Baixe o app para aproveitar ainda mais
Prévia do material em texto
1 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos 19. REGRESSÃO L INEAR SIMPLES (PARTE 3: IC PARA PREVISÕES/ REGRESSÃO PELA ORIGEM/ MUDANÇAS DE ESCALA/FORMAS FUNCIONAIS NÃO-LINEARES) • Intervalos de Confiança para Previsões Vimos que a reta de regressão ajustada, ou função de regressão amostral (FRA), permite estimar o valor esperado de Y associado a cada valor de X: E(Y|X). O estimador de E(Y|X0) é chamado previsor de Y (no ponto X = X0). O previsor de Y “herda” as boas propriedades dos estimadores de β0 e β1, visto que é uma combinação linear deles: Em particular, é o melhor estimador linear não viciado de E(Y|X0). .XˆˆŶ 010 β+β= Ŷ Uma vez estabelecidas as propriedades do previsor pontual, voltamos nossa atenção para a incerteza associada a ele, em particular, para a construção de um intervalo de confiança para E(Y|X0). Para isto, será necessário trabalhar com a distribuição amostral de .Ŷ (a rigor, o que mais precisamos supôr?) Valor esperado e variância desta distribuição podem ser calculados de forma simples, como mostrado no slide seguinte. Ŷ de Amostral ãoDistribuiç Normal. ãodistribuiç segue Ŷ 6, RLS. a sob que, temos,ˆ e ˆ delinear combinação é Ŷ Como 10 ββ Valor Esperado: Variância: ( ) ( ) ( ) .XˆEXˆEŶE 010100 β+β=β+β= ( ) ( ) ( ) ( ).ˆ,ˆCovX2ˆVXˆVŶV 1001200 ββ+β+β= FRP 2 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Usando fórmulas já derivadas e manipulando-as algebricamente, obtemos: ( ) . )XX( )XX( n 1 )XX( X X2 )XX( X )XX(n X ŶV n 1i 2 i 2 02 n 1i 2 i 2 0 n 1i 2 i 2 2 0n 1i 2 i n 1i 2 i 2 − −+σ= − σ−+ − σ+ − σ = ∑∑ ∑∑ ∑ == == = Note que a variância aumenta com a distância de X0 em relação à sua média. Previsões para valores de X0 próximos à média de X na amostra são mais confiáveis. À medida que nos afastamos de , vai se tornando cada vez mais difícil prever Y. Qual a variância da previsão em X0 = Este é o ponto em que a variância é mínima! X ?X Assim: ⇓⇓⇓⇓ . )XX( )XX( n 1 ,XN~Ŷ n 1i 2 i 2 02 010 − −+σβ+β ∑ = ( ).1,0N~ )XX( )XX( n 1 )X(Ŷ n 1i 2 i 2 02 010 − −+σ β+β− ∑ = . 2n û ˆ n 1i 2 i 2 − =σ ∑ = Substituindo σ2 por seu estimador não viciado: ⇓⇓⇓⇓ .t~ )XX( )XX( n 1 ˆ )X(Ŷ 2n n 1i 2 i 2 02 010 − = − −+σ β+β− ∑ O IC para E(Y|X0) é obtido da forma usual, e apresentado no slide a seguir. . 2n û ˆ n 1i 2 i 2 − =σ ∑ = Intervalo de Confiança para E(Y|X0): − −+σ= ∑ = α−α− n 1i 2 i 2 02 2 ;2n 0)%1(100 )XX( )XX( n 1 ˆtŶ))X|Y(E(IC m Deve ser reforçado que a capacidade preditiva da reta cai à medida que nos afastamos da média de X na amostra. Por esta razão, deve-se ter cautela ao utilizar uma previsão para valores de X0 muito distantes da média da amostra. Em particular, não é recomendável extrapolar a reta para valores fora e muito distantes do intervalo contemplado pela amostra. 