Ajuste de regressão 13 de abril de 2015

Apresentação em tema: "Ajuste de regressão 13 de abril de 2015"— Transcrição da apresentação:

1 Ajuste de regressão 13 de abril de 2015
Econometria II Ajuste de regressão 13 de abril de 2015

2 Ajuste da Regressão “Variação:” No contexto do “modelo” , significa a variação de uma variável como resultado do movimento de outra variável. Medida de ajuste: R2

3 Ajuste da Regressão A quantidade R2 é conhecida como coeficiente de determinação (da amostra). A medida utilizada do grau de ajuste de uma reta de regressão. Traduzindo, R2 mede a proporção ou a porcentagem da variação total do lado esquerdo da equação explicada pelo modelo de regressão.

4 Medida de ajuste R2 = R2 é limitado a zero e um sss:
(a) Existe um termo constante em X e (b) O método utilizado é o MQO.

5 Adicionando variáveis
R2 nunca é reduzido quando uma variável z é adicionada na regressão:

6 Adicionando variáveis ao modelo

7 Adicionando variáveis ao modelo

8 R2 ajustado = 1 - [(n-1)/(n-K)](1 - R2)
Inclui uma penalidade para variáveis que não acrescentam muito ao ajuste do modelo. Pode cair quando uma variável é incluída no modelo.

9 Critérios de informação
Refletem também a qualidade de ajustamento do modelo. Calculados com base na SQR (soma do quadrado dos resíduos). Critério de Informação de Akaike: é uma estatística frequentemente utilizada para a escolha da especificação ótima de uma equação de regressão no caso de alternativas não aninhadas. Dois modelos são ditos não aninhados quando não existem variáveis independentes comuns aos dois. Quando se quer decidir entre dois modelos não aninhados, o melhor é o que produz o menor valor do critério de Akaike

10 Critérios de informação
AIC = log (SQR/n) + 2k/n AIC = log(ee/n) + 2K/n

11 Critérios de informação
Critério de Schwarz é uma estatística semelhante ao critério de Akaike com a característica de impor uma penalidade maior pela inclusão de coeficientes adicionais a serem estimados. SC = log (SQR/n) + (k log n)/n SC = log (ee/n) + (k log n)/n

12 Princípio da Parcimônia
Que as descrições sejam mantidas tão simples até que se mostrem inadequadas. Variáveis não devem ser incluídas no modelo sem necessidade.