Regressão http://www.youtube.com/watch?v=78KbbWhRlAY.

Apresentação em tema: "Regressão http://www.youtube.com/watch?v=78KbbWhRlAY."— Transcrição da apresentação:

1 Regressão

2 Regressão no SPSS

3 Regressão no STATA

4 História da Regressão

5 Understanding Regression Analysis

6 Questões Para que serve o modelo de regressão de mínimos quadrados ordinários (MQO)? Como os cientistas sociais podem utilizar essa ferramenta? Como evitar aplicações inadequadas dessa técnica?

7 Por que aprender MQO? 1. Método mais usualmente empregado (30,8% - APSR, AJPS e JOP) 2. Mais fácil de rodar e interpretar 3. Ampla aplicação em CS 4. Avaliação de políticas públicas 5. Por causa de Magrão!!!

8 Cursos de Verão MQ – UFMG EMAS – Salamanca ICPSR, Michigan, EUA
Essex Summer School in Social Sciences, Londres IPSA Summer School, São Paulo

9 Entendendo o modelo de MQO
Estimar o grau de associação entre Y (VD) e uma série de VIs (Xis) É possível utilizar os valores das VIs para entender/explicar/predizer os valores da VD

10 O modelo de MQO Y = α + β1X1 + ε

11 E os Resíduos? Modelo (representação formal) x realidade
Quanto menos resíduo, melhor o ajuste do modelo

12 E os Resíduos? A forma funcional de MQO minimiza os erros de estimação entre os valores observados e estimados

13 Pressupostos do MQO BLUE – Best Linear Unbiased EstimatOR
Melhor Estimador Linear Não-Viesado Best (melhor) Linear (relação entre as variáveis) Unbiased (nem SOBRE, nem SUB)

14 Pressupostos do MQO 1. Lineariedade
2. Ausência de erro sistemático de mensuração 3. Homocedasticidade 4. Ausência de autocorrelação 5. Ausência de multicolinariedade 6. Adequada proporção entre casos e variáveis

15 1. Lineariedade A relação entre as VIS e a VD pode ser representada por uma função linear Quanto mais a relação entre as variáveis se distânciar de uma função linear, menos aplicável é o modelo de MQO

16 1. Lineariedade

17 2. Ausência de erros sistemáticos de mensuração
Variáveis mal medidas, prduzirão estimativas inconsistentes Erro sistemático x erro aleátorio

18 3. Homocedasticidade Variância uniforme dos resíduos
Variância aleatória dos resíduos NÃO pode haver padrão

19 3. Homocedasticidade

20 4. Ausência de autocorrelação
A ocorrência de uma observação NÃO pode influenciar a ocorrência de outra observação Indepêndencia das observações

21 5. Ausência de multicolinariedade
Multicolinariedade?? Multioq? Altos níveis de correlação entre as Vis (r>0,9) Como detectar? Estimar correlação entre as VIS Criar um índice (análise fatorial) Aumentar o número de casos

22 5. Ausência de multicolinariedade

23 6. Adequada proporção entre casos e variáveis
Casos > variáveis Maximizar a quantidade de casos Para cada VI, pelo menos 5 casos Para cada VI, pelo menos 15 casos Para cada VI, pelo menos 50 casos

24 Planejamento de uma Regressão
1. Definir a VD (discreta ou contínua); Definir as VIS; Especificar a relação esperada entre as variáveis (teoria); 2. Maximizar o número de observações 3. Verificar em que medida os dados satisfazem os pressupostos 4. Estimar o modelo 5. Interpretar os resultados

25 Atividade 1 A partir da bibliografia sugerida no curso, responda as seguintes questões: O que é e para que serve a análise de regressão? O que você entende por multicolinariedade? Defina o conceito de coeficiente de determinação. O que você entende por variável dummy? Defina o conceito de outlier? Quais são os problemas associados a presença de outliers em análises multivariadas? O que é o coeficiente de regressão? O que você entende por significância estatística?

26 Atividade 2 Resumo (min 3, max 5) Três dúvidas

27 MQO no SPSS Analyze  Regression  Linear

28 Exemplo 1 Gastos e Votos

29 Exemplo 2