O PROBLEMA DA ESTIMAO

O modelo de regresso
simples, muitas vezes
inadequado na prtica.

A teoria econmica no
simples, a ponto de ser
explicada por apenas uma
varivel independente.
Consumo depende da riqueza
e da renda do consumidor



i i i i
u Y R C + + + =
3 2 1
| | |
Demanda de um bem depende
de seu preo, dos preos de
bens substitutos ou
complementares, da renda do
consumidor e do status social.





i i i i i
D
i
u S Y Ps P Q + + + + + =
5 4 3 2 1
| | | | |
De modo geral, estamos
interessados em modelos
lineares de regresso mltipla.

Ou seja, modelos lineares nos
parmetros, podendo ou no
ser lineares nas variveis.
Podemos escrever a FRP com trs variveis do
seguinte modo:


i i i i
u X X Y + + + =
3 3 2 2 1
| | |
(1)

Onde: Y = varivel dependente ou regressando;

X
2
e X
3
= variveis explanatrias ou
regressores;

u = termo de erro estocstico;

i = a i-sima observao.
Em (1),
1
|
o intercepto.

Ele d o efeito mdio sobre Y de todas as
variveis excludas do modelo.

Sua interpretao mecnica : valor mdio de
Y quando X
2
e X
3
so igualados a zero.




2
|
e
3
|
so coeficientes parciais
da regresso.


Tomando a expectativa condicional de Y
em ambos os lados de (1) obtemos:

i i i i
u X X Y + + + =
3 3 2 2 1
| | |
(1)


( )
i i i i i
X X X X Y E
3 3 2 2 1 3 2
, | | | + + =
(2)



( )
i i i i i
X X X X Y E
3 3 2 2 1 3 2
, | | | + + =
(2)

(2) fornece a mdia condicional ou o valor
esperado de Y, condicional a valores dados ou
fixados das variveis X
2
e X
3
.




( )
i i i i i
X X X X Y E
3 3 2 2 1 3 2
, | | | + + =
(2)


O que obtemos a mdia ou o valor mdio de
Y, ou a resposta mdia de Y aos valores fixos das
variveis X.
2
|
mede a mudana no valor mdio de
Y ,
( )
3 2
, X X Y E
, por variao unitria de
2
X
,
mantendo 3
X
constante.




2
|
nos d o efeito direto ou
lquido de uma unidade de variao em
X
2
sobre o valor mdio de Y, excludos os
efeitos que X
3
possa ter sobre a mdia Y.
Suponha que queiramos controlar a
influncia linear de
( )
3
X k
tal
ao medirmos o
impacto, sobre Y (produto), da mudana de
uma unidade no trabalho
2
X
.
Estgio I : regredir Y sobre
3
X


i i i
u X b b Y
1 3 13 1

+ + =
(1)
Estgio I I : regredir
2
X
sobre
3
X


i i i
u X b b X
2 3 23 2 2

+ + =
(2)
Ento:
i i i
X b b Y u
3 13 1 1

=




i i
Y Y

=
(3)



i i i
X b b X u
3 23 2 2 2

=




i i
X X
2 2

=
(4)
O que implicam os resduos i
u
1

e i
u
2

?

O termo i
u
1

representa o valor
de Y
i
depois de eliminar a
influncia (linear) de X
3
;



O termo
i
u
2

representa o valor
de X
2i
depois de eliminar a
influncia de X
3
;




i
u
1

e
i
u
2

so Y
i
e X
2i

purificados ou livres da
influncia de X
3
.

EstgioI I I : fazendo a regresso de i
u
1

e i
u
2

.


i i i
u u a a u
3 2 1 0 1

+ + =
(5)

Ento, a
1
deve nos dar uma estimativa
do efeito verdadeiro ou lquido sobre Y da
mudana de uma unidade em X
2
, ou seja, uma
estimativa de
2
|
.

i i i
u u a a u
3 2 1 0 1

+ + =



O estimador de MQO de
2
|
:

( )
( )

=
2
3 2
2
3
2
2
3 2 3
2
3 2
2

i i i i
i i i i i i i
x x x x
x x x y x x y
|


O estimador de MQO de a
1
na forma de desvios, :


2
2
2
2 2 1 1
1
)

(
)

).(

(

u u
u u u u
a
i
i i

visto que o estimador a
1
equivalente a:



