Baixe o app para aproveitar ainda mais
Prévia do material em texto
Método dos mínimos quadrados Origem: Wikipédia, a enciclopédia livre. O Método dos Mínimos Quadrados, ou Mínimos Quadrados Ordinários (MQO) ou OLS (do inglês Ordinary Least Squares) é uma técnica de otimização matemática que procura encontrar o melhor ajuste para um conjunto de dados tentando minimizar a soma dos quadrados das diferenças entre o valor estimado e os dados observados (tais diferenças são chamadas resíduos). É a forma de estimação mais amplamente utilizada na econometria. Consiste em um estimador que minimiza a soma dos quadrados dos resíduos da regressão, de forma a maximizar o grau de ajuste do modelo aos dados observados. Um requisito para o método dos mínimos quadrados é que o fator imprevisível (erro) seja distribuído aleatoriamente, essa distribuição seja normal e independente. O Teorema Gauss-Markov garante (embora indiretamente) que o estimador de mínimos quadrados é o estimador não-enviesado de mínima variância linear na variável resposta. Outro requisito é que o modelo é linear nos parâmetros, ou seja, as variáveis apresentam uma relação linear entre si. Caso contrário, deveria ser usado um modelo de regressão não-linear. Credita-se Carl Friedrich Gauss como o desenvolvedor das bases fundamentais do método dos mínimos quadrados, em 1795, quando Gauss tinha apenas dezoito anos. Entretanto, Adrien-Marie Legendre foi o primeiro a publicar o método em 1805, em seu Nouvelles méthodes pour la détermination des orbites des comètes. Gauss publicou suas conclusões apenas em 1809. Índice 1 Regressão simples 1.1 Exemplo de regressão simples 2 Regressão múltipla 2.1 Exemplo de regressão múltipla 3 Premissas 4 Coeficiente de determinação R² 4.1 Exemplo de R² e R² ajustado 5 Teste de significância dos coeficientes 5.1 Exemplo de teste de significância dos coeficientes 6 Referências 7 Ver também 8 Ligações externas Regressão simples Queremos estimar valores de determinada variável . Para isso, consideramos os valores de outra variável que acreditamos ter poder de explicação sobre conforme a fórmula: onde: : Parâmetro do modelo chamado de constante (porque não depende de ). : Parâmetro do modelo chamado de coeficiente da variável . : Erro - representa a variação de que não é explicada pelo modelo. Também temos uma base de dados com valores observados de e de . Perceba que, usando a base de dados, e são vetores, ou seja, representam uma lista de valores, um para cada observação da base de dados. O método dos mínimos quadrados ajuda a encontrar as estimativas de e . Como o nome diz, serão somente estimativas desses parâmetros, porque o valor real dos parâmetros são desconhecidos. Portanto, ao fazer a estimativa, mudamos a notação de algumas variáveis: Para ilustrar isso, Heij menciona: We do not know Greek but we can compute Latin Não sabemos grego, mas podemos calcular em latim Desse modo, ao estimar o modelo usando a base de dados, estamos estimando, na verdade: onde indica cada uma das observações da base de dados e passa a ser chamado de resíduo, ao invés de erro. Em alguns livros, a notação para as estimativas dos parâmetros é um pouco diferente. Ao invés de substituir a letra, apenas adiciona-se o símbolo chapéu ( ). [1] [2][3][4] [5] Método dos mínimos quadrados – Wikipédia, a enciclopédia livre http://pt.wikipedia.org/wiki/Método_dos_mínimos_quadrados 1 de 5 25/12/2012 20:27 O método dos mínimos quadrados minimiza a soma dos quadrado dos resíduos, ou seja, minimiza . A ideia por trás dessa técnica é que, minimizando a soma do quadrado dos resíduos, encontraremos e que trarão a menor diferença entre a previsão de e o realmente observado. Substituindo por , temos: A minimização