3 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Há uma forma engenhosa de obter o intervalo de confiança para uma previsão, sem precisar usar as fórmulas encontradas. Reparametrizando o modelo: Y = β0 + β1 X + u Y = β0 + β1X0 - β1X0 + β1X + u Y = ββββ0 + ββββ1X0 + β1(X-X 0) + u Y = θθθθ0 + ββββ1(X-X0) + u Portanto, basta “rodar” a regressão de Y em (X-X0). O intercepto θ0 deste modelo é a FRP. A sua estimativa, portanto, é o previsor de Y. O IC de θ0, fornecido diretamente por qualquer software, será o IC de E(Y|X0). Previsão Individual x Previsão pela Média Suponha agora que, ao invés de prever a média E(Y|X0), estejamos interessados em prever uma observação individual: Y0 . Isto certamente é mais complicado, pois: Y0 = E(Y|X0) + u0 fonte de incerteza! Pode-se provar que, conforme esperado, a variância é maior, dada pela fórmula: e o intervalo de confiança passa a ser: ( ) , )XX( )XX( n 1 1ŶV n 1i 2 i 2 02 0 − −++σ= ∑ = . 2n û ˆ n 1i 2 i 2 − =σ ∑ = Intervalo de Confiança para Y0: − −++σ= ∑ = α−α− n 1i 2 i 2 02 2 ;2n 00)%1(100 )XX( )XX( n 1 1ˆtŶ)Y(IC m Em algumas situações, será razoável estimar um modelo sem intercepto, ou seja, que passa pela origem (ponto X = Y = 0). Um exemplo é um modelo para relacionar imposto de renda pago e renda auferida. Neste caso, pode-se utilizar um modelo de regressão pela origem. 4 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos • Modelo de Regressão Pela Origem É o modelo de regressão estimado sem β0: Y = ββββ1X + u. Estimador de MQO de β1: . X XY ˆ n 1i 2 i n 1i ii RPO 1 ∑ ∑ = ==β Demonstração: os resíduos do modelo são: Assim, para fins de estimação por MQO, a soma dos quadrados dos resíduos torna-se: }.n,...,2,1i ,XˆYû{ i1ii =β−= .)XˆY(ûSQR n 1i n 1i 2 i1i 2 i∑ ∑ = = β−== Como passamos a ter um único parâmetro a ser estimado, β1, temos apenas uma CPO: .0 XˆXY 0 Xû :ou 0)X)(XˆY( 0)X)(Xˆ Y(2 0ˆd dSQR n 1i n 1i 2 i1ii n 1i iiii1 n 1i i ii1 n 1i i 1 ∑ ∑ ∑∑ ∑ = = == = =β− ==β− =−β− = β Resolvendo, obtemos o estimador de MQO de β1: . X XY ˆ n 1i 2 i n 1i ii RPO 1 ∑ ∑ = ==β O estimador de β1 correspondente ao modelo “cheio” (com β0) seria viciado, e o estimador acima é viciado para o β1 do modelo cheio. 0x se exceto = Mas o estimador acima não é eficiente (pois não é o estimador de MQO) Obs1 - No MRPO, o seguinte estimador também será não viciado para β1: ∑ ∑ ∑ ∑ = = = = − − = − −− =β n 1i 2 i n 1i ii n 1i 2 i n 1i ii * 1 )XX( )XX(Y )XX( )XX)(YY( ˆ Obs2 - Apesar do estimador de MQO do modelo cheio ser também não viciado para o β1 do modelo pela origem, o estimador de MQO sob o modelo pela origem será viciado para o β1 do modelo cheio: .uX Y :se , X YX ˆE 101n 1i 2 i n 1i ii RPO 1 +β+β=β≠ =β ∑ ∑ = = calcular este vício! 5 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Portanto, mesmo se a teoria indique que o modelo deva passa pela origem, é recomendável estimar o modelo “cheio”. Se omitirmos β0 quando ele deveria estar presente, o estimador de MQO para β1 será viciado (a única exceção é o caso em que a média de X na amostra é zero, pois neste caso ele fica igual ao estimador de MQO do modelo cheio). O estimador não viciado de σ2 torna-se, modelo de regressão pela origem: . 