0% acharam este documento útil (0 voto)

23 visualizações42 páginas

Unid 3

O documento aborda a resolução de modelos econométricos, focando em testes de significância e a utilização de variáveis dummies. Ele explica a aplicação de testes estatísticos como Qui-quadrado, T e Z, detalhando suas diferenças e contextos de uso. Além disso, apresenta exemplos práticos de como aplicar esses testes em software estatísticos como Excel, R e GRETL.

Enviado por

André Xavier

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

0% acharam este documento útil (0 voto)

23 visualizações42 páginas

Unid 3

Enviado por

André Xavier

Direitos autorais

Levamos muito a sério os direitos de conteúdo. Se você suspeita que este conteúdo é seu, reivindique-o aqui.

Formatos disponíveis

Baixe no formato PDF, TXT ou leia on-line no Scribd

07/12/2023, 22:11 E-book

ECONOMETRIA APLICADA
RESOLUÇÃO DE
MODELOS
ECONOMÉTRICOS EM
SOFTWARE
Autor(a): Dra. Marcela Gimenes Bera Oshita

Revisor: Me. Marco Antonio Santos

Tempo de leitura do conteúdo estimado em 1 hora e 15 minutos.

https://student.ulife.com.br/ContentPlayer/Index?lc=Ws3Dw%2ftNHvQjNuaE3Re8Sw%3d%3d&l=q1K5aws4c7PXQbLT546fyQ%3d%3d&cd=V4… 1/42
07/12/2023, 22:11 E-book

Introdução
Olá, estudante!

Nesta unidade, estudaremos os testes de significância de um modelo

econométrico, a partir de um aprofundamento nos aspectos da probabilidade
de significância ou p-Valor.

Além disso, aprenderemos como inserir variáveis dummies nos modelos,

uma vez que elas são úteis porque nos permitem usar uma única equação de
regressão para representar vários grupos. Isso significa que não precisamos
escrever modelos de equações separados para cada subgrupo. Variáveis
essas que ativam e desativam vários parâmetros em uma equação.

Para fixar ainda mais o conteúdo, veremos como resolver modelos

econométricos no Excel e em software estatísticos, como o R e o GRETL,
realizando análises de validação do modelo múltiplo de acordo com os
fundamentos estatísticos.

Bons estudos!

Probabilidade de
Significância (p-
Valor)

Além do teste T e do teste F, podemos utilizar também a probabilidade de

significância para os testes Qui-quadrado e Z. O Qui-quadrado é um teste
estatístico que examina as diferenças entre variáveis categóricas de uma
amostra aleatória, a fim de determinar se os resultados esperados e
observados são adequados. Enquanto o teste T está voltado para pequenas
amostras com desvio-padrão não conhecido, Z pode ser utilizado para
grandes amostras para testar a média populacional. Isto é, se dois meios
populacionais são diferentes, o desvio-padrão é conhecido.

REFLITA

Enquanto o teste T é utilizado para amostras

limitada (n < 30), o teste Z é empregado para
grandes amostras (n > 30), no qual a estatística

do teste pode ser aproximada para uma

distribuição normal.

Por sua vez, a principal diferença entre o teste Z e o Qui-quadrado é que o Z é

um teste estatístico se os resultados dos meios de duas populações variam
entre si. Além disso, quando há um desvio-padrão dado e o tamanho da
amostra é grande. Por outro lado, o Qui-quadrado é um procedimento usado
para testar se duas variáveis categóricas estão relacionadas em alguma
população ou não.

Teste Qui-quadrado
Vamos entender o teste Qui-quadrado? Esse teste é um procedimento
estatístico para determinar a diferença entre dados observados e esperados.
Esse teste também pode ser empregado para determinar se ele se
correlaciona com as variáveis categóricas em nossos dados. Ajuda a
descobrir se uma diferença entre duas variáveis categóricas é devido ao
acaso ou a uma relação entre elas (ARAUJO NETO, 2014). Isto é, esse teste
pode ser utilizado como teste de: aderência, independência e
homogeneidade.

Assim, o p-Valor pode ser utilizado para calcular o teste Qui-quadrado. Nos
quais, temos:

P ≤ 0,05; Hipótese nula é rejeitada.

P > 0,05; Hipótese nula é aceita.

Cabe destacar que a Probabilidade envolve a chance ou risco ou incerteza. É

a possibilidade do resultado da amostra ou da ocorrência de um evento. Mas
quando falamos de Estatística, é, na verdade, a probabilidade. Nesse
contexto, o conceito de Probabilidade e Estatística está relacionado ao teste
Qui-quadrado, em que se remete à seguinte equação:

2
(O i −Ei )
2
χ = ∑
cal Ei

Em que Oi representa a frequência observada da categoria i ; e Ei a

frequência esperada da categoria i. Nessa perspectiva, esse cálculo é
realizado com base na hipótese H0 de que não há discrepâncias entre Oi e
Ei . Ou, em termos de distribuição de probabilidades, temos que, ao comparar
χ
2
calculado
com χ2tabelado , se

χ
2
calculado
≥ χ
2
tabelado
, rejeita-se H0 .

Em que o χ
2
tabelado
vai depender do nível de significância (α) do teste e os
graus de liberdade (k − 1) , sendo k o número de categorias da amostra.
Nessa perspectiva, veremos um exemplo de teste Qui-quadrado da
independência, também conhecido como o teste Qui-quadrado de
associação, que é usado para determinar a associação entre as variáveis
categóricas. É considerado um teste não paramétrico (ARAUJO NETO, 2014).
É usado, principalmente, para testar a independência estatística.