2
2

i
i i
x
y x
E
E
= |

=
2
2
2 1
1

i
i i
u
u u
a
pois
0

2 1
= = u u

Sejam as equaes:


i i i
u X b b Y
1 3 13 1

+ + =
(1)


i i i
u X b b X
2 3 23 2 2

+ + =
(2)
Como
0

2 1
= = u u
, as equaes (1) e (2) podem
ser escritas como:

i i i
u x b y
1 3 13

+ =

i i i
x b y u
3 13 1

=


i i i
u x b x
2 3 23 2

+ =

i i i
x b x u
3 23 2 2

=

Substituindo i
u
1

e i
u
2

das equaes anteriores

na equao
1
, obtemos:

=
2
2
2 1
1

i
i i
u
u u
a



( )( )
( )
2
3 23 2
3 23 2 3 13
1
.

i i
i i i i
x b x
x b x x b y
a
E
E
=





( )( )
( )
2
3 23 2
3 23 2 3 13
1
.

i i
i i i i
x b x
x b x x b y
a
E
E
=


i i i i
i i i i i i i
x x b x b x
x b b x x b x y b x y
a
3 2 23
2
3
2
23
2
2
2
3 23 13 3 2 13 3 23 2
1
2

E E + E
E + E E E
=

Observando que:


2
3
3 2
23
i
i i
x
x x
b
E
E
=



2
3
3
13
i
i i
x
x y
b
E
E
=

Substituindo em
1
:

i i
i
i i
i
i
i i
i
i
i
i i
i
i i
i i
i
i i
i i
i
i i
i i
x x
x
x x
x
x
x x
x
x
x
x x
x
x y
x x
x
x y
x y
x
x x
x y
a
3 2
2
3
3 2
2
3
2
2
3
3 2
2
2
2
3
2
3
3 2
2
3
3
3 2
2
3
3
3
2
3
3 2
2
1
2

E
E
E
E
|
|
.
|

\
|
E
E
+ E
|
|
.
|

\
|
E
E
E

E
E
+
|
|
.
|

\
|
E
E
E

|
|
.
|

\
|
E
E
E
E
=


( ) ( )
2
3
2
3 2
2
3 2
2
3
2
2
2
3 3 2 3 3 2 3 3 3 2
2
3 2
1
/ 2 .
/ . . . .

i i i i i i i
i i i i i i i i i i i i i i i i
x x x x x x x
x x x x y x x x y x y x x x x y
a
E E + E E
E E + E E E E E E
=

( ) ( )
2
3 2
2
3 2
2
3
2
2
3 2 3 3 2 3 3 3 2
2
3 2
1
2 .
. . . .

i i i i i i
i i i i i i i i i i i i i i i
x x x x x x
x x x y x x x y x y x x x x y
a
E E + E E
E E + E E E E E E
=


( ) ( ) ( ) ( )
( ) ( ) ( )
2
3 2
2
3
2
2
3 2 3
2
3 2
2 1

i i i i
i i i i i i i
x x x x
x x x y x x y
a
E E E
E E E E
= = |

cqd.

A funo de regresso da amostra de (1)
:

i i i i
u X X Y


3 3 2 2 1
+ + + = | | |
(1)
A soma dos quadrados dos resduos dever ser a menor
possvel:





( )
2
3 3 2 2 1
2

=
i i i i
X X Y u Min | | |
(2)
Fazendo a derivada parcial de (2) com relao
s trs incgnitas e igualando a zero as
equaes resultantes sero:


( )( )

= = 0 1

2

3 3 2 2 1
1
2
i i i i
i
X X Y
d
u d
| | |
|


( )( )

= = 0 1

2

3 3 2 2 1
1
2
i i i i
i
X X Y
d
u d
| | |
|


Considerando que
)

(

3 3 2 2 1 i i i i
X X Y u | | | =

Ento:
0 ) 1 (

2 =
i
u

= 0

2
i
u


= 0

i
u



+ + =
i i i
X X n Y
3 3 2 2 1

| | |
(3)

( )( ) 0

2

2 3 3 2 2 1
2
2
= =

i i i i
i
X X X Y
d
u d
| | |
|


Considerando que
)

(

3 3 2 2 1 i i i i
X X Y u | | | =

Ento:
0 ) ( 2
2
=
i i
X u


= 0 ) ( 2
2i i
X u


= 0
2i i
X u




= + + + 0

3 2 3
2
2 2 2 1 2 i i i i i i
X X X X X Y | | |





+ + =
i i i i i i
X X X X X Y
3 2 3
2
2 2 2 1 2

| | |
(4)