1n û ˆ n 1i 2 2 i − =σ ∑ = pois passamos a ter 1 único parâmetro sendo estimado ⇒ uma única restrição no processo de estimação ⇒ perde-se apenas 1 grau de liberdade! Assim, ICs e testes de hipóteses para β0 e β1 passam a basear-se na distribuição t com n-1 graus de liberdade, e não mais n-2. • Propriedades dos Resíduos no Modelo de Regressão pela Origem Pode-se verificar facilmente que: .seguinte) (slide imediata é ãodemonstraç cuja ,3 PR. epropriedad a é 0Ŷû .2 PR. epropriedad a se-mantémportanto ,estimar para CPO a é 0Xû n 1i ii 1 n 1i ii →= β→= ∑ ∑ = = Verificação de PR. 3 para o modelo de regressão pela origem: .0 Xûˆ XˆûŶû n 1i ii1 n 1i i1i n 1i ii ∑ ∑∑ = == =β =β= A novidade de impacto, em relação às propriedades verificadas no modelo cheio, é que PR. 1 não vale mais, logo: .0û n 1i i ≠∑ = Demonstração: . X XY X Y ˆ 0XˆY 0)XˆY( : terque teríamosentão ,zero a igual fosse û Se n 1i 2 i n 1i ii n 1i i n 1i i 1 n 1i n 1i i1i n 1i i1i n 1i i ∑ ∑ ∑ ∑ ∑ ∑ ∑ ∑ = = = = = = = = ≠=β =β− =β− 6 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos O fato da soma dos resíduos ser diferente de zero no modelo de regressão pela origem faz com que a decomposição SQT = SQE + SQR não seja mais válida, isto é: SQT ≠≠≠≠ SQE + SQR. )ûYŶû(2)YŶ(û )YY( :ãoDemonstraç n 1i i n 1i ii n 1i 2 i n 1i 2 i n 1i 2 i ∑∑∑∑ ∑ ==== = −+−+ =− como já vimos, no modelo de regressão pela origem: .0û n 1i i ≠∑ = Logo: Assim, o R2 não possui mais a interpretação apresentada anteriormente, podendo até ser negativo! Não faz sentido utilizar o R2 no modelo de regressão pela origem. .SQESQR de diferente é que ,ûY2SQESQRSQT n 1i i + −+= ∑ = Resumo das Propriedades do Modelo de Regressão Pela Origem: 1 - A reta não necessariamente passa pelo ponto das médias de X e Y. 2 - A soma dos resíduos não é necessariamente zero. 3 - SQT ≠ SQE + SQR, e portanto o R2 não possui mais nenhum significado. • Mudanças de Escala em X e Y Objetivo: avaliar como mudanças de escala ou nas unidades de medida de Y e/ou X afetam as estimativas de β0 e β1, e suas respectivas estimativas de variância e erro padrão. Em particular, estudar o efeito de fazer: Caso 1: Y* = c0Y Caso 2: X* = c1X Caso 3: Y* = c0Y e X* = c1X Caso 1: Y* = c0Y Exemplo 19.1: seja Y = salário (em 1.000 R$), X = anos de estudo, e o modelo estimado: O que acontece com as estimativas pontuais se o salário for expresso em R$(Y* = 1.000Y)? .X2,06,0Ŷ += 7 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Solução: Y* = c0Y, com c0 = 1.000. 00100 * 1 ** 0 10n 1i 2 i n 1i 0i0i * 1 0 * i0 * i ˆcXˆcYcXˆYˆ ˆc )XX( )YcYc)(XX( ˆ :Assim .YcYYcY se que, ver fácil É β=β−=β−=β β= − −− =β =⇒= ∑ ∑ = = Conclusão: se Y for multiplicada por c0, as estimativas de β0 e β1 também devem ser multiplicadas por c0. No exemplo, o modelo para Y*, os salários em R$, torna-se: Note que a interpretação dos coeficientes, assim como a da reta estimada, permanece inalterada. .X200600Ŷ * += Caso 2: X* = c1X Exemplo 19.2- sejam Y = gasto com alimentos em R$), X = renda (em 1.000 R$), e o modelo: O que acontece com as estimativas pontuais se a renda for expressa em R$(X* = 1.000X)? .X500100Ŷ += Solução: X* = c1X, com c1 = 1.000. 