SAIBA MAIS

As estatísticas paramétricas envolvem o uso de parâmetros para descrever uma

população. Por exemplo, a média populacional é um parâmetro, enquanto a média
amostral é uma estatística. Quando você usa um teste paramétrico, a distribuição
de valores obtidos por meio da amostragem aproxima uma distribuição normal
dos valores, uma "curva em forma de sino". Nessa perspectiva, os testes
paramétricos são considerados mais poderosos do que os testes não
paramétricos. Eles requerem um tamanho amostral menor do que testes não
paramétricos.

Para informações interessantes a respeito do assunto inferência estatística,

consulte o link a seguir.

https://bit.ly/3wmudzL

Ainda não está claro? Vamos a uma situação prática!

Uma pesquisa sobre televisão foi realizada em uma região específica e

determinou que 60% das famílias têm apenas uma televisão, 28% têm duas
televisões e 12% têm três ou mais, considerando um nível de significância de
0,05. Além disso, de 129 famílias, 73 tinham uma televisão e 38 tinham duas.

Solução:

Vamos dizer as hipóteses nulas e alternativas.

H0 : A proporção de famílias com uma, duas ou três televisões é de 0,60,

0,28 e 0,12, respectivamente.

H1 : A proporção de famílias com uma, duas ou três televisões não

corresponde ao modelo proposto.

O teste Qui-quadrado é apropriado para esse caso, porque estamos

examinando a distribuição de uma única variável categórica. Para encontrar o
valor esperado Ei nesse caso, vamos multiplicar 129 por 0,60, 0,28 e 0,12,
respectivamente. Ao fazer isso, encontramos:

E1 tv = 77,4; E2 tv = 36,1; E3+ tv = 15,5.

Agora, vamos colocar na fórmula

2
(O i −Ei )
2
χ = ∑
cal Ei

2 2 2
(73−77,4) (38−36,1) (18−15,5)
χ
2
cal
=
77,4
+ 36,1
+ 15,5
= 0, 7533

Dessa forma, temos que χ

2
cal
= 0,7533. Diante disso, vamos compará-lo
com o valor Qui-quadrado para o nível de significância 0,05, considerando os
graus de liberdade = 3 – 1 = 2. Empregando a tabela, o valor crítico para um
nível de significância é de 0,05 com 2 graus de liberdade é de 5,99. Isso
significa que 95 vezes em 100, uma pesquisa que concorda com uma
amostra terá um χ2 valor de 5,99 ou menos. A estatística de Qui-quadrado é
de apenas 0,7533, então aceitaremos a hipótese nula, isto é, χ
2
calculado
<
χ
2
tabelado
, aceita-se H0 .

1. Parâmetros: as características de uma população são descritas

por meio de medidas denominadas parâmetros. Dois importantes
parâmetros populacionais são a média populacional μ, que é uma
medida de localização do centro da distribuição dos elementos da
população (valor em torno do qual os elementos da população
tendem a se agrupar), e o desvio-padrão populacional σ , que
mede a dispersão em torno da média μ dos elementos que
constituem a população.
2. Parâmetros populacionais: são constantemente usualmente
desconhecidos e necessitam ser estimados por meio de uma
amostra extraída da população. Por exemplo, quando desejamos
obter informações sobre o valor da média de alguma população
de interesse, extraímos uma amostra dessa população e
calculamos a média amostral.
3. Distribuição amostral: é a distribuição que descreve o padrão de
variação dos valores de uma estatística, para diferentes amostras
extraídas da população de interesse [...] é muito mais importante
conhecer a distribuição amostral de uma estatística, para que seja
possível o estabelecimento de conclusões confiáveis sobre as
características da população que está sendo estudada.

Fonte: Werkema (2014, p. 11-13)

Cabe destacar que o teste Qui-quadrado é extremamente sensível ao

tamanho da amostra. Mesmo relações insignificantes podem parecer
estatisticamente significantes quando uma amostra grande o suficiente é
usada. E, ainda, esse teste só pode determinar se duas variáveis estão
relacionadas.

As vantagens desse teste são a robustez em relação aos dados

determinados. Ele só pode ser usado quando duas variáveis categóricas
estão lá e relacionadas a alguma população. Esse teste é uma estatística que
mede o quão bem os dados de observação se encaixam nos dados
distribuídos. Isso só pode acontecer quando as duas variáveis dadas são
independentes uma da outra.

Teste Z
A estatística do teste Z é fundamentada na média amostral X . A média
−

amostral segue uma distribuição normal com média μ e variância σ

n
, em que
n é o tamanho da amostra. A decisão sobre a estatística do teste consiste
em:

H0 : μ = μ versus H1 hipótese alternativa. Nessa perspectiva, tomamos a

seguinte decisão:

zcalculado ≥ ztabelado , rejeita-se H0 . Caso contrário, não rejeitamos.

Conforme o nível de significância e a hipótese alternativa definida, podemos

obter o valor tabelado de Z. Nessa perspectiva, temos a estatística para uma
amostra:

x− x
−

Z = σ

√n

Em que:

x = a média da amostra.
−

x = o valor dos dados.

σ = desvio-padrão.

n = número da amostra.

Nesse sentido, imagine o seguinte exemplo: considere que você está

querendo testar se o retorno médio diário de um investimento em
criptomoedas é superior a 6%. Diante disso, o seu analista de investimento
recomendou utilizar uma amostra aleatória de 100 retornos e calcular uma
média que resultou em 4%. Ao calcular o desvio-padrão dos retornos,
encontramos um percentual de 5%. Assim o seu investidor orientou assumir
uma hipótese nula de uma média, igual a 6%.

Por outro lado, deve-se assumir uma hipótese alternativa: se o retorno médio
for maior ou inferior a 6%. Considerando um alfa de 0,05% para um teste de
duas caudas, temos 0,025% das amostras em cada cauda, e por isso o alfa
tem um valor crítico de 1,96 ou -1,96. Caso o valor de z seja maior que 1,96 ou
menor do que -1,96, a hipótese nula deve ser rejeitada.

