Login (/user/login) |

1.2 ESTIMAO DOS PARMETROS DO MODELO

Incio (/) / Anlise de Regresso (/analise-de-regressao) / Regresso Linear Simples (/analise-de-regressao/regressao-linearsimples) / 1.2 Estimao dos Parmetros do Modelo
(/)

Supondo que a relao linear entre as variveis Y e X satisfatria, podemos estimar a linha de
regresso e resolver alguns problemas de inferncia. O problema de estimar os parmetros

mesmo que ajustar a melhor reta em um grfico de disperso, como na Figura 1.2.1. O Mtodo dos
Mnimos Quadrados uma eficiente estratgia de estimao dos parmetros da regresso e sua
aplicao no limitada apenas s relaes lineares.

Figura 1.2.1: Representao da Reta de Regresso.

1.2.1 Mtodo dos Mnimos Quadrados

O primeiro passo na anlise de regresso obter as estimativas

dos parmetros do modelo. Os

valores dessas estimativas sero obtidos a partir de uma amostra de n pares de valores

, i=1,...,n

que correspondem a n pontos em um grfico, como na Figura 1.2.1. No mtodo de Mnimos Quadrados,
no necessrio conhecer a forma da distribuio dos erros.

Suponha que traada uma reta arbitrria

passando por esses pontos.No valor

explicativa, o valor predito por esta reta

da varivel

, enquanto o valor observado . Os desvios (erros)

entre estes dois valores

, que corresponde a distncia vertical do ponto reta

arbitrria.
O objetivo estimar os parmetros

de modo que os desvios ( ) entre os valores observados e

estimados sejam mnimos. Isso equivale a minimizar o comprimento do vetor de erros,

.
Uma forma de obter essas estimativas o Mtodo de Mnimos Quadrados. Este mtodo consiste em
minimizar a soma dos quadrados dos desvios L, como na expresso abaixo

A potncia necessria, pois a soma dos desvios nula, isto ,

Para encontrarmos estimativas para os parmetros, vamos minimizar (1.2.1.1) em relao aos
parmetros

Substituindo

. Para isto, derivamosem relao aos parmetros

por

. Assim,

, para indicar valores particulares dos parmetros que minimizam L, e

igualando as derivadas parciais a zero, obtemos

Simplificando, obtemos as equaes denominadas Equaes Normais de Mnimos Quadrados.

Para encontrarmos os valores de

que minimizam L, resolvemos o sistema de equaes dado em

(1.2.1.2). Considerando a primeira equao de (1.2.1.2) obtemos que,

ou seja,

em que

so as mdias de x e da varivel Y, respectivamente.

Desta forma, substituindo (1.2.1.3) na segunda equao de (1.2.1.2) temos que,

Ento,

e portanto, conclumos que

Podemos tambm escrever

Os valores de

assim determinados so chamados Estimadores de Mnimos Quadrados (EMQ).

O modelo de regresso linear simples ajustado ento

sendo que

um estimador pontual da mdia da varivel Y para um valor de , ou seja,

Notao:
Considerando n pares de valores observados

As quantidades

so as mdias amostrais de x e y. J as quantidades

quadrados dos desvios das mdias e

Exemplo 1.2.1

so as somas dos

a soma dos produtos cruzados dos desvios de x e y.

Desta forma, as estimativas de mnimos quadrados de

, em termos desta notao so:

Voltando "Motivao 1 (/content/1-regresso-linear-simples#motivacao1)", em que queramos

determinar os valores de temperatura em
estimativas dos parmetros

que otimizam a dureza do material, encontramos as

pelo Mtodo dos Mnimos Quadrados.

(/sites/default/files/Sumario_sem_fator.xls)clique aqui para efetuar o download dos dados

utilizados nesse exemplo (/sites/default/files/analise_regressao/planilhas/Reglin.xls)

Soluo:
As mdias amostrais das variveis temperatura (X) e dureza (Y) so, respectivamente,

Alm disso, na Tabela 1.2.1, apresentamos os valores de

Observao

Temperatura

Dureza

(x)

(y)

para cada observao i, i=1,...,20.