011 1 1** 1 * 0 1 1 n 1i 2 1i1 n 1i i1i1 * 1 1 * i1 * i ˆXˆYXc c ˆ YXˆYˆ c ˆ )XcXc( )YY)(XcXc( ˆ :ogoL .XcXXcX se Y, com como assim Novamente, β=β−=β−=β−=β β= − −− =β =⇒= ∑ ∑ = = Conclusão: se X for multiplicada por c1, a estimativa de β1 deve ser dividida por c1, Já a estimativa de β0 permanece inalterada. No exemplo, o modelo para o gasto como função da renda X* (ambos em R$) torna-se: Novamente, a interpretaçãodos coeficientes e da reta estimada permanecem inalteradas. .X5,0100Ŷ += Efeitos Sobre as Variâncias e Erros Padrão: Caso 1 - Y* = c0Y: )ˆ(Vc)ˆV( e )ˆ(Vc)ˆV( 1 2 0 * 10 2 0 * 0 β=ββ=β )ˆ(PEc)ˆEP( e )ˆ(PEc)ˆEP( 10 * 100 * 0 β=ββ=β Caso 2 - X* = c1X: 2 1 1* 10 * 0 c )ˆ(V )ˆV( e )ˆ(V)ˆV( β=ββ=β 1 1* 10 * 0 c )ˆ(PE )ˆEP( e )ˆ(PE)ˆEP( β=ββ=β 8 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Caso 3: Y* = c0Y e X* = c1X Neste caso, é imediato verificar que: )ˆ(PE c c )ˆEP( e )ˆ(PEc)ˆEP( )ˆ(V c c )ˆV( e )ˆ(Vc)ˆV( ˆ c cˆ e ˆcˆ 1 1 0* 100 * 0 1 2 1 0* 10 2 0 * 0 1 1 0* 100 * 0 β =ββ=β β =ββ=β β =ββ=β Caso Particular 3.1 (c0=c1=c): )ˆ(EP)ˆEP( e )ˆ(EPc)ˆEP( )ˆ(V)ˆV( e )ˆ(Vc)ˆV( ˆˆ e ˆcˆ 1 * 10 * 0 1 * 10 2* 0 1 * 10 * 0 β=ββ=β β=ββ=β β=ββ=β Em particular, no que diz respeito à estimação de β1 é afetado (qual é a lógica?) Outras consequências importantes de mudanças nas unidades de medida de X e/ou Y são que, em todos os casos, permanecem inalterados as propriedades dos estimadores de MQO, o R2 e as interpretações dos coeficientes estimados. .ûû :2 caso No .ˆc 2n û ˆûcû :3 e 1 casos Nos :que note Obs i * i 22 0 n 1i 2* i 2* i0 * i = σ= − =σ⇒= − ∑ = mas isto não afeta o R2 (por que?) Resumo dos Efeitos de Mudanças de Escala em X e Y: Se Y for multiplicada por c0, as estimativas de β0 e β1 também devem ser multiplicadas por c0. Se X é multiplicada por c1, a estimativa de β1 é dividida por c1, e a estimativa de β0 não muda. • Formas Funcionais Não-Lineares O “linear” do modelo de regressão linear não se refere à linearidade nas variáveis, mas sim à linearidade nos parâmetros (veja novamente a hipótese RLS. 1) Isto significa que os seguintes modelos lineares nos parâmetros, também são chamados modelos de regressão linear: 1) Y = ββββ0 + ββββ1X2 + u 2) Y = ββββ0 + ββββ1(1/X) + u 3) ln(Y) = ββββ0 + ββββ1X + u e 4) ln(Y) = ββββ0 + ββββ1ln(X) + u. É fácil ver que os modelos acima podem ser estimados por MQO. Por exemplo, para estimar 1), basta trabalhar com X* = X2. 9 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Por outro lado, em muitas situações, a especificação linear em Y e X não será suficiente para capturar a relação de interesse. Daremos uma atenção especial aos modelos 3 e 4 do slide anterior, que assumem papéis muito importantes para dados econômicos. • Modelo Log-Nível Relembre o exemplo 17.1: Y = salário e X = anos de educação. O coeficiente β1 de um modelo linear em Y e X reflete a variação esperada no salário para cada ano a mais de educação, ou (outra forma de interpretar): a variação no salário para cada ano adicional de educação, com tudo o mais constante. (estamos falando da variação absoluta ∆Y) A questão é: faz sentido que a variação no salário seja independente dos anos de educação, como o modelo considera? Ou seja, parece razoável considerar que o aumento no salário de pessoas que tenham apenas 1 ano de educação formal, e que estudem por mais um ano, seja a mesma que o de pessoas com 15 anos de educação formal, e que estudem por mais um ano? A resposta, claramente, é não. Uma especificação