Analise de Regressdéo com Dados | de Corte Transversal parte 1 do texto aborda a anélise de regressdo com dados de corte transversal. Ela se apéia na Algebra estudada nos cursos superiores e em conceitos bésicos de probabilidade e estatistica Os Apéndices A, B ¢ C contém revisées completas sobre esses t6picos. © Capitulo 2 tem inicio com 0 modelo de regressdo linear simples, no qual explicamos uma varidvel em termos de outra, Embora a regressao simples nao seja amplamente usada em econometria aplica- da, ela € utilizada ocasionalmente ¢ serve como um ponto de partida natural, pois sua algebra e suas interpretagGes sao relativamente simples. Os capitulos 3 ¢ 4 cobrem os fundamentos da andlise de regressiio multipla, em que permitimos que mais varidveis afetem a varidvel que estamos tentando explicar. A regresso multipla € ainda método mais geralmente usado na pesquisa empirica, de modo que esses capitulos merecem atengao cuidadosa. O capitulo 3 enfatiza a algebra do método de mfnimos quadrados ordindrios (MQO), esta- belecendo ainda as condigdes necessérias para que os estimadores MQO sejam nao-viesados ¢ também ‘os melhores estimadores lineares ndo-viesados. O Capitulo 4 trata do importante t6pico da inferéncia estatistica. © Capitulo 5 discute as propriedades referentes as amostras grandes, ou assintéticas, dos esti- madores MQO. Essa discussdo oferece a justificativa para os procedimentos de inferéncia do Capftulo 4 quando 0s erros em um modelo de regressio nao sio normalmente distribuidos. O capitulo 6 cobre alguns t6picos adicionais da andlise de regressao, incluindo questdes avangadas sobre forma funcional, transformagao dos dados, previsdo e grau de ajuste da estimago. O Capitulo 7 explica como a infor- magio qualitativa pode ser incorporada em modelos de regressdo miltipla. Capitulo 8 ilustra como testar e corrigir o problema da heteroscedasticidade, ou variancia ndo- constante, no termo erro. Mostramos como as estatisticas MQO usuais podem ser ajustadas ¢ também apresentamos uma extensdo do método MQO, conhecida como método dos m/nimos quadrados pon- derados, que explica diretamente as diferentes variancias dos erros. O Capitulo 9 explora o importante problema da correlago entre o termo erro e uma ou mais das varidveis explicativas. Demonstramos como a utilizagio de uma varidvel proxy pode resolver 0 problema de varidveis omitidas. Adicionalmente, determinamos o viés ¢ a inconsisténcia dos estimadores MQO na presenga de certos tipos de erros de medida nas variéveis. Diversos problemas de tratamento dos dados so também dis- cutidos, incluindo o problema dos outliers.O Modelo de Regressao Simples modelo de regressio simples pode ser usado para estudar a relagdo entre duas varidveis. Por razdes que veremos adiante, 0 modelo de regressio simples tem limitagdes enquanto ferramenta geral para a andlise empirica. No entanto, as vezes ele ¢ apropriado como ferramenta empirica. Aprender como interpretar 0 modelo de regressdo simples é uma boa pritica para estudar a regressio miéltipla, © que faremos nos capitulos subseqiientes. 2.1 DEFINIGAO DO MODELO DE REGRESSAO SIMPLES Grande parte da andlise econométrica comega com a seguinte premissa: y e x so duas varidveis, repre sentando alguma populagao, e estamos interessados em “explicar y em termos de x”, ou em “estudar como y varia com variagdes em x”. Discutimos alguns exemplos no Capitulo 1, incluindo: y é a produ- do de soja, ex, a quantidade de fertilizantes; y € 0 saldrio-hora, e x, anos de educagao; e y é uma taxa de criminalidade em uma comunidade, e x, 0 mimero de policiai Ao escrever um modelo que “explicara y em termos de x”, defrontamo-nos com tés questdes. Primeira, como nunca ha uma relacdo exata entre duas varidveis, como consideramos outros fatores que afetam y? Segunda, qual é a relagdo funcional entre y e x? E terceira, como podemos estar certos de que estamos capturando uma relacdo ceteris paribus entre y e x (se esse for um objetivo desejado)? Podemos resolver essas ambigiiidades escrevendo uma equagao que relaciona y a x. Uma equagio simples € Y=Bot+Bxtu. (2.1) A equacdo (2.1), que supostamente é valida para a populacao de interesse, define o modelo de regres- sao linear simples. Ela também é chamada modelo de regressdo linear de duas varidveis ou modelo de regressao linear bivariada, pois relaciona as duas variaveis x e y. Vamos discutir, agora, o signifi- cado de cada uma das quantidades em (2.1). (A propésito, o termo “regressio” tem origens que nao sdo especialmente importantes para muitas das aplicagdes econométricas modernas, de modo que nao © explicaremos aqui. Veja Stigler (1986) para uma histsria interessante da andlise de regressio.) Quando relacionadas por (2.1), as varidveis y ex tém varios nomes diferentes, os quais sao inter- cambiaveis, como explicado em seguida. y € chamada a varidvel dependente, a varidvel explicada, a varidvel de resposta, a varidvel prevista, ou o regressando. x é chamada a varidvel independen- te, a varidvel explicativa, a varidvel de controle, a varidvel previsora, ou o regressor. (O termo 20Wooldridge Capitulo 2 0 Modelo de Regressao Simples 21 covaridvel também € usado para x.) Os termos “varidvel dependente” ¢ “varidvel independente” sio usados com freqliéncia em econometria. Mas esteja consciente de que o nome “independente” nao se refere aqui & nogao estatistica de independéncia entre varidveis aleat6rias (veja Apéndice B, disponi- vel na pagina do livro, no site www.thomsonlearning.com.br). Os termos varidveis “explicada” e “explicativa” so, provavelmente, os mais descritivos. “Resposta” e “controle” so muito usados nas ciéncias experimentais, em que a varidvel x est sob 0 controle do pesquisador. Nao usaremos os termos “varidvel prevista” e “previsora”, embora algumas