e aí o olá meu nome é alexandre gori maia e essa aula de contribuição marginal é o capítulo 9 do livro econometria conceito de aplicações objetivo da contribuição marginal é medir a contribuição isolada de uma variável independente ou de um conjunto de variáveis independentes para explicar o comportamento da variável dependente y é uma estratégia útil por exemplo se queremos decidir se uma variável acrescenta informação relevante após nosso três considerarmos o que já foi explicado pelas outras variáveis independentes do modelo nessa aula nós veremos como este mar e interpretar e analisar a significância da contribuição marginal
o modelo de regressão linear simples toda a variabilidade de bom que é explicada pelo modelo se deve exclusivamente a uma variável independente por exemplo no caso da relação entre produção agrícola y e horas de trabalho x1 nesse caso o comportamento da produção explicado pelo modelo seria devido exclusivamente as horas e trabalham um modelo de regressão linear múltipla nós podemos decompor a variabilidade de y em dois componentes contribuição isolada e contribuição conjunta das variáveis independentes e por exemplo na relação entre produção agrícola y horas de trabalho x1 e número de tratores x 2 se uma propriedade
adquire um novo trator haverá provável provavelmente um impacto positivo na produção ou seja haverá uma interseção entre os conjuntos x 2 em y todavia uma parcela desse impacto se deve ao uso conjunto da mão de obra que já existia na propriedade pois eu precisarei de um trabalhador para operar o trator ou seja a uma parcela da contribuição de x 2 sobre y que estaria associada ao trabalho x1 que já era explicada no modelo de regressão linear simples a esquerda nós chamamos essa parcela de contribuição conjunta de x1 e x2 modelo de regressão e é representada
pela área laranja na figura à direita a outra parcela da explicação de x 2 se deve ao uso mais eficiente da mão de obra que não seria explicada a unicamente pela variável x 1 essa ser a contribuição isolada de x 2 sobre y e área verde na figura à direita nós veremos a seguir como medir essas parcelas é suponha que eu queira medir a contribuição marginal de x 2 sobre y nossa iremos três passos essa análise o primeiro passo é medir a contribuição total do modelo de regressão com todas as variáveis independentes esse modelo será
denominado de modelo e restrito e no nosso caso contém as variáveis x1 e x2 é a contribuição total do modelo real e restrito será dada pela sua respectiva soma dos quadrados da regressão e é representada pela área vermelha na figura ao lado e eu tirei dois graus de liberdade associados a essa soma dos quadrados pois eu utilizei duas variáveis para este mala o segundo passo é medir a contribuição do modelo sem a variável de interesse ou seja com todas as variáveis independentes menos aquela que nós queremos medir a contribuição marginal esse modelo será denominado de
modelo e irrestrito e no nosso caso contém apenas a variável x 1 é a contribuição do modelo e restrito será dada pela sua respectiva soma dos quadrados da regressão e é representada pela área azul na figura ao lado essa soma dos quadrados terá apenas um grau de liberdade pois eu utilizo apenas a variável x vão para este mala e finalmente eu calculo a contribuição marginal de x 2 fazendo a diferença entre as áreas vermelha e azul ou seja entre a soma dos quadrados da regressão do modelo e restrito e do modelo restrito o resultado da
diferença área verde ser a contribuição marginal do x 2 e eu terei um grau de liberdade a social dessa contribuição pois eu utilizei apenas a variável x 2 para esse mala e eu posso ainda esse mar a contribuição marginal de um conjunto de que regressores ao invés de uma única variável independente por exemplo imagine a relação entre produção agrícola y horas de trabalho x 1 número de tratores x 2 e número de máquinas colhedoras x 3 e eu quero e eu quero estimar a contribuição marginal de máquinas e equipamentos definida pelo conjunto das variáveis x2
e x3 a estratégia é semelhante no primeiro passo eu ensino a soma dos quadrados da regressão do modelo e irrestrito contendo todas as variáveis do modelo nosso caso os agressores x1 x2 x3 e eu terei três graus de liberdade associados a essa variabilidade e no segundo passo eu estimo a soma dos quadrados da regressão do modelo restrito contendo todas as variáveis do modelo menos aquelas que eu desejo medir a contribuição marginal o nosso caso o modelo restrito será dado pela exclusivamente pela variável x 1 e eu terei apenas um grau de liberdade e associado a