se dá ao derivar em relação a e e igualar a zero: Distribuindo e dividindo a primeira expressão por temos: onde é a média amostral de e é a média amostral de . Substituindo esse resultado na segunda expressão temos: Alguns livros também usam uma fórmula diferente que gera o mesmo resultado: Exemplo de regressão simples Considere a seguinte base de dados: Consumo Renda 1 122 139 2 114 126 3 86 90 4 134 144 5 146 163 6 107 136 7 68 61 8 117 62 9 71 41 10 98 120 Método dos mínimos quadrados – Wikipédia, a enciclopédia livre http://pt.wikipedia.org/wiki/Método_dos_mínimos_quadrados 2 de 5 25/12/2012 20:27 Aplicando as fórmulas acima, chega-se em: portanto, Interpretação: Tirando a parte do Consumo que não é influenciada pela Renda, o incremento de $ 1 na Renda causa um incremento esperado de $ 0,4954 no Consumo. Regressão múltipla A regressão múltipla apresenta um funcionamento parecido com o da regressão simples, porém, leva em consideração diversas variáveis explicativas influenciando ao mesmo tempo: Ao usar a base de dados com variáveis explicativas e observações, o modelo pode ser escrito na forma matricial: , onde representa o valor da -ésima variável da -ésima observação. A fórmula também pode ser escrita na forma resumida: A solução de mínimos quadrados continua sendo alcançada através da minimização da soma do quadrado dos erros , que pode ser reescrito como , onde o apóstrofe significa que a matriz foi transposta. Substituindo por , temos: A minimização se dá ao derivar em relação a e igualar a zero. O primeiro termo não depende de , os segundo e terceiro termos são iguais e o terceiro termo é uma forma quadrática dos elementos de . Exemplo de regressão múltipla Considere a base de dados usada no exemplo da regressão simples, porém, acrescente mais uma variável explicativa (taxa de juros): Consumo Renda Taxa de Juros 1 122 139 11,5% 2 114 126 12,0% 3 86 90 10,5% 4 134 144 9,0% 5 146 163 10,0% 6 107 136 12,0% 7 68 61 10,5% 8 117 62 8,0% 9 71 41 10,0% 10 98 120 11,5% Método dos mínimos quadrados – Wikipédia, a enciclopédia livre http://pt.wikipedia.org/wiki/Método_dos_mínimos_quadrados 3 de 5 25/12/2012 20:27 Aplicando a fórmula acima, chega-se em: portanto, Interpretação: Tirando a parte do Consumo que não é influenciada pela Taxa de Juros, o incremento de $ 1 na Renda causa um incremento esperado de $ 0,6136 no Consumo; além disso, o incremento de 1 ponto percentual (0,01) na Taxa de Juros causa um decréscimo esperado de $ 10,3441 no Consumo. Premissas Ao usar o método dos mínimos quadrados, assumimos algumas premissas a respeito das variáveis: Os regressores são fixos: As variáveis da matriz não são estocásticas. Erro é aleatório com média 0: O erro é aleatório e sua esperança . Homoscedasticidade: A variância do erro é constante. Ver também: heteroscedasticidade Sem correlação: Não existe correlação entre os erros das observações, ou seja, para qualquer . Parâmetros são constantes: e são valores fixos desconhecidos. Modelo é linear: Os dados da variável dependente foram gerados pelo processo linear . Erro tem distribuição normal: O erro é distribuído conforme a curva de distribuição normal. Caso alguma dessas premissas não seja verdadeira, o método pode gerar resultados sub-ótimos ou com viés. Coeficiente de determinação R² O Coeficiente de determinação, também chamado de R² é uma medida de qualidade do modelo em relação à sua habilidade de estimar corretamente os valores da variável resposta . , sendo SQres o Somatório dos Quadrados dos Resíduos e SQtot o Somatório dos Quadrados Total ou R² ajustado: Exemplo de R² e R² ajustado Usando os dados do exemplo de regressão múltipla, podemos calcular: Isso significa que 88,729% da variância de