veres vocé 0s Veja no texto, Nossa terminologia para a regressao simples esté resumida na Tabela 2.1. Tabela 2.1 ‘Terminologia para a Regressio Simples y x Varidvel Dependente Varidvel Independente Varidvel Explicada Varidvel Explicativa Varidvel de Resposta ‘Variével de Controle Varidvel Prevista Varidvel Previsora Regressando Regressor A varidvel u, chamada de termo erro ou perturbagio da relagio, representa outros fatores, além de x, que afetam y. Uma andlise de regressao simples trata, efetivamente, todos os fatores, além de x, que afetam y como nio-observados. Vocé pode pensar em u, convenientemente, como representando o “ndo-observado” ‘A equacio (2.1) também trata da questo da relagao funcional entre y ¢ x. Se os outros fatores em u so mantidos fixos, de modo que a variagdo em u é zero, Au = 0, entio x tem um efeito linear sobre y Ay = ByAx se Au (2.2) Assim, a variagdo em y é, simplesmente, 8, multiplicado pela variagdo em a .s0 significa que B; € 0 parametro de inclinagiio da relacdo entre y e x, mantendo fixos os outros fatores em ule é de inte- resse fundamental em economia aplicada. O parémetro de embora ele raramente seja central para uma anilise. tercepto By também tem seus usos, EXEMPLO 2.1 {Producdo de Soja e Fertilizantes) Suponha que a producao de soja seja determinada pelo modelo produgdo = By + B, fertilizante + u, (2.3)22 Introdugao @ Econometria — Editora Thomson ‘EXEMPLO 2.1 (continuacdo) de modo que y = producao e x = fertilizantes. O pesquisador agricola esta interessado no efeito dos ferti- lizantes sobre a producao, mantendo outros fatores fixos. Esse efeito é dado por 8, O termo erro u contém fatores como qualidade da terra, chuva etc. O coeficiente , mede o efeito dos fertilizantes sobre a producao, Mantendo outros fatores fixos: Aproducéo = B ,Afertilizante. MPLO 2.2 (Uma Equa¢do Simples do Salario) Um modelo que relaciona o salario de uma pessoa a educacao observada e outros fatores nao-observados é saldrioh = Bo + Byeduc + u. (2.4) Se salarioh & medido em délares por hora e educ corresponde a anos de educacio formal, 8, mede a varia- 0 no salaio-hora dado um ano a mais de educacéo, mantendo todos os outros fatores fixos. Alguns des- ses fatores incluem experiéncia da forca de trabalho, aptido inata, permanéncia com o empregador atual, ética no trabalho e inumerdveis outras coisas. A linearidade de (2.1) implica que uma variagdo de uma unidade em x tem o mesmo efeito sobre y, independentemente do valor inicial de x. Isso € irrealista para muitas aplicagdes econémicas. Por exemplo, no saldrio-educagao, poderiamos querer considerar retoros crescentes: 0 préximo ano de educagao teria, em relagio ao anterior, um efeito maior sobre os salérios. Veremos como considerar tais possibilidades na Se¢ao 2.4. A questo mais dificil € saber se 0 modelo (2.1) realmente nos permite tirar conclusées ceteris paribus sobre como x afeta y. Acabamos de ver, na equaco (2.2), que 8, mede, de fato, o efeito de x sobre y, mantendo todos os outros fatores (em u) fixos. Encerra-se com isso a questo da causalidade? Infelizmente, néo. Como podemos esperar aprender algo, em geral, sobre o efeito ceteris paribus de x sobre y, mantendo outros fatores fixos, quando estamos ignorando todos aqueles outros fatores? A Segio 2.5 mostraré que somos capazes de obter estimadores confidveis de By e B, de uma amos- tra aleat6ria de dados somente quando fazemos uma hipétese que restrinja a maneira de como 0 termo ngo-observavel u esté relacionado & varidvel explicativa x. Sem tal restrigdo, néo seremos capazes de estimar 0 efeito ceteris paribus, B,. Como u € x so varidveis aleatérias, precisamos de um conceito baseado em probabilidade, Antes de expormos a hipotese crucial de como x e u sf relacionados, podemos sempre fazer uma hipétese sobre uw. Se o intercepto By esta incluido na equacdo, nada se perde ao assumir que 0 valor médio de u na populagio € zero. Matematicamente, EW) = 0. (2.5)Wooldridge Capitulo 2 0 Modelo de Regressdo Simples 23 A hipétese (2.5) ndo diz nada sobre a relago entre w e x; ela simplesmente faz uma afirmagdo sobre a distribuigao dos fatores no-observaveis na populacto. Usando os exemplos anteriores como ilustra- ¢40, podemos ver que a hipétese (2.5) no é muito restritiva. No Exemplo 2.1, ndo perdemos nada ao normalizar os fatores ndo-observaveis que afetam a produgdo de soja, tal como a qualidade da terra, para ter uma média zero na populagdo de todos os lotes cultivados. O mesmo é verdadeiro para os fato- res ndo-observaveis do Exemplo 2.2. Sem perda de generalidade, podemos assumir que coisas como a média da aptiddo sio zero na populago de todas as pessoas que trabalham. Se vocé nao est conven- cido, pode trabalhar com o Problema 2.2 para ver que podemos sempre redefinir o intercepto na equa- gdo (2.1) para tornar (2.5) verdadeiro. Agora, vamos voltar a hipétese crucial concemente 4 u ¢ x como sao relacionados. Uma medida natural de associagdo entre duas varidveis aleatérias € o coeficiente de correlagdo. (Veja Apéndice B, disponivel no site da Thomson, para definigao e propriedades.) Se u e x so ndo-correlacionados, logo, enquanto varidveis aleatérias, ndo sao linearmente relacionados. Assumir que ue x so nio-relaciona- dos requer um caminho longo para definir o sentido em que w e x deveriam ser nao-correlacionados na equaco (2.1). Mas isso ndo vai longe o suficiente, pois a correlagio mede somente a dependénci linear entre u ex. A correlagdo tem uma caracteristica algo contra-intuitiva: € possivel que u seja ndo- correlacionado com x e seja correlacionado com fungées de x, tal como x*. (Veja Seco B.4 para uma discussio adicional.) Essa possibilidade nao ¢ aceitavel para muitos propésitos da regressao, visto que causa problemas para interpretar 0 modelo e para