Diante disso, vamos calcular o valor para z, subtraindo o valor do retorno

diário médio (2%) da média observada das amostras. Em seguida, vamos
dividir o valor resultante pelo desvio-padrão dividido pela raiz quadrada do
número de valores observados.

Portanto, a estatística do teste é:

0,04− 0,02
Z = 0.05
= 4
√ 100

O investidor rejeita a hipótese nula, uma vez que z é superior a 1,96 e conclui
que o retorno diário médio é superior a 2%.

Conhecimento
Teste seus Conhecimentos
(Atividade não pontuada)

Você sabia que, como o teste F, o teste Qui-quadrado é geralmente de uma

cauda? Pois bem, o tamanho desejado do teste é alcançado escolhendo
adequadamente um valor crítico na cauda direita da distribuição Qui-
quadrado. A hipótese nula é rejeitada se as estatísticas do Qui-quadrado
forem maiores que o valor crítico.

Considerando os testes de hipóteses, podemos afirmar que:

a) o teste Qui-quadrado é ótimo para pequenas amostras.

b) o teste Z está voltado para grandes amostras.
c) o teste T está voltado para grandes amostras, enquanto o Z para
pequenas amostras.
d) os testes Qui-quadrado e o Z estão voltados para pequenas
amostras, respectivamente.
e) ambos os testes T e Z estão voltados para pequenas amostras.

Variáveis Dummy

As variáveis dummy (binárias) são comumente empregadas para expressar

um efeito qualitativo em um modelo econômico. Por exemplo, se você deseja
mostrar que há um efeito diferente dependendo de sexo, idade, religião, saúde
ou região em que as pessoas vivem, então uma variável dummy precisa ser
usada.

Por exemplo, suponha que estamos estimando uma equação de

salário, na qual os salários de indivíduos são explicados como
função de suas experiências, habilidades, e outros fatores
relacionados à produtividade. Costuma-se incluir variáveis binárias
para raça e sexo em tais equações. Se tivermos modelado bem os
atributos de produtividade, e se a determinação do salário não é
discriminatória, então os coeficientes das variáveis binárias raça e
sexo não devem ser significantes. A inclusão apenas das variáveis
binárias raça e sexo, no entanto, não captará as interações entre
esses fatores qualitativos (HILL; JUDGE; GRIFFITHS, 2010, p. 237).

Além disso, as variáveis dummy podem ser empregadas para identificar

efeitos sazonais que resultam em mudanças no intercepto e na inclinação da
linha de regressão, em que “[...] o efeito de cada fator qualitativo é somado ao
intercepto da regressão e o efeito de qualquer variável binária é independente
de qualquer outro fator qualitativo” (HILL; JUDGE; GRIFFITHS, 2010, p. 236),
variáveis essas que podem ser explicativas ou dependentes.

Nessa perspectiva, o modelo variável dummy mais básico, é regredir o

modelo é uma constante em uma variável dependente:

Yi = B 0 + BD1 + ui

em que:

Y é salário

Di = 1 , se homem

Di = 0 , se não homem

Isso produz um salário médio para uma população que não é homem
E (y/Di = 0) = B0 . O salário médio do homem será de
E (y/Di = 1) = ( B0 + B). Isso sugere que os homens recebem um

salário maior do que os não homens.

SAIBA MAIS

Variáveis dummy
As variáveis dummy (também conhecidas como
variáveis binárias, indicadoras, discretas ou
categóricas) são uma forma de incorporar
informações qualitativas na análise de
regressão. Dados qualitativos, ao contrário dos
dados contínuos, nos dizem simplesmente se a
observação individual pertence a uma
determinada categoria. Nessa perspectiva,
podemos ter mais de uma variável dummy em
um modelo bem como uma série de variáveis
explicativas.
Para informações interessantes a respeito de
variáveis dummy no Excel, assista ao vídeo a

seguir.

ASSISTIR

É importante destacar que se uma variável dummy tiver k categorias,

introduza apenas k 1 variáveis dummy. Por exemplo, considerando que um
ano tem quatro trimestres, e estamos testando para efeitos sazonais em
dados trimestrais, recomenda-se usar três e não quatro variáveis dummy.
Uma vez que você utilizar quatro variáveis dummy seu modelo vai ficar
redundante e você pode ter um grave problema de multicolinearidade.

Agora, vejamos um outro exemplo. Suponha que estejamos interessados em

saber se os eleitores são de direita ou de esquerda na política. Nesse caso,
uma variável categórica pode assumir três valores: esquerda, direita ou
centro. Poderíamos representar afiliação política com duas variáveis fictícias:

X1 = 1 , se esquerda; X1 = 0 , caso contrário.

X2 = 1 , se direita; X2 = 0 , caso contrário.

Nesse exemplo, note que não precisamos criar uma variável dummy para
representar a categoria "centro" de opção política. Se X1 é igual a zero e X2
é igual a zero, sabemos que o eleitor não é nem de direita e nem de esquerda.
Portanto, o eleitor deve ser de centro.

Variáveis contínuas: podem levar qualquer número de valores.

Um bom exemplo da variável contínua é o peso ou a altura, já
que ambos podem tomar, teoricamente, qualquer valor.
 

Uma vez que uma variável categórica tenha sido recodificada como uma
variável dummy, esta pode ser usada na análise de regressão, assim como
qualquer outra variável quantitativa. Por exemplo, suponha que queríamos
avaliar a relação entre renda familiar e afiliação política (ou seja, esquerda,
direita ou centro). A equação de regressão pode ser:

Renda = B 0 + B 1 X1 + B 2 X2

em que:

B0 , B1 , e B2 são coeficientes de regressão; X1 e X2 são coeficientes de

regressão definidos como:

X1 = 1 , se esquerda; X1 = 0 , caso contrário.