sua respectiva soma dos quadrados da regressão e finalmente eu estimo a contribuição marginal dos regressores x2 e x3 calculando a diferença entre a soma dos quadrados da regressão do modelo irrestrito área vermelha e a soma dos quadrados da regressão do modelo restrito área azul nesse caso eu tirei dois graus de liberdade associados a contribuição marginal que é o conjunto das áreas roxa e verde na figura ao lado o próximo passo essa é realizado o teste de hipóteses para provar que essa contribuição marginal é estatisticamente diferente de zero e o teste de hipóteses para a contribuição
marginal é semelhante ao psf da contribuição do modelo de regressão que nós vemos na tabela nova ou seja o modelo de regressão múltipla com cá variáveis independentes objetivo é testar a hipótese nula de que a contribuição marginal de um conjunto de que regressores é nula ou seja todos os coeficientes associados a esses que regressores são simultaneamente iguais a zero na população e se rejeitarmos a zero afirmaríamos que a contribuição marginal e diferente de zero ou seja pelo menos um dos coeficientes associados aos agressores a contribuição marginal é diferente de zero e o cálculo da estatística
f para realizar esse teste é semelhante ao da estatística é que utilizamos na tabela nova na tabela nova tradicional o numerador da estatística f representa o quadrado médio do modelo e restrito ou desce da contribuição marginal o numerador da estatística f representa o quadrado médio da contribuição marginal e esse quadrado médio é dado pela contribuição marginal que a soma dos quadrados da regressão do modelo e recito - a soma dos quadrados a regressão do modelo restrito dividida pelos seus respectivos graus de liberdade que é igual a quê é o denominador da estatística f continua sendo
o quadrado médio dos resíduos do modelo de restrito e para apresentar todos os resultados conjuntamente eu posso ampliar a representação da tabela nova tradicional na tabela nova para contribuição marginal as três linhas finais contém os resultados do modelo e irrestrito que equivalem aos resultados obtidos na nova tradicional as duas linhas iniciais se apresentam os resultados do teste de contribuição marginal é a primeira linha apresenta a soma dos quadrados da regressão do modelo restrito e seu respectivo quadrado médio a segunda linha apresenta a estimativa da contribuição marginal que é dada pela diferença entre a soma dos
quadrados da regressão do modelo e restrito ea soma dos quadrados da regressão do modelo restrito e seu respectivo quadrado médio na coluna final da segunda linha a tabela apresenta a estatística f para testar a hipótese nula de que a contribuição marginal é lula essa estatística é dada pela divisão entre o quadrado médio da contribuição marginal e o quadrado médio dos resíduos do modelo e irrestrito em seguida veremos como estimar a probabilidade de erro desse teste da contribuição marginal em cima da variabilidade da contribuição marginal e sua respectiva estatística f podemos testar a hipótese nula de
que a contribuição marginal de uma variável ou de um conjunto de variáveis independentes é igual a zero essa hipótese equivale afirmar que todos os coeficientes associados a essas que variáveis independentes são iguais a zero a hipótese alternativa representa uma contribuição marginal diferente de zero o que que vale afirmar que pelo menos um dos coeficientes associados às que variáveis da contribuição marginal é igual a zero e a estatística df será dada pela razão entre o quadrado mede da contribuição marginal e o quadrado médio dos resíduos do modelo de restrito ea distribuição de probabilidade dessa estatística será
uma f com quem graus de liberdade no numerador representando o número de variáveis utilizadas para medir a contribuição marginal e em menos entre parênteses cá mais um graus de liberdade no denominador representando os graus de liberdade da soma dos quadrados dos resíduos do modelo e respeito e a probabilidade de encontrarmos um valor igual ou superior a estimativa df na mostra será o nosso valor que ou seja a probabilidade de erro ao afirmarmos que pelo menos uma das variáveis contribuem marginalmente para explicar a variabilidade de vy estão exemplo 9.1 do livro e o objetivo é estimular
a contribuição marginal da idade e sobre a relação melhorar os resultados da nova tradicional já foram apresentados na aula do capítulo 7 esse modelo com todas as variáveis independentes da análise será agora denominado de modelo e restrito ea soma dos quadrados da regressão desse modelo e irrestrito é igual a 34,8 o seu objetivo é analisar a contribuição marginal da idade o primeiro passo é estimar a contribuição marginal do modelo restrito ou seja excluída a variável idade do modelo original e o modelo em restrito contém então apenas a variável escolaridade ea sua soma dos quadrados da