mais realista consideraria que a variação em Y deve aumentar com o tempo de educação, ou ainda, que a variação relativa em Y, ∆Y/Y, é que seja constante. Em economia, isto se chama: hipótese de retornos crescentes. A seguinte relação entre X e Y: ln(Y) = ββββ0 + ββββ1X apresenta as características mencionadas. .1-e 1-)/Y(Y))/YY-(Y( :é Y em relativa variaçãoa ,Finalmente .e)/Y(Y )/Yln(Y :assim e ),/Yln(Y )ln(Y-)ln(Y Mas .)X()X()ln(Y-)ln(Y :é 1 X à resposta em ln(Y), em variaçãoA ).1X( )ln(Y e X )ln(Y :Sejam :ovaPr 1 1 12112 12112 1212 11011012 102101 β β == =⇒β= = β=β+β−β+β+β= =∆ +β+β=β+β= 10 T.E.A. II (Curso Preparatório para o Exame da ANPEC)Disciplina: Estatística - Professor: Eduardo Lima Campos A relação proposta pode ser estimada por meio do seguinte modelo de regressão: ln(Y) = ββββ0 + ββββ1X + u. Este modelo, linear nos parâmetros, é chamado log-nível. Interpretação Econômica: . X em unitária variaçãouma a associada Y em percentual variaçãoa constante, mais o tudoou, X, em unitária (absoluta) variaçãouma a associada Y, em esperada percentual variaçãoa representa Ela )%.1e100( :como expressa geral em ,X a relação em Y de deelasticida-semi chamado é 1e nível,-log modelo No 1 1 − − β β Exemplo 19.3(Y = salário e X = educação): 183,0R X083,0584,0Yln 2 =+= Interpretação: Estima-se que, tudo o mais constante, um ano a mais de educação leve a um aumento de 100(e0,083-1)% = 8,65% no salário. .ˆ A semi-elasticidade pode ser aproximada pelo coeficiente β1 do modelo log-nível. A aproximação vem do fato de que, para k pequeno, ln(1+k) ≅ k. Daí: ln(Y2/Y1) ≅ ∆Y/Y. Por outro lado, já vimos que ln(Y2/Y1) = β1, e assim:β1 ≅ ∆Y/Y. Importante: esta interpretação para β1 é uma aproximação, que vale apenas para variações bem pequenas em Y e X. Outra forma de perceber a aproximação é utilizando o conceito de derivada: Derivando os 2 lados com respeito a X: 1 10 dX )X(d dX dY Y 1 dX Ylnd β=β+β = dX Y dY 1 =β Da própria definição de derivada, foram consideradas variações infinitesimais (muito pequenas) em X e Y, ratificando que o resultado é uma aproximação. Dependendo da natureza das variáveis (frequentemente, de X), esta aproximação pode ser bem grosseira, ou até inválida. 11 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Exemplo 19.3(cont.): 183,0R X083,0584,0Yln 2 =+= Interpretação aproximada: estima-se que, tudo o mais constante, um ano a mais de educação leve a um aumento de aproximadamente 8,3% no salário (avalie a validade da aproximação, neste exemplo). .ˆ O modelo log-nível embute a seguinte relação (não linear) entre Y e X: .)ek( keY 01X ββ == β1 > 0 traduz retornos crescentes. β1 < 0 traduz retornos decrescentes. • Modelo Log-Log Em certas situações, nosso interesse estará voltado para um importantíssimo parâmetro econômico: a elasticidade de Y em relação à X. A elasticidade mede o impacto de uma variação relativa (ou %) em X sobre a variação relativa (ou %) em Y. Por exemplo, se X = preço e Y = demanda por um bem, temos particular interesse na elasticidade de Y em relação a X, que é chamada elasticidade-preço da demanda. A elasticidade de Y com respeito a X é definida da seguinte forma: . Y X Y X