X2 = 1 , se direita; X2 = 0 , caso contrário.

Perceba que o valor da variável categórica que não é representada

explicitamente por uma variável dummy é chamada de grupo de referência.
Neste exemplo, o grupo de referência é composto por eleitores de centro.

Na análise, cada variável dummy é comparada com o grupo de referência.

Neste exemplo, um coeficiente de regressão positiva significa que a renda é
maior para a afiliação política variável dummy do que para o grupo de
referência; um coeficiente de regressão negativa significa que a renda é
menor. Se o coeficiente de regressão for estatisticamente significativo, a
discrepância de renda com o grupo de referência também é estatisticamente
significativa.

Conhecimento
https://student.ulife.com.br/ContentPlayer/Index?lc=Ws3Dw%2ftNHvQjNuaE3Re8Sw%3d%3d&l=q1K5aws4c7PXQbLT546fyQ%3d%3d&cd=V… 14/42
07/12/2023, 22:11 E-book

Teste seus Conhecimentos

(Atividade não pontuada)

Nos nossos estudos, pudemos compreender que a categorização de

variáveis qualitativas pode ser útil na análise de regressão, pois possibilita
que, a partir de uma regressão, possamos comparar diferenças entre
grupos. Nessa perspectiva, há uma hierarquia dos níveis de medição, já que
as variáveis categóricas estão associadas às ordens de classificação variável
mais baixas, escalas nominais ou ordinais, dependendo se os grupos
variáveis apresentam um ranking intrínseco.

Considerando os aspectos qualitativos, podemos afirmar que as variáveis

categóricas nominais possuem:

a) valores que são atribuídos a um conjunto de grupos ou categorias

iguais.
b) ordenação intrínseca às categorias ordinárias.
c) significado numérico, quando são observadas.
d) categorias ordinárias.
e) ordenação entre as variáveis.

Resolução de
Modelos
Econométricos em
Software
Estatísticos: Excel e
Mathematics

Agora que já compreendemos os aspectos relacionados às análises de

regressão, aprenderemos como trabalhar os modelos na prática, a partir de
software, como o Microsoft Mathematics e o Excel, que facilitam como
lidamos com os dados, de forma a agilizar os processos econométricos, e,
em especial, o Excel, que nos permite lidar com grandes amostras.

Saídas dos software na análise de regressão

R múltiplo R
2
ajustado Erro-padrão

Anova

É o coeficiente de correlação que mede a força de uma relação linear entre

duas variáveis. O coeficiente de correlação pode ser qualquer valor entre -1 e 1,

e seu valor absoluto indica a força da relação: quanto maior o valor absoluto,
mais forte a relação.

R múltiplo: É o coeficiente de correlação que mede a força de uma relação

linear entre duas variáveis. O coeficiente de correlação pode ser qualquer
valor entre -1 e 1, e seu valor absoluto indica a força da relação: quanto
maior o valor absoluto, mais forte a relação.

R² ajustado: É o quadrado do coeficiente de determinação R ajustado para

o número de variáveis, independente no modelo. Você pode usar esse valor
em vez de R quadrado para análise de regressão múltipla.

Erro-padrão: É outra medida de bondade de ajuste que mostra a precisão

de sua análise de regressão — quanto menor o número, mais certo você
pode ser sobre sua equação de regressão. Enquanto o R2 representa o
percentual de variância das variáveis dependentes que é explicado pelo
modelo, o erro-padrão é uma medida absoluta que mostra a distância
média que os pontos de dados caem da linha de regressão.

Anova: Pode ser usada para uma simples análise de regressão linear no
Excel, sendo a análise em cima do valor significância F, que dá uma ideia
de quão confiáveis (estatisticamente significativos) seus resultados são.
Se a significância F for menor que 0,05 (5%), seu modelo está OK. Se for
maior que 0,05, é melhor escolher outra variável independente.

Nessa perspectiva, o Microsoft Mathematics é um software gratuito e de

código aberto desenvolvido pela Microsoft. É uma ferramenta significativa
para aqueles que querem desenvolver cálculo de matrizes e para realizar a
análise de regressão. É rápido e gratuito, e resolve demais problemas da
matemática de forma fácil. Possui uma calculadora de gráficos e um
conversor de unidades. Você pode baixar essa ferramenta de forma gratuita

no site da Microsoft. Ele pode operar em várias plataformas, como Windows,

iOS, Android.

Por sua vez, se, ao invés de realizar os cálculos na calculadora do Microsoft

Mathematics, você pode utilizar-se de uma ferramenta que já faz tudo isso
para você, a partir da inserção dos seus dados na planilha do Excel. Ao inserir
os dados e colocar os comandos corretos, o Excel calcula tudo de forma
automática para você. Diante disso, eu te convido para ver como funciona
esse processo!

Modelos econométricos no Excel

Para calcularmos uma regressão no Excel, inicialmente teremos que ativar o
suplemento do Excel referente à “Análise de dados”. Diante disso, será
necessário abrir o Excel e executar os seguintes comandos.

1. Encontrar o botão “Office” > “Opções do Excel” > “Suplementos” >

“Gerenciar” > “Suplementos do Excel” > “Ir”.

2. Marcar a opção “Ferramentas de Análise” > “OK”.

Pois bem, após a ativação da ferramenta, ao inserirmos os dados na planilha,

devemos procurar na aba “Dados”, “Dados”, clicar em “Análise de dados”. Na
sequência, ao selecionar regressão, abrirá um quadro, pedindo para você
inserir o intervalo de entrada de x e de y, bem como o nível de significância do
modelo.