( )( ) 0

2

3 3 3 2 2 1
3
2
= =

i i i i
i
X X X Y
d
u d
| | |
|


Considerando que )

(
3 3 2 2 1 i i i i
X X Y u | | | =
Ento: 0 ) ( 2
3
=
i i
X u

= 0 ) ( 2
3i i
X u

= 0
3i i
X u



= + + + 0

2
3 3 3 2 2 3 1 3 i i i i i i
X X X X X Y | | |





+ + =
2
3 3 3 2 2 3 1 3

i i i i i i
X X X X X Y | | |
(5)
Quando expressamos as equaes normais em formas de desvio,
estas podem ser resolvidas simultaneamente para 2

|
e 3

|
.


i i i
X X Y
3 3 2 2 1

| | | + + =
(A)


Resolvendo a equao (3) para 1
|
:



+ + =
i i i
X X n Y
3 3 2 2 1

| | |
(3)


3 3 2 2 1

X X Y | | | + + =
(B)
Subtraindo (B) de (A):

( ) ( )
3 3 3 3 2 2 2 2 1 1

X X X X Y Y
i i i
| | | | | | + + =


( ) ( )
3 3 3 2 2 2

X X X X y
i i i
+ = | |


i i i
x x y
3 3 2 2

| | + =


Portanto,
i i i i i i
x x y y y u
3 3 2 2


| | = =

Aplicando o somatrio e elevando ao
quadrado:

( )

=
2
2

i i i
y y u



( )

=
2
3 3 2 2
2

i i i i
x x y u Min | |




( )( ) 0

2

2 3 3 2 2
2
2
= =

i i i i
i
x x x y
d
u d
| |
|




+ =
i i i i i
x x x x y
3 2 3
2
2 2 2

| |


(C)
( )( )

= = 0

2

3 3 3 2 2
3
2
i i i i
i
x x x y
d
u d
| |
|





+ =
2
3 3 3 2 2 3

i i i i i
x x x x y | |


(D)
De (C):



=
i i i i i
x x x y x
3 2 3 2
2
2 2

| |


2
2
3 2 3 2
2

i
i i i i
x
x x x y
E
E E
=
|
|

Substituindo 2

|
em (D):




+
(
(

=
2
3 3 3 2
2
2
3 2 3 2
3

i i i
i
i i i i
i i
x x x
x
x x x y
x y |
|

(
(

(
(

=
2
3 3
2
2
3 2 3 2 3
2
2
3 2 2
3

i
i
i i i i
i
i i i i
i i
x
x
x x x x
x
x x x y
x y |
|


( ) ( )

+ =
2
2
2
3 3
2
3 2 3 3 2 2 3
2
2

i i i i i i i i i i i
x x x x x x x y x y x | |

( ) ( )

+ =
2
2
2
3 3
2
3 2 3 3 2 2 3
2
2

i i i i i i i i i i i
x x x x x x x y x y x | |


( ) ( )
2
3 2 3
2
2
2
3 3 3 2 2 3
2
2


+ =
i i i i i i i i i i i
x x x x x x x y x y x | |


( ) ( ) ( ) | |

+ =
2
2 3
2
2
2
3 3 3 2 2 3
2
2

i i i i i i i i i i i
x x x x x x x y x y x |


( ) ( ) ( )
2
2 3
2
2
2
3 3 3 2 2 3
2
2


=
i i i i i i i i i i i
x x x x x x x y x y x |


( )
( ) ( )
2
2 3
2
2
2
3
3 2 2 3
2
2
3

=
i i i i
i i i i i i i
x x x x
x x x y x y x
|
(8)
De (D):


+ =
2
3 3 3 2 2 3

i i i i i
x x x x y | |



=
i i i i i
x x x y x
3 2 2 3
2
3 3

| |

=
2
3
3 2 2 3
3

i
i i i i
x
x x x y |
|

Substituindo
3

|
em C:

|
|
.
|

\
|

+ =
i i
i
i i i i
i i i
x x
x
x x x y
x x y
3 2
2
3
3 2 2 3
2
2 2 2

|
|

+ =
2
3
3 2 3 2 2
2
3
3 2 3 2
2 2 2
) (

i
i i i i
i
i i i i
i i i
x
x x x x
x
x x x y
x x y
|
|


( ) ( )

+ =
2
3
2
3 2 2
2
3
3 2 3
2
2 2 2

i
i i
i
i i i i
i i i
x
x x
x
x x x y
x x y
|
|

( ) ( )