é explicada pela variância de . Teste de significância dos coeficientes Se uma variável realmente possui poder explicativo sobre , seu coeficiente deve ser estatísticamente diferente de zero. Ou seja, deve ser suficientemente maior ou menor do que zero para que tenhamos confiança de que a variável realmente possui poder explicativo. Caso isso nãoseja verdade, a variável poderia ser retirada do modelo sem que exista grande perda da sua qualidade. Para verificar se os coeficientes são significantes, levamos em consideração que o estimador tem distribuição normal centrada em e com variância , onde é a variância do erro . Ou seja: Porém, como o erro não é observado, usamos a aproximação amostral : , onde representa o número de variáveis explicativas mais a constante. Considerando que a hipótese nula é a de que , então a estatística t para a variável j é: Método dos mínimos quadrados – Wikipédia, a enciclopédia livre http://pt.wikipedia.org/wiki/Método_dos_mínimos_quadrados 4 de 5 25/12/2012 20:27 , onde é o j-ésimo elemento da diagonal de . Aplicando o valor de na curva acumulada da distribuição t de Student com graus de liberdade, pode-se obter o nível de confiança necessário para que a hipótese nula seja rejeitada. Ver também: Testes de hipóteses Exemplo de teste de significância dos coeficientes Usando os dados do exemplo de regressão múltipla, podemos calcular: Na distribuição t de Student com 7 (10-2-1) graus de liberdade, o valor de que garante um nível de confiança de 95% é 2,3646. Como é maior que 2,3646, a hipótese nula de que é rejeitada com, pelo menos 95% de confiança. O mesmo também ocorre para . Referências ↑ Universidade de Berkeley, Econometrics Laboratory Software Archive. Regression Analysis (http://elsa.berkeley.edu/sst/regression.html) (em Inglês). Página visitada em 18/05/2011. 1. ↑ (em inglês) Indiana University Bloomington, Human Intelligence, Karl Friedrich Gauss (1777-1855), German Mathematician [1] (http://www.indiana.edu/~intell /gauss.shtml) 2. ↑ Memória, José M. P. (2004). Breve História da Estatística (http://www.im.ufrj.br/~lpbraga/prob1/historia_estatistica.pdf) (em Inglês). Embrapa Informação Tecnológica. Página visitada em 11/05/2011. 3. ↑ Stigler, S. M.. The History of Statistics: The Measurement of Uncertainty before 1900. [S.l.]: Harvard University Press, 1986. 410 p.4. ↑ HEIJ, Christiaan; DE BOER, Paul; FRANSES, Philip Hans; KLOEK, Teun; VAN DIJK, Herman K. Econometric Methods with Applications in Business and Economics. OXFORD, 2004 5. Ver também Mínimos quadrados generalizados - MQG Máxima verossimilhança Método dos momentos generalizados - MMG Regressão Econometria Decomposição em Valores Singulares - a técnica computacional moderna para regressão e projeção ortogonal. As funcoes Scilab: svd, sva e contra-barra (backslash) Ligações externas (em inglês) - http://www.physics.csbsju.edu/stats/least_squares.html (em inglês) - http://zunzun.com (em inglês) - http://www.orbitals.com/self/least/least.htm (em inglês) - O operador contrabarra ou '\' no Scilab http://help.scilab.org/docs/5.3.3/en_US/backslash.html Obtida de "http://pt.wikipedia.org/w/index.php?title=Método_dos_mínimos_quadrados&oldid=32520782" Categorias: Econometria Álgebra linear Estatística Menu de navegação Esta página foi modificada pela última vez à(s) 17h57min de 10 de outubro de 2012. Este texto é disponibilizado nos termos da licença Atribuição-Partilha nos Mesmos Termos 3.0 não Adaptada (CC BY-SA 3.0); pode estar sujeito a condições adicionais. Consulte as condições de uso para mais detalhes. Método dos mínimos quadrados – Wikipédia, a enciclopédia livre http://pt.wikipedia.org/wiki/Método_dos_mínimos_quadrados 5 de 5 25/12/2012 20:27
Compartilhar