O Excel apresenta primeiro o resumo da estatística, tal como R2 ,

múltiplo R - que é a raiz quadrada (positiva) de R -, R2 ajustado e
os erros-padrão da estimativa; em seguida apresenta a tabela
Anova. Depois apresenta os coeficientes estimados, seus erros-
padrão, os valores t dos coeficientes estimados e seus valores p.
Também mostra os valores efetivo e estimado da variável
dependente e o gráfico de resíduos, assim como o gráfico de

probabilidade de distribuição normal (GUJARATI; PORTER, 2011, p.

888).

Como já ativamos a ferramenta de análise de dados, você, com os dados

abertos no Excel, deve procurar a aba “Dados”, clicar em “Análise de dados” e,
em seguida, selecionar “Regressão”, colocando os intervalos de entrada X e
Y e dar um OK, conforme apresentado na Figura 3.1.

Figura 3.1 - Análise de regressão múltipla

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta uma tabela do Excel com 13 linhas e 4 colunas,

que contêm o ano e as variáveis y, x1 e x2. Ao lado das colunas, aparece uma aba
denominada de regressão, em que foram inseridas as entradas de intervalo y e x,
com um nível de significância de 95%.

Após dar o OK, conforme observado na Figura 3.1, o Excel gerará os

resultados da regressão (Figura 3.2). Neste momento, vejamos a
apresentação e depois a análise dos dados.

Figura 3.2 - Resultado da regressão múltipla

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta uma tabela do Excel com os resultados da

análise de regressão, em que, primeiramente, aparecem as estatísticas da
regressão, como o coeficiente de determinação e seu valor ajustado. Na
sequência aparece a tabela Anova, apresentando os graus de liberdade, o SQ, MQ
e o teste F. Por fim, na última tabela, temos os resultados da regressão, em que
aparecem o valor dos coeficientes, listados na regressão a seguir.

Observe, na Figura 3.2, que o resultado da regressão ficou:

Y = 32.57 − 0.15 x1 + 0, 001x2

Assim, podemos perceber que o intercepto B0 é 32.57 , β1 foi de − 0.15 e

B2 de 0, 001. Dessa forma, olhando somente para os interceptos, a análise
seria: se os X fossem fixados em zero, Y seria equivalente a 32.57; e uma
variação de uma unidade na variável independente x1 corresponde a uma
variação na variável Y , em − 0.15, igual ao coeficiente angular da reta de
regressão. Se fossemos analisar x2 , observa-se que uma variação de uma
unidade na variável independente (x2 ) corresponde a uma variação de 0, 001
na variável Y .

Nessa perspectiva, ao analisar esse modelo sob os aspectos relacionados à

inferência estatística, podemos notar que os resultados são confiáveis para
as variáveis Y e x2 , uma vez que o teste t, F, e p valor apresentou
significância estatística a 1%. No entanto o R2 apresentou um baixo poder de
explicação (0,39). Note que quando isso ocorre, o nosso modelo traz
resultados que são passíveis de serem validados estatisticamente. No
entanto a variável x1 não apresentou um p valor estatisticamente
significativo.

praticar
Vamos Praticar
Mediante os nossos estudos, pudemos compreender que a análise de
regressão pode ser realizada por software que nos auxiliam na compilação e
na análise de dados. Isso facilita o nosso cotidiano, quando o assunto é
desenvolver um modelo econométrico que seja passível de ser validado
estatisticamente. Diante disso, considere os seguintes dados:

Yi X1j X2j

44.1 56.5 1449.4

46.7 63.7 1575.5

50.6 61.6 1739.1

50.1 58.9 1994.2

51.7 66.4 2258.1

A partir dos dados acima, rode uma regressão no Excel e analise-a.

Resolução de
Modelos
Econométricos em
Software

Estatísticos: Gretl e
R

Agora vamos conhecer dois tipos de software livres que também podem ser
utilizados para desenvolver modelos econométricos, uma vez que,
dependendo da sofisticação do seu modelo, você precisará utilizar um
software que comporte isso. Nessa perspectiva, compreenderemos agora
como utilizar o R e o Gretl.

Modelos econométricos no R
O software R é gratuito e, por ter uma linguagem aberta, é muito utilizado por
pesquisadores de diferentes áreas e empresas do mundo todo, como Merck,
Google, Shell, dentre outras (DIAS; FIGUEIREDO, 2012). Importante destacar
que gratuito significa que pode ser baixado diretamente da internet.

Para os estatísticos, a linguagem “R é especialmente útil porque contém

diversos mecanismos incorporados para a organização de dados, execução
de cálculos sobre informações e criação de representações gráficas de
conjuntos de dados” (DIAS; FIGUEIREDO, 2012, p.11).

SAIBA MAIS

Instalação dos softwares R e

RStudio

Estudante, o vídeo “Instalação dos softwares R e

RStudio” é um tutorial que apresenta como
baixar e instalar o R e RStudio. Entenderemos
que o RStudio é uma ferramenta para
programação no R e funciona como uma
ferramenta flexível, que ajuda você a criar
análises legíveis, mantendo seu código,
imagens, comentários e gráficos juntos em um
só lugar. Assim, ao longo deste vídeo, você
poderá aprender como começar a programação
com R usando RStudio por conta própria.
Saiba mais assistindo ao vídeo:

ASSISTIR

Após baixar os software, abra o RStudio e clique em “Arquivo” > “Novo

Arquivo” > “R Script”. Depois, instale os pacotes necessários para a análise,
executando os códigos a seguir:

install.packages("ggplot2")

install.packages("dplyr")

install.packages("broom")

install.packages("ggpubr")

E, ao reiniciar o R, você precisa carregar, toda vez, os pacotes no ambiente R,

executando este código:

library(ggplot2)

library(dplyr)

library(broom)

library(ggpubr)

Assim, ao inserir esses comandos, você vai selecioná-los e dar um "ctrl

enter”. Após a instalação dos itens acima, se quiser rodar uma regressão,
será necessário inserir o conjunto de dados. Para isso, você precisa seguir os
seguintes passos:

1. No RStudio, clique em “Arquivo”; depois, em “Importar conjunto de

dados”; e, na sequência, selecione a opção “de texto (base)”.
2. Escolha o arquivo de dados que você baixou (income.data ou

heart.data) e uma janela de “Conjunto de Dados de Importação”

aparece.
3. Na janela “Data Frame”, você deve ver uma coluna X (índice), listando

os dados de cada uma das variáveis.