X Y X X Y Y 1β=∆ ∆=∆ ∆ =η inclinação do modelo linear usual. Questão: em qual ponto (X,Y) calcular η? Exemplo 19.4- Estimação da demanda por café nos EUA, considerando apenas a dependência no preço, usando 12 observações anuais entre 1980 e 1991 de: Y = Consumo de café, medido em número de xícaras diárias por pessoa; X = Preço real do café no varejo, em US$ por libra-peso (1 libra-peso = 0,454 Kg). (preço real = preço nominal/IPC, 1967 = 100) 12 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Modelo estimado: Interpretação: estima-se que, tudo o mais constante, um aumento de US$ 1 no preço gere uma redução de aproximadamente 0,5 xícara diária por indivíduo (0,4795 xícara). 6628,0R X4795,06911,2Ŷ 2 )0114,0()1216,0( =−= Esta especificação corresponde a uma função demanda linear: Y = β0 + β1X. Esta não é uma função demanda adequada. Qual o formato de uma função demanda mais realista? (considere um bem comum) Uma função demanda apropriada é: (β1<0 para bens comuns). Passando o ln nos dois lados da equação: lnY = ln(k) + β1lnX. ,kXY 1β= lnY = β0 + β1lnX. A função demanda do slide anterior corresponde à seguinte relação entre Y e X: sendo β1 uma aproximação da elasticidade de Y em relação a X (válida para variações pequenas em X e Y, e suposta constante). Prova: Derivando os 2 lados com respeito a X: XdX )Xln(d dX dY Y 1 dX Ylnd 110 β=β+β = igualando X dX Y dY 1 =β O modelo de regressão que permite estimar os parâmetros da equação proposta é: lnY = β0 + β1lnX + u Este modelo, chamado log-log, é usado para estimar a elasticidade de Y em relação à X. O modelo log-log também costuma ser chamado modelo de elasticidade constante. 13 T.E.A. II (Curso Preparatório para o Exame da ANPEC) Disciplina: Estatística - Professor: Eduardo Lima Campos Exemplo 19.5- No exemplo da demanda por café, considere agora o seguinte modelo: 7448,0R Xln2530,07774,0Yln 2 )0494,0()0152,0( =−= Interpretação: a estimativa da elasticidade- preço da demanda por café é -0,2530, o que significa que um aumento de 1% no preço gera, tudo o mais constante, uma redução de aproximadamente 0,25% na demanda. .ˆ Obs1 - no modelo do exemplo 19.4, até poderíamos calcular uma elasticidade no ponto das médias amostrais A elasticidade calculada desta forma é chamada pontual pois cada ponto (X,Y) gera um valor diferente para ela. Sua interpretação é, por esta razão, difícil. .22,0219,0 43,2 11,1 4795,0 Y Xˆ 1 −≅−=−=β=η :)Y,X( Obs2 - outras vantagens de trabalhar com o logaritmo de Y, ao invés de Y em nível: - Reduzir os efeitos da heterocedasticidade (exemplo dos salários x educação) - Reduzir o impacto de outliers Outras especificações podem ser consideradas, como o modelo nível-log: Y = ββββ0 + ββββ1ln(X) + u (aplicação: estimar o efeito sobre ∆Y de uma variação relativa ou percentual em X) Ou o modelo recíproco: Y = ββββ0 + ββββ1/X + u Obs - o R2 não pode ser usado para comparar modelos cujas variáveis dependentes sejam diferentes, por exemplo: - modelo log-nível x modelo nível-log - modelos dos exemplos 19.4 e 19.5 Outro modelo importante é o de regressão quadrática, que será abordado mais à frente, no contexto de regressão múltipla.
Compartilhar