220

137

48.400

18.769

30.140

220

137

48.400

18.769

30.140

220

137

48.400

18.769

30.140

220

136

48.400

18.496

29.920

220

135

48.400

18.225

29.700

225

135

50.625

18.225

30.375

225

133

50.625

17.689

29.925

225

132

50.625

17.424

29.700

225

133

50.625

17.689

29.925

10

225

133

50.625

17.689

29.925

11

230

128

52.900

16.384

29.440

12

230

124

52.900

15.376

28.520

13

230

126

52.900

15.876

28.980

14

230

129

52.900

16.641

29.670

15

230

126

52.900

15.876

28.980

16

235

122

55.225

14.884

28.670

17

235

122

55.225

14.884

28.670

18

235

122

55.225

14.884

28.670

19

235

119

55.225

14.161

27.965

20

235

122

55.225

14.884

28.670
588.125

Soma

4.550

2.588 1.035.750 335.594

Mdia

227,5

129,4

Tabela 1.2.1: Dados da Motivao 1.

Assim, encontramos as somas de quadrados

Logo, as estimativas dos parmetros

so, respectivamente

Portanto, o modelo ajustado dado por

Pelos valores das estimativas, temos que a cada aumento da Temperatura, temos um decrscimo de
1,032 na Dureza.

1.2.2 Resduos
A diferena entre o valor observado

e o correspondente valor ajustado

, dado pela expresso

(1.2.1.4), chamada de resduo e denotada por

Essa medida importante j que por meio dela verificamos o ajuste do modelo.
1.2.2.1 Algumas propriedades do ajuste de mnimos quadrados
(i) A soma dos resduos sempre nula.

(ii) A soma dos valores observados

igual a soma dos valores ajustados

(iii) A reta de regresso de mnimos quadrados passa pelo ponto

com

. De fato,

. Assim, a reta de regresso ajustada dada por

Logo,

e portanto, temos que a reta ajustada passa por

(iv) A soma dos resduos ponderado pelo correspondente valor da varivel regressora sempre nula.

(v) A soma dos resduos ponderado pelo correspondente valor ajustado sempre zero.

1.2.3 Estimador da varincia residual

Assim como os parmetros

, a varincia

dos termos do erro

precisa ser estimada. Isto

necessrio j que inferncias a respeito da funo de regresso e da predio de Y requerem uma

estimativa de

. Consideremos os resduos

dado em (1.2.2.1). Desta forma, definimos a Soma de

Quadrados dos Resduos (Erros),

No utilizamos a soma dos resduos uma vez que em (i),

Como

demonstrado

em

"Propriedades

dos

estimadores#E(SQE)), SQE um estimador viciado de

Desta forma, um estimador no viciado para

Estimadores"

(/1040-propriedades-dos-

, isto ,

dado por

em que QME o Quadrado Mdio dos Erros (Resduos).

Considerando n pares de valores observados

, podemos escrever

como visto em "Propriedades dos Estimadores" (/1040-propriedades-dos-estimadores#SQE), em que

e

so dados respectivamente pelas expresses (1.2.1.6) e (1.2.1.7). Portanto,

Daremos mais detalhes para a Soma de Quadrados dos Erros (SQE) e para o Quadrado Mdio dos Erros
(QME) em "Anlise de Varincia (14-anlise-de-varincia)".

Exemplo 1.2.2
Obter um estimador no viesado para a varincia residual do exemplo da "Motivao 1 (/content/1regresso-linear-simples#motivacao1)".
(/sites/default/files/Sumario_sem_fator.xls)clique aqui para efetuar o download dos dados
utilizados nesse exemplo (/sites/default/files/analise_regressao/planilhas/Reglin.xls)
Soluo:
Temos que

J vimos que

ento

Usando o Software Action obtemos os seguintes resultados:

Para entender como executar essa funo do Software Action, voc pode consultar o manual

do usurio. (/1047-regressao-linear-simples)
1.1 Modelo Estatstico (/analise-de-regressao/11-

acima

1.3 Propriedades dos Estimadores (/analise-de-

modelo-estatistico)

(/analise-

regressao/13-propriedades-dos-estimadores)

deregressao/regressaolinearsimples)

Dvidas sobre esse contedo? Comente:

1

0 Comentrios

Portal Action

Recommend

Compartilhar

Entrar

Ordenar por Melhor avaliado

Comece a discusso...

Seja o primeiro a comentar.