derivar propriedades estatisticas. Uma hipétese melhor envolve o valor esperado de u, dado x. Como w ¢ x sio varidveis aleat6rias, podemos definir a distribuigdo condicional de u, dado qual- quer valor de x. Em particular, para qualquer x, podemos obter o valor esperado (ou médio) de u para aquela fatia da populagao descrita pelo valor de x. A hip6tese crucial & que o valor médio de u ndo depende do valor de x. Podemos escrever isso como E(ulx) = E(u) = 0, (2.6) em que a segunda igualdade resulta de (2.5). A primeira igualdade na equagdo (2.6) é a hipstese nova. Ela diz que, para qualquer valor de x, a média dos fatores nao-observaveis é a mesma e, portanto, deve igualar-se ao valor médio de w na populagdo. Quando combinamos a primeira igualdade da equacdo (2.6) com a hipstese (2.5), obtemos a hipétese de média condicional zero. ‘Vamos ver 0 que (2.6) acarreta ao exemplo do salirio. Para simplificar a discussio, assuma que u seja 0 mesmo que aptidao inata. Entao, (2.6) requer que o nivel médio de aptidao seja o mesmo, independentemente dos anos de educagdo formal. Por exemplo, se E(aptiddol8) representa a aptidao média para o grupo de todas as pessoas com oito anos de educagdo formal, e E(aptiddo|16) repre- senta a aptidao média entre pessoas na populagdo com 16 anos de educacdo formal, portanto (2.6) implica que essas médias devem ser as mesmas. De fato, o nivel de aptidio média deve ser 0 mesmo para todos os niveis de educagao. Se, por exemplo, entendemos que a aptiddo média aumenta com os anos de educacao formal, entZo (2.6) é falsa. (Isso aconteceria se, em média, pessoas com maior aptidao escolhessem tornar-se mais educadas.) Como nao podemos observar aptidao inata, nao temos um modo de saber se a aptiddo média é ou no a mesma para todos os niveis de educaco. Essa é uma questo que devemos resolver antes de aplicar a andlise de regressio simples. No exemplo dos fertilizantes, se as quantidades de fertilizantes so escolhidas independentemente de outras caracteristicas dos lotes, entdo (2.6) se sustentara: a qualidade média da terra nao dependera da quantidade de fertilizantes. Entretanto, se mais fertilizantes forem usados em lotes de terra de melhor qualidade, entao o valor esperado de u varia com o nivel de fertilizantes, e (2.6) nao se sustenta24 Introdugéo a Econometria — Editora Thomson ‘Suponha que a nota de um exame final (nota) dependa da freqiiéncia as aulas (freq) e de fatores nao-obser- vados que afetam o desempenho dos estudantes (tal como a aptidao). Entao: nota = By + By freq + u. (2.7) Em que situagdo vocé esperaria que esse modelo satisfaga (2.6)? A hipétese (2.6) dé a B, outra interpretagdo que , freqiientemente, ttil. Considerando o valor esperado de (2.1) condicionado ax e usando E(u|x) = 0, obtém-se EQ) = Bo + Bix. (2.8) (A equagiio (2.8) mostra que a fungiio de regressio populacional (FRP), E(y|x), € uma funcio linear de x. A linearidade significa que o aumento de uma unidade em x faz com que 0 valor esperado de y varie segundo a magnitude de 8} Para qualquer valor dado de x, a distribuigao de y est centrada ao redor de E(y|x), como ilustrado na Figura 2.1. Figura 2.1 Biyix) como fungSo linear de x. y i EQix) = Bu + Bix x X cnWooldridge Capitulo 20 Modelo de Regressio Simples 25 Quando (2.6) € verdadeira, € titil dividir y em dois componentes. A parte By + Bx € algumas vezes chamada a parte sistematica de y — isto é, a parte de y explicada por x —, e u é chamado a parte ndo- sistemdtica, ou a parte de y nao explicada por x. Usaremos a hipétese (2.6) na pr6xima segao para encon- trar as estimativas de By ¢ By. Essa hipétese também € crucial para a andlise estatistica na Segao 2.5 2.2 DERIVACAO DAS ESTIMATIVAS DE MINIMOS QUADRADOS ORDINARIOS Agora que discutimos os ingredientes basicos do modelo de regressdo simples, trataremos da impor- tante questo de como estimar os parametros By ¢ B da equacao (2.1). Para tanto, necessitamos de uma amostra da populagao. Vamos considerar (x, y,): i=, ..., 2} como uma amostra aleatéria de tamanho nda populagao. Visto que esses dados vém de (2.1), podemos escrever Bo + Bry + Hin {2.9} para cada i. Aqui, u, € termo erro para a observagio i, uma vez que ele contém todos os fatores, além de x,, que afetam y;. Como um exemplo, x; poderia ser a renda anual e y,, a poupanga anual para a familia i durante um determinado ano, Se coletarmos dados de 15 familias, entio n = 15. Um grafico de tal conjunto de dados é dado pela Figura 2.2, juntamente com a fungao de regressio populacional (necessariamente ficticia), “Devemos decidir como usar esses dados, a fim de obter estimativas do intercepto e da inclinagao na regressao populacional da poupanga sobre a renda, HA muitas maneiras de colocar em prética o seguinte procedimento de estimagao. Usaremos (2.5) uma importante implicacao da hipstese (2.6): na populagao, « tem média zero e € nao-correlaciona- do com x. Portanto, vemos que u tem valor esperado zero e que a covaridncia entre xe u zero: Ew) =0 (2.10) Cov(x,u) = E(xu) = (2.11) onde a primeira igualdade em (2.11) resulta de (2.10). (Veja Sega B.4 do Apéndice B, disponivel no site da Thomson, para defini¢ao e propriedades da covaridncia.) Em termos das varidveis observaveis xe ye dos parmetros desconhecidos By ¢ B,, as equagdes (2.10) e (2.11) podem ser escritas como EQ — By — Bix) = 0 (2.12) Ex — Bo — Bi)] 242.13)26 — Introdugo & Econometria — Editora Thomson respectivamente. As equagées (2.12) e (2.13) implicam duas restrigdes sobre a distribuigao de proba- bilidade conjunta de (x.y) na populacao. Como ha dois parametros desconhecidos para estimar, pode- rfamos esperar que as equagdes (2.12) e (2.13) pudessem ser usadas para obter bons estimadores de By ¢ B;. De fato, elas podem ser usadas, Dada uma amostra de dados, escolhemos as estimativas 8, ¢ B, para resolver as equivaléncias amostrais de (2.12) € (2.13): ee Grifico da dispersdo de poupanga e renda de 15 familias e a regressio populacional E{pouplrenda) = Bo + Bitenda. poupanga ° . ° . ] e - ee low E(poup/renda) = By + Byrenda . e j renda . 