4. Clique no botão “Importar”, e o arquivo deve aparecer na guia
“Ambiente”, no lado superior direito da tela do RStudio.

Após carregar os dados, constate se eles foram lidos corretamente pelo

software, usando o seguinte comando “view (dados)”.

SAIBA MAIS

Instalação dos pacotes R

Estudante, o vídeo “Instalando pacotes e abrindo
o banco de dados no R” é um tutorial que
apresenta, de forma detalhada, como instalar

pacotes e abrir o banco de dados no R.

Inicialmente, o vídeo apresenta como salvar o
banco de dados no Excel, para que o R possa ler
os dados de forma correta. Na sequência, você
verá os passos para carregar o banco de dados
e também visualizá-lo. Assim, ao longo deste
vídeo, você poderá aprender como começar a
utilizar o banco de dados de forma correta. Além
disso, este canal possui uma diversidade de
vídeos que podem te ajudar a trabalhar com o R.
Saiba mais assistindo ao vídeo:

ASSISTIR

Após esse processo de instalação dos pacotes do R e de inserção dos dados,

chega o momento de desenvolvermos a regressão. Para isso, vamos inserir o
seguinte comando: mod <- lm(Y ~ X1 + X2, dados), em que Y representa a
variável dependente e Xs, as independentes, conforme apresentado na Figura
3.3.

Figura 3.3 - Regressão múltipla no RStudio

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta o console do software R com os pacotes que

precisam ser inseridos no R toda vez que o software for utilizado, além de uma
programação de regressão: mod <- lm(Y ~ X1 + X2, dados).

Ao rodarmos a regressão, precisamos aplicar o comando “summary (mod)”,

para visualizar o resultado do modelo, conforme podemos observar na Figura
3.4.

Figura 3.4 - Resultado da regressão múltipla no RStudio

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta a saída do software R depois de rodar uma

regressão, apresentando primeiro os coeficientes estimados, o erro, o t e o p
valor. Logo abaixo desses resultados, aparece o erro residual do modelo, o
coeficiente de determinação ajustado, a estatística F e seu p valor.

Ao rodarmos a regressão, encontramos o seguinte resultado, conforme

apresentado na Figura 3.4:

Y = 27.42 − 0.04 x1 + 0.01 x2

Assim, podemos perceber que o intercepto B0 é 27.42 e o β1 foi de − 0.04

e B2 de 0, 001. Dessa forma, olhando somente para os interceptos, a

análise seria: se os X fossem fixados em zero, Y seria equivalente a 27.42;
e uma variação de uma unidade na variável independente x1 corresponde a
uma variação na variável Y , em − 0.04, igual ao coeficiente angular da reta

de regressão. Se fossemos analisar x2 , observa-se que uma variação de uma

unidade na variável independente (x2 ) corresponde a uma variação de 0, 001
na variável Y .

Diante disso, ao analisar esse modelo sob os aspectos relacionados à

inferência estatística, podemos notar que os resultados são confiáveis para
as variáveis Y e x2 , uma vez que o teste t, F, e p valor apresentou
significância estatística a 5%. No entanto o R2 apresentou um baixo poder de
explicação (0,37). Note que, quando isso ocorre, o nosso modelo traz
resultados que são passíveis de serem validados estatisticamente. No
entanto a variável x1 não apresentou um p valor estatisticamente
significativo.

Comandos para desenvolver gráficos no R

Plot (mod)
Antes de fazer os testes, precisamos colocar o seguinte comando: plot (mod) e
pedir para o software rodar. Na sequência, podemos testar a normalidade, a
independência dos resíduos, a homocedasticidade, a multicolinearidade
dentre outros.

Fonte: Elaborado pela autora.

#PraCegoVer: o infográfico interativo, intitulado “Comandos para desenvolver

gráficos no R”, contém quatro botões interativos, com seus respectivos subtítulos
e gráficos. O primeiro botão interativo, ao ser clicado, apresenta o subtítulo “Plot
(mod)”; a definição “antes de fazer os testes, precisamos colocar o seguinte
comando: plot (mod) e pedir para o software rodar. Na sequência, podemos
testar a normalidade, a independência dos resíduos, a homocedasticidade, a
multicolinearidade dentre outros”; e a ilustração de um gráfico, apresentado em
forma de quadrado, nos quais, no eixo x, no meio do quadrado, temos o número
zero, antes dele, o -1 e -2 e depois do zero, o número 1 e o número 2. No eixo y,
estão zero, -1 e 1. Esse quadrado representa o Ln de y-x1+x2, demonstrado por
uma linha reta com alguns pontos na parte superior do gráfico e na parte inferior.
O segundo botão interativo, ao ser clicado, apresenta o subtítulo “Teste de
normalidade”; a definição “esse teste tem um processo que produz valores
independentes e distribuídos de forma idêntica. Ao testar a normalidade dos
resíduos, podemos utilizar o teste Shapiro Wilk, a partir do seguinte comando:
shapiro.test(mod$residuals)”; e a ilustração de um gráfico, apresentado em forma
de quadrado, nos quais, no eixo x, no quadrado, temos os números 35,40, 45 e 50.
No eixo y, 0, 0,4, 0, e 1,2. Esse quadrado representa o Ln de y-x1+x2, representado
por uma linha reta, com alguns pontos na parte superior do gráfico.

