[MÚSICA] [MÚSICA] Neste módulo, vamos apresentar o modelo mais simples que veremos no curso, modelo chamado de Modelo de Regressão Linear Simples. Vamos ver como estimar esse modelo por três métodos diferentes: o método dos momentos, o método de mÃnimos quadrados ordinários e o método de máxima verossimilhança. Mostraremos, também, as propriedades dos estimadores encontrados por esses métodos. Isso porque, se o estimador tiver boas propriedades, podemos dizer que o efeito que estamos estimando é causal, como discutimos no módulo anterior. Além disso, faremos uma discussão também sobre medidas de ajuste da regressão, o que nos ajudará a entender se a regressão auxilia, ou não, na explicação de "y". Então, aqui, nós vemos um exemplo da regressão simples. A variável "y" é o nosso objeto de análise e ela tem vários nomes. Podemos chamá-la de variável de interesse, variável dependente, ou até de variável explicada. Já a variável "x" é a variável que explica "y" e ela também tem vários nomes: variável explicativa, variável independente, covariada, ou, até mesmo, variável de controle. O coeficiente "Beta 1" mede a inclinação da reta entre "y" e "x". No exemplo de retorno da educação sobre salários, o "Beta 1" seria o efeito, por exemplo, de um ano a mais de escolaridade sobre os salários. O "Beta 0" mede o intercepto do nosso modelo, ou seja, o valor médio de "y" quando "x" tem o valor 0. Se o "Beta 0" é igual a 0, dizemos que a reta de regressão passa pelo eixo de "y" e "x". Veremos alguns exemplos daqui a pouquinho. No nosso exemplo, o "Beta 0" seria o salário médio que os indivÃduos da nossa população recebem quando eles têm, em média, 0 anos de escolaridade, o que poderia ser interpretado como o salário-mÃnimo da economia. Assim, os "Betas" identificam os efeitos da relação de causalidade em que estamos interessados. Vamos chamá-los de parâmetros da população, desconhecidos pelo pesquisador. Já o último termo do lado direito da nossa equação, o "u", é conhecido por termo de erro, ou fatores não observados. O termo de erro contém todos os demais fatores que explicam o y" que não sejam o "x". No nosso exemplo anterior, na regressão entre salários e educação, no termo de erro nós temos, por exemplo, a experiência profissional dos indivÃduos, habilidades e todas aquelas outras variáveis que também influenciam salários. Nós veremos que a análise do comportamento do termo de erro é fundamental para obtermos um modelo bem identificado e a sua relação com as demais variáveis do modelo. No caso do modelo de regressão simples, apenas "x" será fundamental para interpretarmos esse efeito causal. Em geral vamos usar letras gregas para denotar os parâmetros que queremos estimar. Veremos, nas próximas aulas, como encontraremos esses estimadores para os parâmetros desconhecidos, a partir dos métodos elencados no começo dessa apresentação. [MÚSICA] [MÚSICA]