0 (2.14) — By - Bx) = 0. (2.15)Wooldridge Capitulo 2. Modelo de Regressio Simples 27 Esse é um exemplo da abordagem do método dos momentos para a estimagao. (Veja a Seco C.4 do Apéndice C, disponivel no site da Thomson, para uma discussao das diferentes abordagens de estima gio.) Essas equagdes podem ser resolvidas para f, eB, Usando as propriedades bésicas do operador somatério a partir do Apéndice A (disponivel no site da Thomson), a equagdo (2.14) pode ser escrita como Y=Bo + Bix, (2.16) em que ¥ = n~!y, € a média amostral de y,, e igualmente para ¥, Essa equagdo nos permite escrever a B, em termos de B,, ¥ eX: B= ¥-BX (2.17) Portanto, uma vez que temos a estimativa de inclinagao B,, obtém-se diretamente a estimativa de inter- cepto B,, dados Fe ¥. Suprimindo on”! em (2.15) (jé que ele nao afeta a solugdo) ¢ inserindo (2.17) em (2.15), obtemos Daily, ~ a a qual, ap6s rearranjo, pode ser escrita Sx0,-7) BIx-%). i Das propriedades basicas do operador somatério [veja (A.7) e (A.8) disponivel no site da Thomson], dam-H= De, —xy €3x0,-5) a Ye,-Ho,-y. ei Portanto, desde que De, -3P>0, (2.18) a inclinagdo estimada € Se,-90,-) i a (2.19)28 — Introducao 4 Bconometria — Editora Thomson A equagio (2.19) € simplesmente a covariancia amostral entre x ¢ y, dividida pela variancia amostral » de x. (Veja Apéndice C, disponivel no site da Thomson. Dividir tanto o numerador como o denominador porn — I nao altera o resultado.) Isso faz sentido, pois B, € igual a covaridncia populacional dividida pela variéncia de x quando E(u) = 0 e Cov(x,u) = 0. Uma implicagdo imediata é que se x € y sdo posi- tivamente correlacionados na amostra, entdo B, & positivo; se x ¢ y so negativamente correlacionados, entdo B, € negativo. Embora o método para obter (2.17) € (2.19) decorra de (2.6), a tnica hipstese necessdria para se calcular as estimativas para uma amostra particular € (2.18). Mas essa raramente é uma hipétese: (2.18) é verdadeira sempre que os x; na amostra no sd todos iguais a um mesmo valor. Se (2.18) ndo se sus- tentar, entdo fomos infelizes em obter nossa amostra da populacao, ou ndo especificamos um proble- ma interessante (x nao varia na populacdo). Por exemplo, se y = saldrioh e x = educ, ento (2.18) nao se mantém se todos na amostra tém a mesma quantidade de anos de educago formal. (Por exemplo, se todos tém o equivalente ao ensino médio conclufdo. Veja a Figura 2.3.) Se apenas uma pessoa tem uma quantidade diferente de anos de educagio formal, entao (2.18) se sustenta, e as estimativas de MQO podem ser calculadas 2.3 : Gréfico da dispersio de saldrios ¢ educagdo, quando educ, = 12 para todo i salarioh | SS SS ¢ 2 edue [As estimativas dadas em (2.17) ¢ (2.19) so chamadas de estimativas de minimos quadrados ordinérios (MQO) de By ¢ B;. Para justificar esse nome, defina, para qualquer B,¢ B,,um valor esti- mado para y quando x = x, tal como 5, = Bot Bix, (2.20)Wooldridge Capitulo 2. 0 Modelo de Regressao Simples 29 para o intercepto e a inclinago dados. Esse € 0 valor que prevemos para y quando x = x;. Ha um valor estimado para cada observaco na amostra. O residuo para a observacio i € a diferenga entre 0 valor ver- dadeiro de y; e seu valor estimado: (2.21) Novamente, hd n desses residuos. [Eles ndo so iguais aos erros em (2.9), um ponto ao qual retornare- mos na Secao 2.5.] Os valores estimados e os residuos estdo indicados na Figura 2.4. Figura 2.4 Valores estimados residuos. = valor estimado a % x Agora, suponha que escolhemos ,¢ A, coma finalidade de tornar a soma dos residuos qua- drados, Sai=So.- Be- a to pequena quanto possivel. O apéndice deste capitulo mostra que as condigbes nec |) minimizarem (2.22) so dadas exatamente pelas equacdes (2.14) e (2.15), sem n”'. As equagdes (2.14) e (2.15) sdo freqiientemente chamadas de condigdes de primeira ordem para as estimativas de MQO, um termo que vem da otimizagio utilizada em célculo (veja 0 Apéndice A, disponivel no site da Thomson). De nossos célculos anteriores, sabemos que as solugées para as condigdes de primeira30 Introdugao 4 Econometria — Editora Thomson ordem de MQO sio dadas por (2.17) ¢ (2.19). O nome “minimos quadrados ordinérios” vem do fato de que essas estimativas minimizam a soma dos residuos quadrados. Quando vemos 0 método de minimos quadrados ordinarios como um método que minimiza a soma dos resfduos quadrados, é natural perguntar: por que néo minimizar alguma outra fungio dos residuos, como 0 valor absoluto dos residuos? De fato, como discutiremos brevemente na Segao 9.4, minimizar a soma dos valores absolutos dos residuos é, algumas vezes, muito titil. Mas esse procedi- mento também tem suas desvantagens. Primeiro, no podemos obter f6rmulas para os estimadores resultantes; dado um conjunto de dados, as estimativas devem ser obtidas por rotinas de otimizagao numérica, Em conseqtiéncia, a teoria estatistica para estimadores que minimizam a soma dos residuos absolutos muito complicada. Minimizar outras fungdes dos residuos, como a soma de cada residuo elevado & quarta poténcia, tem desvantagens similares. (Nunca deveriamos escolher nossos estima- dores para minimizar, por exemplo, a soma dos préprios res{duos, pois residuos grandes em magnitu- de e com sinais opostos tendem a se cancelar.) Com 0 método MQO, seremos capazes de derivar, de modo relativamente facil, inexisténcia de viés, consisténcia ¢ outras importantes propriedades estatis- ticas. E mais, como as equacées (2.13) ¢ (2.14) sugerem, e como veremos na Segao 2.5, 0 método MQO € adequado para estimar os