regressão = 34,17 quatro a diferença entre a soma dos quadrados da regressão do modelo irrestrito e a soma de quadrados da regressão do modelo restrito ea avenida de contribuição marginal da variável idade que é igual a 0,086 o ou seja avaliado idade explica muito pouco da renda após nas nosses considerarmos a parcela que já foi explicada pela escolaridade o próximo passo é testar a hipótese nula de que a contribuição marginal da idade é igual a zero a estatística é que será dada pela razão entre o quadrado médio da contribuição marginal e o quadrado médio dos
resíduos do modelo e restrito sua estimativa é igual a 0,43 essa estatística possui uma distribuição f com 1 grau de liberdade no numerador associado a variável idade e um grau de liberdade e não denominador associado a soma dos quadrados dos resíduos do modelo irrestrito e o valor p associado a esta estimativa = 0,6 3 ou seja se afirmamos que a idade contribui marginalmente para explicar a renda familiar estaremos sujeito a um eu e exageradamente elevado de 63 por centro é parente o conceito desse teste de contribuição para para contribuição marginal para a variável idade conhecido
e com o tst para o coeficiente beta 2 e os resultados os valores pensam eventos e agora eu resolverei o mesmo exemplo 9.1 não é primeiramente eu e simaria e os coeficientes e a soma dos quadrados no modelo e irrestrito que inclui as variáveis independentes de escolaridade e idade depois eu farei as operações equivalentes para o modelo restrito que contém apenas a variável em estudo os detalhes e como foram elaborados essa essas rotinas podem ser encontrados na nos vídeos nas aulas 6 e 7 essa é a primeira parte da rotina atribui os valores ao vetor
da variável dependente que eu denominei de ny e a matriz com as variáveis independentes que eu denominei de mx e essa parte da rotina estima o os coeficientes pelo método de mínimos quadrados ordinários e essa parte vai e simara a soma dos quadrados da regressão e dos resíduos do modelo e restrito o e finalmente eu tenho quadrado médio da regressão e dos resíduos do modelo irrestrito às estimativas vocês encontram aqui agora vou repetir as operações para estimar os coeficientes e a soma dos quadrados do modelo restrito que contém apenas a variável escolaridade primeiramente eu defino
eu redefinir ei é o vetor para a variável dependente m y ea matriz para as variáveis que no caso é uma variável só agora independente estudo e eu posso então repetir as operações para estimar o vetor de coeficientes pelo método de mínimos quadrados ordinários e e em seguida estimar a soma dos quadrados da regressão desse modelo restrito e como eu já calculei a soma dos quadrados da regressão do modelo restrito indo modelo irrestrito eu posso agora calcular a contribuição marginal que a diferença entre essas somas somas dos quadrados e em seguida eu estimo o quadrado
médio da contribuição marginal soma dos quadrados divididos pelos respectivos graus de liberdade e eu queria variável o que que na verdade é é o valor um porque eu tenho apenas uma baseada no modelo restrito e finalmente eu posso estimar a estatística f e o valor tem associado a estatística que vai nos dar a probabilidade de erro ao rejeitar a hipótese nula ou seja a probabilidade de erro ao afirmarque a variável idade acrescenta uma contribuição marginal significativa ao modelo e como nós podemos ver a estimativa do valor petinas obtiveram 0,63 corresponde a mesma que nós vemos
na apresentação anterior e apesar de a soma dos quadrados associadas à contribuição marginal ser útil para realizar o teste de hipóteses não possui a interpretação surge ao pois representa uma medida de variabilidade quadrática de y ou seja a unidade de medida dependerá da variável y o coeficiente de correlação parcial e o crescente de determinação parcial são estatísticas descritivas adimensionais do grau de associação e do poder de explicação isolados e uma variável independente ou seja não dependem da unidade de medida de y por exemplo o coeficiente de correlação parcial entre y e x um mede o
grau de associação entre essas variáveis uma vez que nós desconsideramos o comportamento de y que está associado às demais variáveis independentes sua escala de medida similar à do coeficiente de correlação simples variando de menos um a mais um a interpretação também é a mesma valores negativos significam associação os valores positivos significa uma associação positiva quanto maior em módulo o valor da correlação parcial maior o grau de associação isolado entre elas variables e o coeficiente de determinação parcial entre y e x 1 é o é igual ao quadrado do coeficiente de correlação parcial varia de 0
