e aí o olá meu nome é alexandre gori maia e essa aula de inferência para regressão linear múltipla é o capítulo 8 do livro econometria conceitos e aplicações nova de hoje veremos como realizar inferências para os coeficientes do modelo de regressão múltipla ou seja o que podemos concluir sobre as relações as variáveis na população a partir das estimativas da mostra que foram obtidas por mínimos quadrados ordinários e eu preciso definir três condições antes de realizar de realizar inferências para os coeficientes do modelo de regressão múltipla é o vetor beta dessa representação matricial primeiro eu preciso
definir os estimadores dos coeficientes que no nosso caso serão os estimadores de mqo segundo eu preciso saber qual é a distribuição de probabilidade dos estimadores no caso dos estimadores de etiópia a distribuição será uma normal desde que os erros também estejam novamente distribuídos terceiro eu preciso conhecer a variância dos estimadores caso algumas condições sejam satisfeitas nós iremos essas condições ao longo das próximas aulas eu consigo demonstrar que primeiro a variância dos coeficientes da população será dada por x linha x inversa vezes sigma quadrado cima quadrado é a o erro sou da regressão e segundo o
respectivo estimador dessa vale ânsia utilizando os dados da amostra será dado por o que nós chamamos de ps2 que é calculado da seguinte maneira x linha x a inversa dessa desse produto vezes sigma chapéu ao quadrado o sigma chapéu ao quadrado é o estimador da variância da regressão ou dos vidros nada mais é do que o quadrado médio do esquecidos e nós já vimos na aula anterior como estimado o d-fine dos estimadores para os coeficientes e suas respectivas variâncias eu posso agora realizar inferências para os coeficientes do modelo de regressão linear múltipla suponha que eu
queira saber se existe ou não relação isolada entre a j-ésima variável independente x j e a variável dependente y em outras palavras que eu quero testar a hipótese nula de que não há relação isolada entre as variáveis ou seja o coeficiente beta j associado a variável independente x j seria igual a zero na população por sua vez rejeitar h0 significaria afirmar que a relação isolada entre xj y ou seja o coeficiente beta j seria diferente de zero na população eu não precisaria o estimador de michael para aberta o beta chapéu para testar essas hipóteses para
isso eu preciso conhecer a distribuição de probabilidade do beta chapéu será uma distribuição normal caso seus também estejam normalmente distribuídos e para calcular a probabilidade de erro ao rejeitar h0 eu preciso conhecer a variância do estimador beta chapéu nós iremos ensinar essa variância utilizando o estimador s2 do beta chapéu que nós aprendemos a calcular no slide anterior é o próximo passo é utilizar em estatística ter estilo que mede quantos erros padrões amostrais a estimativa de beta está afastada de seu valor esperado caso h0 seja válido o valor esperado de beto é igual a zero a
estatística ter terá uma distribuição ter steven com os mesmos graus de liberdade dos resíduos ou seja ele menos entre parentes cá mais um e o cálculo então a probabilidade de erro ao rejeitar h0 ou seja se o afirmar que a relação isolada entre a variável x j e y e resumindo o tst para o perficient beta j aí pode ser a ser testada h0 é que não há relação isolada entre as variáveis x j e y ou seja beta j = 0 em cima dor de me aqui ó beto chapéu será utilizado para testar a
hipótese nula primeiro eu estimo o valor de beta chapéu e de sua variância s2 roberto chapéu com os dados da amostra para eu calcular a probabilidade de ao rejeitar h0 e utiliza a estatística te que mede quantos erros padrões amostrais a estimativa de beta está afastada de seu valor esperado 0 caso h0 seja variam os graus de liberdade associados a essa estatísticas serão os mesmos dos resíduos n - entre parentes está mais um e eu então cálculo a probabilidade de erro ao rejeitar h0 ou seja a chance de erro eu estarei sujeito caso afirme que
a relação isolada entre as variáveis que j&y na população a ilustrar ea resolução do exemplo 8.1 do livro em seguida veremos como resolver utilizando r monte a temos as estimativas de metrô para os coeficientes do modelo o próximo passo é esse mais suas respectivas alianças para então poder resolver os sd hipóteses última dor da variância do vetor beta chapéu será dada por x linha x a inversa dessa desse produto vezes sigma 2 chapéu que é o quadrado médio dos resíduos objeto a chapéu contém três linhas o estimador em cada linha o estimador de sua variância
será uma matriz quadrada com 3 linhas e 3 colunas a diagonal principal dessa matriz contém as variâncias dos estimadores que é o que nos interessa neste momento ou seja a estimativa da variância do alfa chapéu em ter certo está na primeira linha primeira coluna e é 1,79 a estimativa da variância do betão chapéu está na segunda linha segunda coluna e = 0,2 e aí se mate a peça do bertadores chapéu está na terceira linha e terceira coluna e é 0,008 quatro a parte superior ea inferior da matriz contém as estimativas das covariâncias entre esses estimadores