parimetros que aparecem na fungéio de média condicional (2.8). Uma vez determinados os estimadores de intercepto e inclinacao de MQO, construimos a reta de regressiio de MQO: 5= Bt Ax (2.23) em que By ¢ B, foram obtidos ao usar as equagdes (2.17) e (2.19). A notagao # — leia-se “y chapéu” — enfatiza que os valores previstos da equagdo (2.23) sao estimativas. O intercepto By € 0 valor pre- visto de y quando x = 0, embora, em alguns casos, nao faga sentido considerar x = 0. Nestas situa- goes, By nao é, por si mesmo, muito interessante. Ao usar (2.23) para calcular os valores previstos de y para varios valores de x, devemos considerar o intercepto nos cAlculos. A equagao (2.23) é também chamada fungdo de regressdo amostral (FRA), pois ela ¢ a versio estimada da fungao de regressfio populacional E(y|x) = Bo + Byx. E importante lembrar que a FRP ¢ algo fixo, porém desconhecido, na populacdo. Como a FRA ¢ obtida para uma dada amostra de dados, uma amostra nova gerard uma incli- nacdo e um intercepto diferentes na equagao (2.23). Em muitos casos, a estimativa do coeficiente de inclinagao, que podemos escrever como (2.24) € de interesse fundamental. Ela nos diz o quanto varia § quando x aumenta em uma unidade. Equi- valentemente, (2.28) de modo que, dada qualquer variagao em x (seja positive ou negativa), podemos calcular a variagao pre- vista em y. ‘Agora, vamos apresentar varios exemplos de regressoes simples obtidas de dados reais. Em outras palavras, vamos encontrar as estimativas de intercepto e de inclinagao a partir das equagées (2.17) e (2.19). Como esses exemplos compreendem muitas observagdes, os célculos foram feitos usando pro-Wooldridge Capitulo 2 Modelo de Regressao Simples 31 gramas econométricos. Neste ponto, nao se preocupe muito em interpretar as regressées; elas nio estdo, necessariamente, revelando uma relagdo causal. Até aqui, nao dissemos nada sobre as propric- dades estatfsticas do método MQO. Na Segdo 2.5, consideraremos as propriedades depois de impor- mos explicitamente hipéteses sobre a equagao do modelo populacional (2.1) EXEMPLO 2.3 {Salarios de Diretores Executivos e Retornos de Acées) Para a populaco de diretores executivos, seja y 0 salério anual (salério) em milhares de délares. Assim, y = 856,3 indica um saldrio anual de $ 856.300, e y = 1.452,6 indica um salario de $ 1.452.600, Seja x o retorno médio da aco sobre o patriménio (rma), dos trés anos anteriores, da empresa do diretor executivo, (O retor- no da acdo sobre o patriménio é definido em termos de renda liquida, como uma percentagem do patriménio comum.) Por exemplo, se rma = 10, entdo 0 retorno médio da aco sobre o patriménio é de 10%. Para estudar a relacdo entre essa medida do desempenho das empresas e a remuneracao dos seus dire- tores executivos, postulamos o modelo simples saldrio = By + Byrma + u. 0 pardmetro de inclinagao B; mede a variacdo no salério anual, em milhares de délares, quando 0 retomo da aco aumenta em um ponto percentual. Como um rma mais elevado é melhor para a empresa, espera- mas que By > 0. O conjunto de dados do arquivo CEOSALI RAW contém informacdes sobre 209 diretores executivos para © ano de 1990; esses dados foram obtidos da revista Business Week (6.5.91), Na amostra, 0 salario médio anual é§ 1.281.120; sendo que o menor e 0 maior sdo $ 223.000 e $ 14.822.000, respectivamente. 0 retor- rio médio das acdes para os anos 1988, 1989 e 1990 é de 17,18%, sendo que os valores menor e maior sao de 0,5 e 56,3%, respectivamente. Usando os dados do arquivo CEOSAL1.RAW, a reta de regressdo de MQO que telaciona saldrio a rma é saldrio = 963,191 + 18,501 rma, (2.26) na qual as estimativas de intercepto e de inclinagao foram arredondadas em trés casas decimais; usamos “salé- rio chapéu" para indicar que essa é uma equacao estimada. Como interpretamos a equacao? Primeiro, se 0 retorno da aco é zero, rma = 0, ento 0 salario previsto é o intercepto, 963,191, que é igual a $ 963.191, visto que salério € mensurado em milhares. Em seguida, podemos escrever a variacao prevista no saldrio como uma fungdo da variagéo em rma: A saldrio = 18,501(Arma). Isso significa que se 0 retorno da agéo aumenta um ponto percentual, Arma = 1, entao espera-se que saldrio variara cerca de 18,5, ou $ 18.500. Como (2.26) 6 uma equacdo linear, esse valor é a variagao estimada independentemente do salario inicial Podemos facilmente usar (2,26) para comparar salérios previstos para valores diferentes de rma. Suponha rma = 30. Portanto, saldrio = 963,191 + 18,501(30) = 1.518,221, o que esta pouco acima de $ 1,5 milhdo. Entretanto, isso nao significa que um determinado diretor executivo, cuja empresa tenha um rma = 30, ganhe $ 1.518.221. Muitos outros fatores afetam o salério, Essa é somente a nossa pre- visdo a partir da reta de regressdo de MQO de (2.26). A reta estimada esté representada na Figura 2.5, jun- tamente com a funcdo de regressao populacional E(sa/ério|rma). Nunca conheceremos a FRP; assim, nao podemos dizer o quao proxima a FRA esta da FRP. Outra amostra de dados levaré a uma reta de regressao diferente, que pode estar, ou nao, mais proxima da reta de regressao populacional32 Introdugdo a Econometria — Editora Thomson Figura 2.6 ‘Aeta de regressio de MQ0 saldrio = 963,191 + 18,501 mae a funcao de regresséo populacional {desconhecida). salétio salério = 963,191 + 18,501 rma E(saldriolrma) = By + Byrma 963,191 EXEMPLO 2.4 (Salarios e Educacao) Para a populacao de pessoas na forca de trabalho em 1976, seja y = salarioh, em que salérioh & mensura- cdo em délares por hora, Assim, para uma determinada pessoa, se salérioh = 6,75, 0 salario-hora é § 6,75. ‘amos chamar anos de escolaridade formal de x = educ; por exemplo, educ = 12 corresponde ao ensino médio completo (nos Estados Unidos). 