O QUE ISSO?

TAMBM EM PORTAL ACTION

4 - Modelos ARIMA

4.1 - Transformao de Box-Cox

2 comentrios 8 meses atrs

1 comentrio 8 meses atrs

Vincius Siqueira Ol Mauro, tudo

William Almeida A introduo e

bem? De fato, j implementamos a

ferramenta de sries temporais, porm ela
est em fase de teste alfa. Estamos

explicao do assunto est tima, senti

falta apenas dos comentrios a respeito
dos resultados obtidos. Por exemplo: uma

5.1 - Grfico p - proporo ou frao de

defeituosos

3.5 - Simulao do Modelo Gama

1 comentrio 8 meses atrs

1 comentrio 8 meses atrs

Juliano Roberto de Oliveira Ol. Tenho

algumas dvidas. Percebi que os limites

revisados so calculados aps uma
primeira amostra apontar pontos que

Assinar feed

Adicione o Disqus no seu site

Luis Algum implementou e testou o

algoritmo sugerido? Nem ele e nem os

grficos esto batendo com simulaes
feitas no R...

Privacidade

ANLISE DE REGRESSO (/ANALISE-DE-REGRESSAO)

1. Regresso Linear Simples (/analise-de-regressao/regressao-linear-simples)
1.1 Modelo Estatstico (/analise-de-regressao/11-modelo-estatistico)
1.2 Estimao dos Parmetros do Modelo (/analise-de-regressao/12-estimacao-dos-parametros-do-modelo)

1.3 Propriedades dos Estimadores (/analise-de-regressao/13-propriedades-dos-estimadores)

1.4 Testes e Intervalos de Confiana para os Parmetros (/analise-de-regressao/14-testes-e-intervalos-de-confianca-para-osparametros)
1.5 Anlise de Varincia (/analise-de-regressao/15-analise-de-variancia)
1.6 Coeficiente de Determinao (/analise-de-regressao/16-coeficiente-de-determinacao)
1.7 Intervalo de Confiana para Resposta Mdia e Predio (/analise-de-regressao/17-intervalo-de-confianca-para-respostamedia-e-predicao)
1.8 Modelo de Regresso sem Intercepto (/analise-de-regressao/18-modelo-de-regressao-sem-intercepto)
1.9 Anlise de Resduos na Regresso Linear Simples (/analise-de-regressao/19-analise-de-residuos-na-regressao-linearsimples)
1.10 - Curva de Calibrao (/analise-de-regressao/110-curva-de-calibracao)
1.11 - Regresso Linear Ponderada (/analise-de-regressao/111-regressao-linear-ponderada)
2. Regresso Linear Mltipla (/analise-de-regressao/regressao-linear-multipla)
3. Anlise dos Resduos (/analise-de-regressao/analise-dos-residuos)
4. Regresso Logstica (/analise-de-regressao/regressao-logistica)
5 - Aplicaes (/analise-de-regressao/aplicacoes)
6. Exerccios (/analise-de-regressao/exercicios)
Referncias Bibliogrficas (/analise-de-regressao/referencias-bibliograficas)

SOBRE O PORTAL ACTION

O Portal Action mantido por Estatcamp - Consultoria Estatstica e Qualidade e por DIGUP Desenvolvimento de Sistemas e Consultoria Estatstica, com o objetivo de disponibilizar uma
ferramenta estatstica em conjunto com uma fonte de informao til aos profissionais interessados.

ESTATCAMP (http://www.estatcamp.com.br)

LINKS IMPORTANTES
Home (http://www.portalaction.com.br/)
Action (/sobre-o-action)
Sobre o Action (/sobre-o-action)
Manual do Usurio (/manual-action)
Download (/content/download-action)
FAQ (/faq-page)
Ambiente de Aprendizado (/ambiente-virtual-de-aprendizado)

Cursos Presenciais (/agenda-cursos-presenciais)

Servios (/servicos)
Contato (/contact)

FACEBOOK
Portal Action
4.765 curtidas

Curtir Pgina

Compartilhar

Seja o primeiro de seus amigos a curtir

isso.

CONTATO

Adolfo Catani, 682, So Carlos - SP |CEP 13560-470

Telefone: (16) 3376-2047
E-Mail: estatistica@estatcamp.com.br