Resumen de regressión

[pic 1][pic 2]

Regressão

1. O que é e para que serve a análise de regressão?

               R - O modelo de regressão e bastante usado pelos pesquisadores de ciência política. Serve para analisar a relação entre variáveis independentes (VI) e a variável dependente (VD).

1. O que você entende por multicolinariedade?

  R - A multicolinearidade, de forma resumida, seria a correlação entre as várias variáveis independentes.

1. Defina o conceito de coeficiente de determinação.

  R - O coeficiente de determinação, também conhecido por R², é uma medida de aderência dos dados em torno da reta de regressão. Também é usualmente interpretada como a proporção da variância na variável dependente explicada pela variação das variáveis independentes, ou seja, a qualidade do ajuste do modelo aos dados

1. O que você entende por variável dummy?

R - A variável dummy é uma variável categórica dicotômica que pode assumir valores 0 ou 1 fixados a partir da média de uma variável X.

1. Defina o conceito de outlier? Quais são os problemas associados a presença de outliers em análises multivariadas?

 R - Outliers são os pontos que estão bem diferentes do restante da distribuição, são valores que apresentam o comportamento estranho e diferente do resto do grupo. Seu maior problema seria que: ele pode enviesar estimativas.

1. O que é o coeficiente de regressão?

 R - O coeficiente de regressão, representado por β, é a mudança observada em Y associada ao aumento de uma unidade em X1.

1. O que você entende por significância estatística? 

             R - A significância estatística está relacionada ao nível de confiança quando rejeita-se a hipótese nula quando está na verdade é verdadeira

Resumo

• O que Fazer e o que Não Fazer com a Regressão: pressupostos e aplicações do modelo linear de Mínimos Quadrados Ordinários (MQO)

        O modelo estatístico Mínimos Quadrados Ordinários (MQO) é bastante utilizado na na ciência política ultimamente. Porém, sua utilização não é muito grande no Brasil. Acredita-se que a causa disso pode ser a falta de conhecimento dos cientistas políticos brasileiros em relação à essa técnica do MQO. Como forma de contornar isso, aconselha-se o aumento de cursos sobre o tema por todo o Brasil e examinar criticamente a literatura para identificar quais as demandas mais urgentes. Porém, o que consistiria esse modelo de regressão?

O modelo de regressão linear é um modelo muito bom para análises. Segundo Hair, e outros estudiosos, uma forma de analisar a relação entre uma única variável dependente e múltiplas variáveis independentes é utilizando a análise de regressão linear. Assim, pode-se utilizar variáveis independentes para descobrir variáveis dependentes. Para calcular é utilizado a fórmula:

Y = α + β1X1 + ϵ

De acordo com a fórmula, o Y representa a variável dependente, X1 representa a variável independente, o α é a constante, quando o x assume o valor de zero, o β representa a mudança da variável dependente com o aumento da variável independente e o ϵ representa o erro do modelo para explicar a variável dependente com a variável independente. Esse último seria a diferença entre os valores observados e os valores preditos da variável dependente, sendo também conhecida como resíduos do modelo. Esse resíduo é fundamental porque ele avalia a capacidade que um cientista tem para criar um modelo bom e até onde aquele modelo representa a realidade. Isso é avaliado de acordo com a quantidade de resíduos, quanto menor os resíduos melhor o modelo explica/prediz a realidade.

Para minimizar a quantidade de resíduos em um modelo, é utilizado a forma funcional dos mínimos quadrados. Para as estimações entre a variável dependente e a variável independente serem eficientes, alguns pressuposto precisam ser respeitados.

O primeiro pressuposto do modelo de mínimos quadrados ordinários é: a linearidade dos parâmetros devem ser respeitadas. A relação entre a variável dependente e as variáveis independentes podem ser representadas por uma função linear. Quanto mais essa relação se distanciar, menor a aplicabilidade da forma funcional dos quadrados mínimos. A violação desse pressuposto impede que o MQO produza o melhor estimador não-viesado.

O segundo pressuposto afirma que é necessário que a mensuração das variáveis precisam estar totalmente corretas. Erros na mensuração leva a baixa validade e confiabilidade e medidas inconsistentes. O terceiro pressuposto refere-se ao ϵ. Ele afirma que a importância do valor médio do termo de erro ser igual a zero significa que os fatores não incluídos no modelo não afetam sistematicamente o valor médio de Y. Caso esse pressuposto seja violado, pode haver um comprometimento da consistência da estimativa do intercepto.

...