 / ( 1 - rk2) Regra de bolso para o VIF at 1 - sem multicolinearidade de 1 at 10 - multicolinearidade aceitvel acima de 10 - multicolinearidade problemtica
onde: rk = coeficiente de correlao da varivel K com as demais variveis
VIF
36
Multicolinearidade
Identificao Tolerancek = ( 1 - rk2) Regra de bolso para o ndice Tolerance at 1 - sem multicolinearidade de 1 at 0,10 - multicolinearidade aceitvel abaixo de 0,10 - multicolinearidade problemtica
onde: rk = coeficiente de correlao da varivel K com as demais variveis
37