0 salério hordrio médio na amostra é $ 5,90, o que equivale, de acor- do com 0 indice de precos ao consumidor dos Estados Unidos, a $ 16,64 em délares de 1997. Usando 0s dados do arquivo WAGET.RAW, em que n = 526 individuos, obtemos a seguinte reta de regressio de MQO (ou funcdo de regressao amostral): saldrio = —0,90 + 0,54 educ. (2.27) Devemos interpretar essa equacdo com cautela. O intercepto de —0,90 significa, literalmente, que uma pes- soa sem nenhuma educacao formal tem um salério-hora previsto de —90 centavos de délar por hora. Isso, evidentemente, é tolice, Ocorre que apenas 18 pessoas na amostra de 526 tém menos que oito anos de edu- aco formal. Consequentemente, no é surpreendente que a reta de regressao nao faca boas previsdes paraWooldridge Capitulo 2 Modelo de Regressao Simples 33 EXEMPLO 2.4 (continuagao) niveis de educaco formal muito baixos. Para uma pessoa com ito anos de educacéo formal, o salario pre Visto é safari = —0,90 + 0,54(8) = 3,42, ou $ 3,42 por hora (em délares de 1976). A iinclinagao estimada em (2.27) implica que um ano a mais de educacéo formal aumenta o salario hordrio em 54 centavos de délar por hora. Portanto, quatro anos a mais de educacéo formal aumentam 0 salario horério previsto em 4(0,54) = 2,16, ou $ 2,16 por hora. Esses efeitos so razoavelmente grandes, Devido & natureza linear de (2.27), outro ano de educa¢ao formal aumenta o salario na mesma quantidade, independentemente do nivel inicial de educacao. Na Seco 2.4, discutiremos alguns métodos que levam em consideracao efeitos marginais ndo-constantes de nossas variavels explicativas. O salétio horério estimado em (2.27), quando educ = 8, é $ 3,42, em délares de 1976. Qual é esse valor em délares de 1997? (Sugestéo: vocé tem informacéo suficiente, no Exemplo 2.4, para responder a essa questo.) EXEMPLO 2.5 (Resultados Eleitorais e Gastos de Campanha} 0 arquivo VOTE1.RAW contém dados sobre resultados eleitorais e gastos de campanha de 173 disputas entre dois partidos, pata a House of Representatives dos Estados Unidos (equivalente a uma camara fede- ral). Ha dois candidatos em cada disputa: A e B. Seja votoA a percentagem de votos recebida pelo Candidato A € partA a percentagem dos gastos totais de campanha que cabem ao Candidato A. Muitos outros fatores além de partA afetam o resultado eleitoral (incluindo a qualidade dos candidatos e os valo- tes absolutos dos gastos de A e B). No entanto, podemos estimar um modelo de regressao simples para descobrir se gastar mais do que o concorrente implica uma percentagem maior de votos. ‘A equacao estimada usando as 173 observacées ¢ voto A = 26,81 + 0,464 partA. (2.28) sso significa que, se a parte dos gastos do Candidato A aumenta em um ponto percentual, 0 Candidato A recebe quase meio ponto percentual (0,464) a mais da votacao total. Nao fica claro se isso revela ou nao um efeito causal, mas isso é crivel. Se partA = 50, prevé-se que votoA serd cerca de 50, ou metade da votacao. Em alguns casos, a andlise de regressdo ndo ¢ usada para determinar a causalidade, mas para sim- plesmente observar se duas varidveis sdo positiva ou negativamente relacionadas, de modo muito pare- cido com uma andlise padrdo de correlacao. Um exemplo disso ocorre no Problema 2.12, que pede que vocé use os dados de Biddle e Hamermesh (1990) referentes ao tempo que se gasta dormindo e traba- Ihando a fim de investigar a relagdo entre esses dois fatores.34 Introduco Econometria — Editora Thomson No Exemplo 2.5, qual & a votaco prevista para 0 Candidato A se part = 60 (que significa 60%)? A res- posta parece razoavel? Uma Nota sobre Terminologia Em muitos casos, indicaremos a estimagdo de uma relagdo através de MQO ao escrever uma equagio como (2.26), (2.27) ou (2.28). Algumas vezes, por motivo de brevidade, € til indicar que uma regres- so de MQO foi estimada sem realmente escrever a equagao. Freqiientemente, indicaremos que a equagao (2.23) foi obtida por MQO ao dizer que nés rodamos a regressio de y sobre x, (2.29) ou simplesmente que regredimos y sobre x. As posigdes de y e x em (2.29) indicam qual é a varidvel dependente e qual é a varidvel independente: Sempre regredimos a varidvel dependente sobre a varié- vel independente! Para aplicagdes especificas, substituiremos y e.x por seus nomes. Assim, para obter (2.26), regredimos saldrio sobre rma, ou, para obter (2.28), regredimos votoA sobre partA. Ao usarmos essa terminologia em (2.29), sempre estaremos dizendo que planejamos estimar 0 intercepto, B,, juntamente com o coeficiente de inclinagio, fi . Esse caso € apropriado para a maioria das aplicagées. Ocasionalmente, podemos querer estimar a relagao entre y e x assumindo que o inter cepto € zero (de modo que x = 0 implica § = 0); cobriremos esse caso, brevemente, na Seco 2.6. A nao ser que seja explicitamente dito de outro modo, sempre estimaremos um intercepto juntamente com uma inclinagao. 2.3 MECANICA DO METODO MQO Nesta seco, cobriremos algumas propriedades algébricas da reta de regressiio de MQO estimada. Talvez, a melhor maneira de pensar nessas propriedades & perceber que elas sdo caracteristicas de MQO para uma determinada amostra de dados. Elas podem ser contrastadas com as propriedades esta- tisticas de MQO, 0 que requer a derivagao das caracterfsticas das distribuigdes amostrais dos estima- dores. Discutiremos as propriedades estatisticas na Seco 2.5. Muitas das propriedades algébricas que derivaremos pareceriio triviais. No entanto, ter uma com- preensio dessas propriedades ajuda-nos a entender 0 que acontece com as estimativas de MQO e esta- tisticas relacionadas quando os dados sio manipulados de determinadas maneiras, como quando variam as unidades de medida das varidveis dependente e independentes Valores Estimados e Residuos Assumimos que as estimativas de intercepto