Independência dos resíduos: para ver a independência dos resíduos para uma
distribuição normal, podemos utilizar o teste Durbin-Watson, que é usado para
detectar a presença de autocorrelação nos resíduos de uma regressão, a partir do
seguinte comando: durbinwatsonTest(mod). O terceiro botão interativo, ao ser
clicado, apresenta o subtítulo “Homocedasticidade”; a definição “se a variância
não for constante, o modelo, provavelmente, dará estimativas incorretas. Nessa
perspectiva, para testar a homocedasticidade, você pode utilizar o teste Breusch
Pagan, empregando o seguinte comando no R: bptest(mod)”; e a ilustração de um
gráfico, apresentado em forma de quadrado, nos quais, no eixo x, no quadrado,
temos os números 35,40, 45 e 50. No eixo y, -5, 0, 1, 5 e 10. Esse quadrado
representa o Ln de y-x1+x2, representado por uma linha reta, com alguns pontos
em vermelho no meio do gráfico, e pontos acima e abaixo da linha vermelha no
gráfico.

Diante disso, vimos que o RStudio facilita a configuração do diretório de

trabalho e os arquivos de acesso no computador. Especialmente se você está
trabalhando no Windows, uma das partes mais difíceis da programação em R
é definir seu diretório de trabalho para acessar seus arquivos. Nessa
perspectiva, entendemos que, com o RStudio, podemos navegar para pastas
do computador na janela "Arquivos", visualizar todos os arquivos que tiver
nessa pasta e definir essa pasta como o diretório de trabalho.

Modelos econométricos no Gretl

Caso você não se habitue a utilizar o R, temos o Gretl, que também é um
software livre e que você precisará instalá-lo em seu computador. Para isso,
vá até o site do Gretl, que está em inglês, mas você pode clicar com o botão
direito e pedir para traduzir para o português. No site, estão os arquivos de
amostra que podem ser instalados. Essas amostras são de banco de dados
de diversos livros de econometria, que você pode utilizar para treinar o
desenvolvimento de modelos.

Após a instalação, você pode abrir o software e clicar em “Arquivos” depois

de “Abrir dados”. No nosso caso, nós clicamos, na sequência, em “Abrir
exemplos”, mas, se clicar em arquivos do usuário, você pode importar as
planilhas do Excel para o software.

Figura 3.5 - Abrindo o banco de dados no Gretl

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta o console do Gretl, no qual clicamos em

“Arquivos” e em “Abrir exemplo”.

Após a abertura do banco de dados, você pode ir na aba “Modelo” e

selecionar o item “Mínimo quadrados ordinários”, para desenvolver a sua
regressão, conforme apresentado na Figura 3.6.

Figura 3.6 - Resultado da regressão múltipla no Gretl

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta o console do Gretl com um exemplo de variáveis

do próprio software, no qual selecionamos a aba “Modelo” e clicamos em
“Mínimos quadrados ordinários”.

Agora que decidimos aplicar o método dos mínimos quadrados, vamos

selecionar as variáveis que desejamos para o nosso modelo. Para o exemplo,
escolheremos a variável Y , que seria o PIB médio, como variável dependente.
E, como variáveis explicativas, selecionamos o s e o n (investimento em
relação ao PIB e crescimento da população ao longo do tempo
respectivamente), e depois clicamos em “OK”.

Figura 3.7 - Resultado da regressão múltipla no Gretl

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta a especificação do modelo de regressão linear

no software Gretl, no qual selecionamos a variável dependente Y e os regressares
s e n.

Ao rodarmos a regressão, encontramos o seguinte resultado, conforme

apresentado na Figura 3.8:

P IB per capita = 4362.62 + 15284.7 s − 163557 n

Dessa forma, olhando somente para os interceptos, a análise seria: se os X

representado pelas letras s e n (investimento em relação ao PIB e
crescimento da população ao longo do tempo respectivamente) fossem
fixados em zero, o PIB médio (Y ) seria equivalente a 4362.62; e uma
variação de uma unidade na variável independente investimento em relação
ao PIB (s ) corresponde a uma variação na variável PIB (Y ) em 15284.7, igual

ao coeficiente angular da reta de regressão. Se fossemos analisar

crescimento da população ao longo do tempo, observa-se que uma variação
de uma unidade na variável independente crescimento populacional (n)
corresponde a uma variação na variável −163557 no produto interno bruto
médio (Y ).

Figura 3.8 - Resultado da regressão múltipla no Gretl

Fonte: Elaborada pela autora.

#PraCegoVer: a figura apresenta a saída do software Gretl depois de rodar uma

regressão, apresentando, primeiramente, os coeficientes estimados, o erro, o t e o
p valor. Logo abaixo desses resultados, aparecem o erro residual do modelo, o
coeficiente de determinação e seu valor ajustado, a estatística F e seu p valor.

Assim, ao analisar esse modelo sob os aspectos relacionados à inferência

estatística, podemos notar que os resultados são confiáveis, uma vez que o
teste t, p valor e o teste F foi estatisticamente significativo, considerando um

intervalo de confiança de 1% de significância estatística. No entanto o R2

apresenta um poder de explicação médio de 0.54.

praticar
Vamos Praticar
Em nossos estudos, pudemos compreender que os software podem nos
ajudar a desenvolver modelos mais complexos, que envolvem um maior
número de variáveis. Nessa perspectiva, vimos que o Gretl é um software
que possui pacote para fazer econometria, além de ser fácil de usar e
poderoso, já que tem uma interface muito amigável, o que torna fácil de
usar em sala de aula. Sua flexibilidade, extensibilidade e precisão também o
tornam adequado para pesquisa.

A partir disso, escolha um exemplo de séries temporais no Gretl, rode uma

regressão e realize uma análise.