que não serão utilizados nesse momento uma vez estimadas as variantes e eu resolvo assim as hipóteses para os coeficientes por exemplo eu posso testar a hipótese nula de que beta 1 = 0 ou seja e que não há relação isolada na população entre escolaridade da pessoa responsável e renda familiar nesse nativa de betao é igual a um eu preciso calcular o valor p associado a esse estimativa para isso ele utiliza a estatística ter que mede quantos erros padrões amostrais essa estimativa está afastada do valor esperado que é 0 caso oh0 seja verdadeiro o valor de
t = 2,24 e a probabilidade enterro associado a o mate bem uma distribuição de com um grau de liberdade é igual a 26,8 por cento lembrando que os graus de liberdade dos resíduos são dados pelo tamanho da mostra que é quatro nosso caso menos o número de parâmetros do modelo que é três nosso caso o valor temos indica que nós estaremos sujeito a uma chance de erro de aproximadamente 27 por cento caso afirmemos que a relação isolada entre os anos de escolaridade ea renda familiar é uma flor probabilidade de erro muito elevada para poder fazer
qualquer afirmação da existência de relação entre essas variáveis o utilizando o mesmo raciocínio eu posso testar a hipótese de que o coeficiente beta 2 = 0 ou seja e que não há relação entre idade e ainda familiar na população nesse caso nossa probabilidade de erro ao rejeitar h0 será igual a 63 por cento ou seja estarei sujeito a uma chance de erro equivalente a 63 por cento caso eu afirme que a relação isolada entre idade e renda na população é uma chance de erro também muito elevada agora utilizarei o f para resolver o mesmo exemplo
8.1 do livro nós já vimos como utilizar a álgebra matricial no r para calcular os estimadores de michael e realizar a análise de variância incluindo o psf que testa a hipótese nula da ausência de contribuição do modelo para explicar a variabilidade da reta a executarem novamente os comandos para nós é para essas operações e em seguida arrasamos estimar a variância dos estimadores do vetor da chapéu eu multiplico a matriz quadrada x linha x a menos um pelo quadrado médio dos resíduos é a função de ópio utilizada no quadrado na ilha dos resíduos é apenas para
garantir que o r interpretará é esse resultado como instalar e não como uma matriz no por um caso contrário eu teria um erro na minha operação e a matriz resultante é uma matriz quadrada onde eu tenho na diagonal principal as estimativas das variâncias dos estimadores alpha chapéu é tão chapéu e datadores papel e em seguida eu calcular ei os as estatísticas te para cada um dos coeficientes e por exemplo a estatística t para o coeficiente beta um será dada pela estimativa do do metal e que a segunda linha do vetor da coluna dividido pela pela
estimativa do seu erro padrão será a segunda linha ea segunda coluna da matriz de variância-covariância s2 do beta chapéu usar esse melhores estatísticas ser o próximo passo é calcular os valores p associados aos testes para os coeficientes betas a função pt ela calcula a probabilidade de erro no extremo inferior da distribuição te entre os graus de liberdade são definidos por n - cá mais um o seguinte pliku o valor absoluto da estatística t por menos um para para garantir que o padrão de ficar estou utilizando essa função se encontra no lado esquerdo da distribuição finalmente
e multiplique o resultado por 2 pois a função retorna apenas a probabilidade e à esquerda da distribuição t e o meu pse bicaudal ou seja eu devo considerar os dois extremos da distribuição os resultados que nós obtivemos estão aqui a o valor que associado ao teste para o betão 0,27 e o valor que tem associado ao teste para o beta 2 e 0,63 moral da história é que eu não posso afirmar que nenhuma das variáveis possui relação ao isolada com a renda familiar e o livro vocês encontrarão desdobramentos da referência para os coeficientes e são
úteis em duas situações principais primeiro quando eu quero realizar testes de hipóteses para combinações lineares dos parâmetros por exemplo para testar a hipótese de que os parâmetros betão libertadores são iguais seria a hipótese nula o ciúme para não trabalhar do que o outro seria a hipótese alternativo esse pé seria útil por exemplo se eu desejo provar que o retorno marginal na produção de um insumo x1 é maior que o retorno vai final de uma outro insumo x 2 uma outra aplicação da combinação linear dos parâmetros seria definir intervalos de confiança para a esperança condicional de
y em outras palavras se meu objetivo é prever valores de y a partir das estimativas dos betas na mostra e para estabelecer os intervalos de confiança dessa vez estimativas eu também preciso conhecer as propriedades das combinações lineares dos parâmetros pô eu convido os interessados a lerem os tópicos 8.3 e outro ponto 4 do livro que não serão abordados nesse vídeo por hoje é só até o próximo vídeo