e de inclinagao, i, ¢ f, , foram obtidas de uma dada amos- tra de dados. Dados 8, ¢ 6, , podemos obter o valor estimado J, para cada observacao. [Isso € dado pela equacao (2.20).] Por definigao, cada valor estimado de $i, estd sobre a reta de regresstio de MQO. O residuo de MQO associado a cada observagio i, ii,, € a diferenca entre y, ¢ seu valor estimado, como dado na equagio (2.21). Se i, positivo, a reta subestima y;; se di, € negativo, a reta superestima y). O caso ideal para a observagio i € quando @, = 0, mas na maior parte dos casos todos os residuos si0Wooldridge Capitulo 20 Modelo de Regressio Simples 35, diferentes de zero. Em outras palavras, nenhum dos pontos dos dados deve, realmente, estar sobre a reta de MQO. EXEMPLO 2.6 {Salario de Diretores Executivos e Retornos de Acées} ATabela 2.2 contém uma lista das 15 primeiras observacées do conjunto de dados dos salarios dos diretores executivos, juntamente com os valores estimados, chamados de salchapéu, e os residuos, estimados de uchapéu. Tabela 2.2 Valores Estimados e Residuos dos 15 Primeiros Diretores Executivos nobsd rma salério salchapéu uchapéu 1 14,1 1.095 1,224,058 —129,0581 2 10,9 1.001 1.164,854 — 163.8542 = 23,5 1.122 1,397,969 geet 4 4 = 578 1,072,348 4943484 5 13,8 1.368 1,218,508 149.4923, 6 20,0 1.145 1,333,215 —188,2151 7 16,4 1.078 1,266,611 —188,6108 8 163 1.094 | 1,264,761 170.7606 9 10,5 1.237 1.157.454 79,54626 10 26,3 833 1.449,773 616.7726 - 25,9 567 | 1.442,372 875.3721 12 26.8 cael 1.459,023 —526,0231 13 14,8 1.339 1.237,009 101,9911 14 22,3 937 1.375,768 —438,7678 15 56.3 2011 2.004.808, 6.191895 Os quatro primeiros diretores executivos tém salarios menores do que os previstos a partir da reta de regres- so de MQO (2.26); em outras palavras, dado somente o rma da empresa, esses diretores executivos ganham menos do que prevemos. Como pode ser visto dos uchapéus positivos, 0 quinto diretor executivo ganha mais do que prevemos a partir da reta de regressdo de MQO.36 Introdugdo 4 Econometria — Editora Thomson Propriedades Algébricas das Estatisticas de MQO Ha varias propriedades algébricas titeis das estimativas de MQO e das estatisticas a elas associadas. ‘Vamos discutir as trés mais importantes. (1) A soma, e portanto a média amostral, dos resfduos de MQO, é zero. Matematicamente, (2.30) Essa propriedade niio precisa de prova; ela resulta, imediatamente, da condigio de primeira ordem de MQO (2.14), quando lembramos que os resfduos sao definidos por i, = y, ~ B, ~ B,x,. Em outras palavras, as estimativas de MQO 8, e i, sao escolhidas para fazer com que a soma dos residuos seja zero (para qualquer conjunto de dados). Isso nao diz nada sobre o residuo de qualquer observagao iem particular. (2) A covariéncia amostral entre os regressores e 0s residuos de MQO € zero. Isso resulta da con- digdo de primeira ordem (2.15), que pode ser escrita em termos dos residuos, como (2.31) ‘A média amostral dos residuos de MQO € zero, de modo que o lado esquerdo de (2.31) € proporcio- nal & covariéncia amostral entre x;¢ i, (3) O ponto @, 3) sempre est4 sobre a reta de regressio de MQO. Em outras palavras, se considerarmos a equacio (2.23) e inserirmos ¥ no lugar de x, entdo o valor estimado € J. Isso € exata- mente 0 que a equacdo (2.16) nos mostrou. EXEMPLO 2.7 | (Salarios e Educagao} Para os dados do arquivo em WAGE1.RAW, o salario-hora médio da amostra é 5,90, arredondado para duas casas decimais, e a educacdo formal média (medida em anos) é 12,56. Se inserirmos educ = 12,56 na reta de regressio de MQO (2.27), obtemos saldrioh = — 0,90 + 0,54(12,56) = 5,8824, igual a 5,9 quando arre- dondamos para uma casa decimal, A razdo de esses nuimeros nao serem exatamente os mesmos é que nds arredondamos o salaro-hora e os anos de educacao formal médios, assim como as estimativas de intercepto & de inclinagao. Se, inicialmente, nao tivéssemos arredondado nenhum dos valores, obteriamos respostas mais aproximadas, mas essa prética teria pouco eeito itil Ao escrever cada y; como o seu valor estimado mais tar uma regressdo de MQO. Para cada i, escreva -u res{duo, temos outro modo de interpre- BAH t Oe (2.32) Da propriedade (1), a média dos residuos & zero; equivalentemente, a média amostral dos valores estimados, §,, 6 a mesma que a média amostral de y,, ou = ¥. Além disso, as propriedades (1) ¢ (2)Wooldridge Capitulo 2 0 Modelo de Regressio Simples 37 podem ser usadas para mostrar que a covaridncia amostral entre §,e i, € zero. Portanto, podemos ver MQO como um método que decompée cada y, em duas partes: um valor estimado e um residuo. Os valores estimados e os residuos so ndo-correlacionados na amostra. Defina a soma dos quadrados total (SQT), a soma dos quadrados explicada (SQE) ¢ a soma dos quadrados dos residuos (SQR) (também conhecida como a soma dos residuos quadrados), como a seguir: 0, = 9. (2.33) (2.34) SQR => a?. (2.35) SQT € uma medida da variagdo amostral total em y,: isto é, ela mede 0 quao dispersos esto os y, na amostra. Se dividirmos SQT por n — 1, obteremos a variancia amostral de y, como discutido no Apén- dice C; no site da Thomson. Semelhantemente, SQE mede a variagdo amostral em J, (em que usamos © fato de que ¥ = ¥), SQR mede a variagdo amostral em Gi, A variagao total em y pode sempre ser expressa como a soma da variagdo explicada ¢ da variagao nao-explicada SQR. Assim, SQT = SQE + SQR. (2.36) Provar (2.36) ndo ¢ dificil; mas requer 0 uso de todas as propriedades do operador somat6rio apresen- tadas no Apéndice A, no site da Thomson. Escreva So-P = St0,-8) + 6 -9F = SQR +29 4 (5,3) + SQE a Agora, (2.36) € valida se mostrarmos que38 Introdugao a Econometria — Editora Thomson Mas jé dissemos que a covaridncia amostral entre os residuos ¢ os valores estimados € zero, ¢ essa covariancia € justamente a