+ =
2
3 2 2 3 2 3
2
3
2
2 2
2
3 2

i i i i i i i i i i i
x x x x x y x x x x y | |


( ) | | ( )

+ =
i i i i i i i i i i i
x x x y x x x x x x y
3 2 3
2
3 2
2
3
2
2 2
2
3 2

|



( )
( )

=
2
3 2
2
3
2
2
3 2 3
2
3 2
2

i i i i
i i i i i i i
x x x x
x x x y x x y
|
(7)
( ) ( ) | |

=
2
3 2
2
3
2
2 2 3 2 3
2
3 2

i i i i i i i i i i i
x x x x x x x y x x y |
De (3):


+ + =
i i i
X X n Y
3 3 2 2 1

| | |



=
i i i
X X Y n
3 3 2 2 1

| | |


n
X
n
X
n
Y
i i i
=
3
3
2
2 1

| | |


3 3 2 2 1

X X Y | | | =
(6)

( )
( )
2
2
3 2
2
3
2
2
3 2 3 2
2
2
2
3
2
3
2
2
1
2
1

var o |
(
(

+
+ =


i i i i
i i i i
x x x x
x x X X x X x X
n



( ) ( )
1 1

var

| | + = ep


( )
( )( ) ( )
2
2
3 2
2
3
2
2
2
3
2

var o |

=
i i i i
i
x x x x
x
( )
( )

=
2
23
2
2
2
2
1

var
r x
i
o
|
( ) ( )
2 2

var

| | + = ep
Lembrando que

( )

=
2
3
2
2
2
3 2
2
23
i i
i i
x x
x x
r
e

2
3
2
2
3 2
23
.
i i
i i
x x
x x
r
E E
E
=

( )
( )( ) ( )
2
2
3 2
2
3
2
2
2
2
3

var o |

=
i i i i
i
x x x x
x
( )
( )

=
2
23
2
3
2
3
1

var
r x
i
o
|

( ) ( )
3 3

var

| | + = ep
( )
( )

=
2
3
2
2
2
23
2
23
3 2
1

i i
x x r
r
Cov
o
| |
3

2
2

=

n
u
i
o

=
i i i i i i
x y x y y u
3 3 2 2
2 2

| |
O erro pode ser calculado
da seguinte maneira:
1. A reta de regresso das trs variveis passa
pelas mdias 3 2
, X e X Y


em
i i i i
u X X Y + + + =
3 3 2 2 1
| | |


temos: 3 3 2 2 1

X X Y | | | =



Em um modelo com k variveis:

i ki k i i i
u X X X Y + + + + + = | | | |
3 3 2 2 1


k k
X X X Y | | | |

3 3 2 2 1
=


2. O valor mdio do Y
i
estimado
( )
i
Y

igual ao valor mdio do Y

i

verdadeiro
Y Y =

i i i
X X Y
3 3 2 2 1

| | | + + =



( )
i i
X X X X Y
3 3 2 2 3 3 2 2

| | | | + + =



( ) ( )
3 3 3 2 2 2

X X X X Y
i i
+ + = | |



i i
x x Y
3 3 2 2

| | + + =

Somando ambos os lados e dividindo por n.


n
x
n
x
n
Y n
n
Y
i i i
+ + =
3 3 2 2

| |

se

= = 0
3 2 i i
x x


Y Y =

3.

= = 0

u u
i


+ + =
i i i i
u x x y


3 3 2 2
| |

se
= 0
i
y
e
= = 0
3 2 i i
x x

se
n
u
u
i

=
e
0

=
i
u

ento :

= = 0

u u
i
ou

( )( )

= = 0 1

2

3 3 2 2 1
1
2
i i i i
i
X X Y
d
u d
| | |
|

= 0

2
i
u

= 0

i
u

4. Os resduos de
i
u

no tm correlao com
3 2
eX X
, ou seja:

= = 0

3 2 i i i i
X u X u



( )( ) 0

2

2 3 3 2 2 1
2
2
= =

i i i i
i
X X X Y
d
u d
| | |
|

= 0

2
2i i
X u


= 0

2i i
X u

( )( ) 0

2

3 3 3 2 2 1
3
2
= =

i i i i
i
X X X Y
d
u d
| | |
|




= 0

2
3i i
X u

= 0

3i i
X u

5. Os resduos i
u

no tem correlao com

i
Y

, isto
,

= = 0

i i i i
y u Y u
;

Multiplicando (A) por
i
u
e aplicando o
somatrio.

i i i
x x y
3 3 2 2

| | + =
(A)


+ =
i i i i i i
x u x u y u
3 3 2 2

| |



se
= = 0

3 2 i i i i
x u x u
, ento:


= = 0

i i i i
y u Y u

6. De
( )
( )

=
2
23
2
2
2
2
1

var
r x
i
o
|
e
( )
( )

=
2
23
2
3
2
3
1

var
r x
i
o
|
, fica
evidente que, conforme r
23
aumenta em direo a 1, as
varincias de 2

|
e
3

|
aumentam para dados valores de
2
o
e

2
2i
x
ou

2
3i
x
.