a 1 com mais próximo de 1 maior o poder de explicação isolado de x 1 sobre y ou seja o poder de explicação do comportamento de y que não está associado aos demais regressores é uma maneira efetiva de estimar os coeficientes de correlação e determinação parcial é dada por um processo e interativa em três etapas suponha que o objetivo seja esse mar a correlação parcial ou uma determinação parcial entre y e x 1 a primeira etapa é eliminar o comportamento de y associado aos é mais seguidores o nosso exemplo seria isolar o comportamento de y
asociada x 2 isso pode ser feito salvar os resíduos do ajuste de y em relação a x 2 os resíduos e chapéu y2 representaram o comportamento de y que não está associado a x 2 na segunda etapa é o isola o comportamento da variável independente do interesse que está associado aos demais seguidores do nosso caso seria isolar o comportamento de x um associado a x 2 isso é feito salvando os resíduos do ajuste de x 1 em relação a x 2 os resíduos e chapéu 12 representa o então o eu fiz um dá um associado
a x 2 finalmente na terceira etapa eu posso estimar o coeficiente de correlação parcial entre y e x 1 a partir da correlação simples entre os seres vivos dos oito ajustes essa correlação representar a relação linear entre y e x 1 que não está associada a x 2 de maneira análoga eu posso calcular o coeficiente de determinação parcial entre y e x 1 eu posso tanto levar o quadrado o coeficiente de correlação parcial como eu posso fazer um ajuste dos resíduos do primeiro modelo em relação aos serviços do segundo modelo e 50 cent de determinação
parcial vai nos dizer qual que é a parcela da variabilidade de y que não está associado a variável x 2 e que é explicada pela variável x 1 é uma maneira operacionalmente mais simples mas não tão intuitiva de estimar os coeficientes de correlação e determinação parcial é utilizando equações matemáticas diretas essas equações são válidas apenas no caso de duas variáveis independentes no caso de três ou mais variáveis independentes o procedimento interativo em três etapas passa a ser mais atraente uma interpretação importante dessas equações é que o coeficiente de correlação parcial entre duas variáveis não necessariamente
terá o mesmo sinal do coeficiente de correlação simples entre essas mesmas variáveis por exemplo o sinal do coeficiente de correlação parcial entre y e x 1 rby 1.2 defender a não somente do sinal do coeficiente de correlação simples entre y e x 1 ry1 mas também dos sinais os coeficientes de correlação simples entre y e x 2 é ridículo com dois e da correlação simples entre x1 e x2 r1 de 1 e 2 hoje e usarei os mesmos dados do exemplo 9.1 para ensinar a correlação parcial e o respectivo o coeficiente de determinação parcial entre
renda y e anos de estudo x1 primeiro a adotar o procedimento interativo em três etapas posteriormente e o adotarei a equação direta para obter os mesmos resultados no próximo não procedimento iterativo a primeira etapa é isolar o comportamento da renda y que está associado à idade x 2 eu faço isso salvando os resíduos do ajuste de y em função de x 2 na segunda etapa é o isola o comportamento da escolaridade e x1 que está associado à idade x 2 eu faço isso salvando os resíduos do ajuste de x 1 em relação a x 2
e finalmente eu relaciono os resíduos do primeiro ótimos conselhos do segundo a justiça e para estimar a correlação parcial entre renda e escolaridade ea estimativa é igual a zero vírgula 913 cima levar esse valor ao quadrado eu tirei a estimativa do coeficiente de determinação parcial que é igual a 0,833 em outras palavras a variável escolaridade histórica aproximadamente oitenta e três por cento do comportamento da renda que não está associado à idade e eu posso obter o mesmo resultado para com relação parcial entre y e x 1 aplicando a equação direta o primeiro passo é calcular
a correlação simples entre os pares das variáveis e cocô x1 e x2 e x1 com esses dois em seguida e utilizar essas correlações simples na equação para estimar a correlação parcial entre y e x 1 o valor a estimativa aqui nós obtemos é 0,900 e 13 e isso significa que há uma correlação positiva e forte entre escolaridade e a parcela da renda que não está associada à idade agora eu utilizarei o r para estimar os coeficientes de correlação parcial e determinação parcial entre y e x 1 e y e x 2 primeiro passo é calcular
a as correlações simples entre os pares de variáveis segundo passo eu aplico as equações diretas para estimar as as mães parciais entre y e x um y e x 2 eu posso também é calcular o coeficiente de determinação parcial elevando ao quadrado os respectivos coeficientes de correlação parcial