equacdo (2.37) dividida por n — 1, Conseqiientemente, confirmamos (2.36). Algumas palavras de precaugdo sobre SQT, SQE e SQR devem ser mencionadas. Nao ha concor- dancia uniforme sobre os nomes e abreviagdes das trés quantidades definidas nas equagdes (2.33), (2.34) e (2.35). A soma dos quadrados total é chamada SQT ou STQ, de modo que aqui no ha grandes confuses. Infelizmente,.a soma dos quadrados explicada é, as vezes, chamada de “soma dos quadra- dos da regressiio™. Se a esse termo é dado sua abreviagdo natural, ele pode ser facilmente confundido com 0 termo “soma dos quadrados dos residuos”. Alguns programas econométricos referem-se & soma dos quadrados explicada como “soma dos quadrados do modelo”. Para tornar as coisas ainda piores, a soma dos quadrados dos residuos é freqiientemente chamada de “soma dos quadrados dos erros”, Esse termo € um tanto inadequado, pois, como veremos na Secao 2.5, 05 erros € os residuos so quantidades diferentes. Assim, sempre chamaremos (2.35) de soma dos quadrados dos res{duos ou soma dos residuos quadrados. Preferimos usar a abreviagdo SQR para repre- sentar a soma dos residuos quadrados, pois ela é mais comum nos programas econométricos. Grau de Ajuste ‘Até aqui, nao apresentamos uma maneira de mensurar 0 quanto bem a varidvel explicativa ou indepen- dente, x, explica a varidvel dependente, y. Muitas vezes, é util calcular um niimero que resume 0 quéo bem a reta de regressio de MQO se ajusta aos dados. Na discussdo seguinte, lembre-se de que assumi- mos estimar o intercepto com a inclinagao. ‘Ao assumirmos que a soma dos quadrados total, SQT, nao ¢ igual a zero — o que € verdadeiro, a no ser no evento muito improvavel de todos os y; serem iguais a um mesmo valor —, podemos divi- dir (2.36) por SQT para obter 1 = SQE/SQT + SQR/SQT. O R-quadrado da regressio, algumas vezes chamado coeficiente de determinagio, € definido como R’ = SQE/SQT = — SQR/SQT. (2.38) R? & a razio entre a variagdo explicada e a variagao total; assim, ele é interpretado como a fragdo da variagdo amostral em y que é explicada por x. A segunda equaco em (2.38) fornece outra maneira de calcular R’. De (2.36), 0 valor de R? estd sempre entre zero e um, visto que SQE nao pode ser maior que SQT. Quando interpretamos R°, usualmente o multiplicamos por 100 para transformé-lo em percentual: 100 - R° é a percentagem da variagéo amostral em y que é explicada por x. Se todos os pontos dos dados estiverem sobre a mesma reta, MQO fornece um ajuste perfeito aos dados. Nesse caso, R? = 1. Um valor de R? quase igual a zero indica um ajuste ruim da reta de MQO: muito pouco da variagdo em y, € capturado pela variagdo em §, (que estd sobre a reta de regressio de MQO). De fato, pode ser mostrado que R’ € igual ao quadrado do coeficiente de correlago amos- tra] entre y; € 9, . E dai que vem 0 termo “R-quadrado”. (A letra R era, tradicionalmente, usada para denominar uma estimativa do coeficiente de correlagao populacional, e seu uso sobreviveu na ané- lise de regressao.)‘Wooldridge Capitulo 2. O Modelo de Regressio Simples 39 EXEMPLO 2.8 {Salario de Diretores Executivos e Retornos de Acées) Na regressao de salérios de diretores executivos, estimamos a seguinte equacao: saldrio = 963,191 + 18,501 rma (2.39) Por motivos de clareza, reproduzimos a reta de regressdo de MQO e o numero de observacées. Usando 0 R- quadrado (arredondado para quatro casas decimais) apresentado para essa equacao, podemos ver quanto da variacio no salario é, realmente, explicada pelo retorno da aco. A resposta 6: nao muito, O retorno da acdo da empresa explica somente 1,3% da variacao nos salérios dessa amostra de 209 diretores executivos. Isso significa que 98,7% das variacdes salariais desses diretores executivos so deixadas sem explicacdo. Essa falta de poder explicativo ndo deve ser surpreendente demais, ja que muitas outras caracteristicas, tanto da empresa como do diretor executivo individual, devem influenciar o saldrio; esses fatores estao, necessa- riamente, incluidos nos erros de uma andlise de regressdo simples. Nas ciéncias sociais ndo so incomuns R-quadrados baixos nas equagdes de regressdo, especial- mente na andlise de corte transversal, Discutiremos essa questo, de modo mais geral, sob a andlise de regtessio miiltipla, mas vale a pena enfatizar agora que um R-quadrado aparentemente baixo ndo sig- nifica, necessariamente, que uma equago de regressdo de MQO € intitil. Ainda, é possivel que (2.39) seja uma boa estimativa da relagao ceteris paribus entre saldrio rma; se isso for verdade ou nao, ndo depende diretamente da magnitude do R-quadrado. Os estudantes que estao se defrontando com eco- nometria pela primeira vez tendem, ao avaliar equagGes de regressio, a pér muito peso na magnitude do Requadrado. Por enquanto, esteja ciente de que usar 0 R-quadrado como o principal padrao de medida de sucesso de uma andlise econométrica pode levar a confusdes. ‘Algumas vezes, a varidvel explicativa elucida uma parte substancial da variagdo amostral na varid- vel dependente. “ BXEMPLO 2.9: {Resultados Eleitorais e Gastos de Campanha) Na equagao de resultados eleitoras (2.28), A? = 0,856. Assim, a participagdo dos candidatos nos gastos de | campanha explica mais de 85% da variacéo nos resultados eleitorals nessa amosta, Essa é uma explicagao | considerével. 2.4 UNIDADES DE MEDIDA E FORMA FUNCIONAL Duas questées importantes em economia aplicada sdo: (1) entender como, ao mudar as unidades de medida das varidveis dependente ¢/ou independente, so afetadas as estimativas de MQO e (2) saber como incorporar, & andlise de regressdo, formas funcionais populares usadas em economia. ‘A matematica necesséria para uma compreensao completa das questées sobre a forma funcional esté revista no Apéndice A, dispontvel no site da Thomson.