Conforme r
23
aumenta, fica cada vez
mais difcil saber quais os valores
verdadeiros de 2
|
e 3
|
.

No limite, quando r
23
= 1, essas
varincias se tornam infinitas.
7. Tambm, a partir de
( )
( )

=
2
23
2
2
2
2
1

var
r x
i
o
|
, e
( )
( )

=
2
23
2
3
2
3
1

var
r x
i
o
|
, para valores dados de r
23

e

2
2i
x
ou

2
3i
x
, as varincias dos
estimadores de MQO so diretamente
proporcionais a
2
o
; ou seja, eles aumentam
medida que
2
o
aumenta.

Do mesmo modo, para valores dados
de
2
o
e r
23
, a varincia de
2

|

inversamente proporcional a
2
2i
x E
,
isto , quanto maior a varincia dos
valores amostrais de X
2
, menor a
varincia de 2

|
e, portanto, de
2
|
.
Os estimadores de M.Q.O so
lineares no viesados, ou seja, so
MELNV ou BLUE Best Linear
Unbiased Estimator.

Lineares;
No-viesados;
Varincia mnima.


Qualidades que satisfazem o teorema de Gauss-Markov
Para deduzir R
2
devemos
proceder da seguinte maneira:

i i i
u y y + =
2 2
)

(
i i i
u y y + E = E

+ + =
i i i i i
u y u y y 2
2 2 2

+ =
2 2 2

i i i
u y y

= 0

i i
u y


Adicionando
=
i i i i i i
x y x y y u
3 3 2 2
2 2

| |
,
tem-se :

+ =
2 2 2

i i i
u y y


+ =
i i i i i i i
x y x y y y y
3 3 2 2
2 2 2

| |


=
i i i i i i i
x y x y y y y
3 3 2 2
2 2 2

| |


+ = =
i i i i i
x y x y y SQE
3 3 2 2
2

| |


Se
SQT
SQE
R =
2


2
2
2

i
i
y
y
R
E
E
=

+
=
2
3 3 2 2
2

i
i i i i
y
x y x y
R
| |



1 0
2
s s R

R
2
uma funo no-
decrescente do nmero de
variveis explicativas ou
regressores presentes no
modelo.

Conforme aumenta o nmero de
regressores, R
2
quase
invariavelmente aumenta, e
nunca diminui.


SQT
SQR
SQT
SQE
SQT
SQT
+ =

se
T Q S
E Q S
R
. .
. .
2
=


SQT
SQE
R + =
2
1


T Q S
R Q S
R
. .
. .
1
2
=

2
1 R
SQT
SQR
=

=
2
2
2

1
i
i
y
u
R

( )
( ) 1

1
2
2
2

n y
k n u
R
i
i

( )
( ) 1
1
2

=
n
SQT
k n
SQR
R


k n
n
SQT
SQR
R

=
1
. 1
2


se
2
1 R
SQT
SQR
=


k n
n
R R

=
1
) 1 ( 1
2 2

Alm do emprego do R
2
e do como
medidas da qualidade de ajustamento, muitas
vezes so usados outros critrios para avaliar
a adequao de um modelo de regresso.

Critrio de Informao de Akaike

Critrio de Previso de Amemiya
2
R
Ao comparar dois modelos com base no
coeficiente de determinao, ajustado ou
no, deve-se observar o seguinte:

A varivel dependente deve ser a mesma (inclusive,
a mesma forma funcional);

O tamanho da amostra deve ser a mesma;

O nmero de variveis independentes deve ser a
mesma, porm, podem estar com forma funcional
diferente.
Muitas vezes o econometrista fica tentado a
escolher o modelo que fornece o maior

Deve-se tomar cuidado, pois o objetivo no
obter um alto, apenas, mas, em vez disso,
obter estimativas confiveis dos verdadeiros
coeficientes de regresso para a populao e
fazer inferncias estatsticas a respeito deles.
2
R
2
R
2
R
Na anlise prtica no raro obter um
muito elevado e verificar que alguns dos
coeficientes de regresso so
estatsticamente no significativos ou
apresentam sinais contrrios aos esperados.