Material
Complementar

FILME

Regressão linear múltipla no R

Ano: 2020

Comentário: Este vídeo apresenta, de forma didática, como

rodar uma regressão no software R. Ao assistir este vídeo,
você poderá acompanhar, com detalhes, todos os passos
que envolvem a programação da regressão múltipla. Além
disso, vale a pena assistir a outros vídeos deste canal, pois
são vídeos que trazem, com riqueza de detalhes, os testes
de hipóteses e outros tipos de modelos que usamos na
econometria.

Para assistir ao vídeo, acesse:

TRAILER

LIVRO

Inferência estatística
Autor: Cristina Werkema

Editora: Grupo GEN

Capítulo: 3

Ano: 2014

ISBN: 978-8535254310

Comentário: Apresentando os aspectos relacionados à

inferência estatística, Cristina Werkema faz uma
abordagem sobre como realizar o processo de teste de
hipóteses, tratando desde os conceitos básicos até os
mais avançados, bem como as tomadas de decisões com
relação ao teste de hipótese. Com o objetivo de fixar seu
conhecimento, o livro torna-se importante, pois aborda
aspectos com relação ao teste de hipóteses e intervalos de
confiança de diversos tipos. Espero que, ao ler este
material, você possa coletar dados de forma mais
assertiva, desenvolvendo uma análise mais robusta do seu
modelo de regressão. Aproveite!

Disponível em Minha Biblioteca.

Conclusão
Olá, estudante!

Neste material, tivemos a oportunidade de compreender a diversidade de testes de

significância que podemos utilizar ao desenvolver um modelo econométrico, no
qual o tipo de teste vai depender do objetivo do modelo, bem como o tipo de
dados empregado. Nessa perspectiva, vimos que podemos testar hipóteses a
partir de testes de probabilidade de significância.

Vimos, também, os aspectos relacionados à inserção de variáveis dummy nos

modelos, já que elas são importantes, pois nos possibilitam empregar uma única
equação de regressão para representar vários grupos, como: sexo, religião,
partidos políticos, dentre outros. Isso significa que não precisamos escrever
modelos de equações separados para cada subgrupo. No entanto é importante
nos atentarmos para utilizar k-1 variáveis dummy, a fim de não tornar nosso
modelo redundante e, ainda, incorrer no problema de multicolinearidade.

Ainda pudemos aprender como solucionar modelos de forma prática a partir de

software estatísticos. Compreendemos, assim, que temos diversas alternativas
para solucionar o nosso modelo. O que precisamos é selecionar aquele que mais
se adequa ao que buscamos.

Referências
ARAÚJO NETO, J. F. Estatística
descritiva e teste Qui-quadrado

aplicado a acidentes de trânsito

ocorridos em rodovias federais na
Paraíba em 2012. 2014. Monografia
(Graduação em Estatística) — Centro
de Ciências e Tecnologia, Universidade
Federal da Paraíba, Campina Grande,
2014. Disponível em:
http://dspace.bc.uepb.edu.br/jspui/bits
tream/123456789/3980/1/PDF%20-
%20Jo%C3%A3o%20Fernandes%20de
%20Ara%C3%BAjo%20Neto.pdf.
Acesso em: 02 abr. 2022.

DIAS, A. C. F.; FIGUEIREDO, C. C. O uso da programação no curso de Estatística.

Belo Horizonte: Universidade Federal de Minas Gerais, 2012. Disponível em:
http://homepages.dcc.ufmg.br/~camarao/cursos/pc/2012b/trabalho-extra/ana-
carolina/Trabalho%20Extra%20.pdf. Acesso em: 02 abr. 2022.

FEIJOO, A. M. L. C. Provas estatísticas. In: FEIJOO, A. M. L. C. A pesquisa e a

estatística na Psicologia e na Educação. Rio de Janeiro: Centro Edelstein de
Pesquisas Sociais, 2010. p. 43-69.

GUJARATI, D. N.; PORTER, D. C. Econometria básica. 5. ed. Porto Alegre: Bookman,

2011.

HILL, R. C.; JUDGE, G. G.; GRIFFITHS, W. E. Econometria. 3. ed. São Paulo: Saraiva,
2010.

INSTALAÇÃO dos Softwares R e RStudio. [S. l.: s. n.], 2020. 1 vídeo (7 min.).
Publicado pelo canal Fernanda Peres. Disponível em:
https://www.youtube.com/watch?v=WVogdSlk7gY. Acesso em: 03 abr. 2022.

INSTALANDO pacotes e abrindo o banco de dados no R. [S. l.: s. n.], 2020. 1 vídeo
(21 min.). Publicado pelo canal Fernanda Peres. Disponível em:
https://www.youtube.com/watch?v=bm6vl3SeUuw. Acesso em: 03 abr. 2022.

REGRESSÃO linear múltipla no R. [S. l.: s. n.], 2021. 1 vídeo (53 min.). Publicado
pelo canal Fernanda Peres. Disponível em: https://www.youtube.com/watch?
v=4YLOwyx_hxo. Acesso em: 03 abr. 2022.

REGRESSÃO linear múltipla - variáveis dummy parte 1. [S. l.: s. n.], 2015. 1 vídeo (7
min.). Publicado pelo canal Statmeup. Disponível em:
https://www.youtube.com/watch?v=pTGtYFsTmhY&list=PLtwFs-
j2DLcRKASloBbRU5AzMPh_qiWIW&index=26. Acesso em: 02 abr. 2022.

WERKEMA, C. Inferência estatística: como estabelecer conclusões com confiança

no giro do PDCA e DMAIC. Barueri: Grupo GEN, 2014.

https://student.ulife.com.br/ContentPlayer/Index?lc=Ws3Dw%2ftNHvQjNuaE3Re8Sw%3d%3d&l=q1K5aws4c7PXQbLT546fyQ%3d%3d&cd=V… 42/42