Portanto, deve-se preocupar mais com a
relevncia lgica ou terica das variveis
explanatrias em relao varivel
dependente e em sua significncia estatstica.
2
R



Formas funcionais
As vrias transformaes examinadas no
contexto de regresso simples, podem ser
convertidas para modelos de regresso
mltipla.

Dentre as vrias transformaes, pode-se
destacar o modelo duplo log;

O exemplo especfico para essa
transformao a funo de produo Cobb-
Douglas.
i
u
i i i
e X X Y
3 2
3 2 1
| |
| =
i i i i
u X X Y + + + =
3 3 2 2 1
ln ln ln ln | | |
i i i i
u X X Y + + + =
3 3 2 2 0
ln ln ln | | |
As propriedades da funo de produo Cobb-
Douglas so:

1
2
a elasticidade (parcial) do produto em
relao ao insumo trabalho, mantido
constante o capital;

2
3
a elasticidade (parcial) do produto em
relao ao insumo capital, mantido constante
o trabalho;
i i i i
u X X Y + + + =
3 3 2 2 0
ln ln ln | | |
As propriedades da funo de produo Cobb-
Douglas so:

3 A soma (
2
+
3
) informa a respeito dos
retornos de escala;

Se a soma for = 1 retornos constantes de
escala
Se a soma for > 1 retornos crescentes de
escala
Se a soma for < 1 retornos decrescentes de
escala

i i i i
u X X Y + + + =
3 3 2 2 0
ln ln ln | | |
So os modelos polinomiais;

Usados nas funes de custo e de produo;

Como exemplo, seja o custo marginal de
produo de curto prazo de um bem com o
nvel de sua produo;

Para representar esta curva, utiliza-se a
parbola ou o polinmio de segundo grau.
2
2 1 0
X X Y | | | + + =
i i i i
u X X Y + + + =
2
2 1 0
| | |
i
k
i k i i i
u X X X Y + + + + + = | | | |
2
2 1 0
Y



CM
g






X
0
50
100
150
200
250
300
350
400
450
1 2 3 4 5 6 7 8 9 10
x
y
Curva de custo total Y = Custo total e X = Produo
Coeficientes de correlao de ordem zero
r
12
; r
13
; r
23

Coeficientes de correlao de primeira
ordem
r
12,3
; r
13,2
; r
23,1

Coeficientes de correlao de segunda
ordem
r
12,34
; r
13,24
; r
14,23
; r
23,14
; r
24,13
; r
34,12
Os coeficientes de correlao parcial podem ser
obtidos:

( )( )
2
23
2
13
23 13 12
3 . 12
1 1 r r
r r r
r


=

( )( )
2
23
2
12
23 12 13
2 . 13
1 1 r r
r r r
r


=


( )( )
2
13
2
12
13 12 23
1 . 23
1 1 r r
r r r
r


=

Pode-se obter tambm atravs da relao
entre r
2
e t
2
.

Para, por exemplo, calcular temos que
considerar a regresso mltipla de Y em X
2
e
X
3
.

Seja a equao de regresso estimada igual a

2
3 . 2 y
r
3 3 2 2 1

X X Y | | | + + =
Seja a equao de regresso estimada igual a



Seja


Ento:

) 3 (
2
2
2
2
2
3 . 2
+
=
n t
t
r
y
3 3 2 2 1

X X Y | | | + + =
) (

2
2
2
|
|
ep
t =
Seja a equao de regresso estimada igual a



Seja


Ento:

) 5 (
2
2
2
2
2
345 . 2
+
=
n t
t
r
y
5 5 4 4 3 3 2 2 1

X X X X Y | | | | | + + + + =
) (

2
2
2
|
|
ep
t =
As correlaes parciais so muito
importantes para decidir se inclui ou no
mais variveis explicativas.

Suponha, por exemplo, que tenhamos duas
variveis explicativas X
1
e X
2
, e que seja
muito elevado, digamos 0,95, mas que
seja muito baixo, digamos, 0,01.
2
2 y
r
2
1 . 2 y
r
O que isso significa que X
2
pode fazer um
bom trabalho se for usado sozinho para
explicar Y.

Mas depois que X
1
includo, X
2
no ajuda
mais a explicar Y; isto , X
1
faz o trabalho de
X
2
.

Nesse caso no h necessidade de incluir X
2
.