Abaixo você encontra uma lista de situações de pesquisa. Para cada uma delas indique se - apropriado é proceder uma análise de regressão ou uma de correlação. Justifique sua indicação.
A quantidade procurada de carne de gado depende do preço da carne de porco?

Passo 1

O que o enunciado pede e o que temos de informação:
  • Pergunta: “A quantidade procurada de carne de gado depende do preço da carne de porco?” — ou seja, queremos saber se existe relação de dependência (efeito) entre o preço da carne de porco e a quantidade procurada de carne de gado.
  • Variáveis envolvidas (peguei isso do enunciado):
    • Variável resposta (dependente): a quantidade procurada de carne de gado — variável quantitativa (por exemplo, kg por semana, quantidade demandada).
    • Variável explicativa (independente): o preço da carne de porco — variável quantitativa (por exemplo, R$/kg).
  • O objetivo concreto é testar se variações em P_{\text{porco}} estão associadas a variações em Q_{\text{gado}} de modo que possamos afirmar que Q_{\text{gado}} “depende” de P_{\text{porco}}.

Passo 2

Diferença prática entre correlação e regressão (explicação didática e direta):
  • Correlação (coeficiente de Pearson r):
    • Mede apenas a força e a direção de uma associação linear entre duas variáveis.
    • Não modela qual é a variável dependente nem fornece uma equação para prever uma variável a partir da outra.
    • Fórmula do coeficiente de Pearson: r=\frac{\sum_{i=1}^n (x_i-\bar x)(y_i-\bar y)}{\sqrt{\sum_{i=1}^n (x_i-\bar x)^2}\sqrt{\sum_{i=1}^n (y_i-\bar y)^2}}.Aqui x_i e y_i são observações das duas variáveis e \bar x,\bar y são as médias.
    • Interpretação: r próximo de +1 significa forte associação positiva; r próximo de -1 forte negativa; r próximo de 0 pouco ou nenhum padrão linear.
    • Útil como análise exploratória inicial (ver se há padrão).
  • Regressão (ex.: regressão linear simples):
    • Modela explicitamente a dependência: escreve-se uma equação que prevê Y em função de X.
    • Permite estimar o efeito marginal (quanto muda Y quando X muda em 1 unidade), testar estatisticamente se esse efeito é diferente de zero e construir intervalos de confiança.
    • Modelo simples: Q_{\text{gado}} = \beta_0 + \beta_1 P_{\text{porco}} + \varepsilon,onde \beta_1 é o efeito (slope) que queremos testar: se \beta_1\neq0 então Q_{\text{gado}} depende linearmente de P_{\text{porco}}.
    • Fornece inferência (teste, p‑valor) e previsão.

Passo 3

Escolha entre correlação ou regressão para esta pergunta e por quê (resposta direta):
  • A pergunta usa a palavra “depende”, que indica relação de dependência/preditiva (uma variável sendo explicada pela outra). Portanto a ferramenta apropriada é a regressão.
  • Justificativa curta e prática:
    • Regressão permite estimar o efeito de P_{\text{porco}} sobre Q_{\text{gado}} (magnitute, sinal e significância).
    • Correlação apenas diria “há associação” ou “não há associação”, sem quantificar o efeito nem permitir previsão ou teste de dependência causal/associativa com a mesma clareza.
  • Observação útil: pode usar correlação como passo exploratório (ver se há padrão), mas a resposta final à pergunta “depende?” exige regressão.

Passo 4

Como montar a regressão na prática (passo a passo que você pode fazer na prova):
  1. Colete pares de observações (P_{\text{porco},i}, Q_{\text{gado},i}), i=1,\dots,n.
  2. Faça um gráfico de dispersão (scatter plot) de Q_{\text{gado}} (eixo vertical) versus P_{\text{porco}} (eixo horizontal) — isso ajuda a ver se relação parece linear, curva, ruído, outliers.
  3. Ajuste o modelo de regressão linear simples: Q_{\text{gado},i} = \beta_0 + \beta_1 P_{\text{porco},i} + \varepsilon_i.
    • Aqui \beta_0 = intercepto (valor médio estimado de Q_{\text{gado}} quando P_{\text{porco}}=0), \beta_1 = coeficiente que diz quanto, em média, Q_{\text{gado}} varia quando P_{\text{porco}} aumenta 1 unidade, e \varepsilon_i = erro/resíduo.
  4. Fórmulas para os estimadores (que você pode calcular à mão se necessário): \hat\beta_1 = \frac{\sum_{i=1}^n (P_{\text{porco},i}-\bar P_{\text{porco}})(Q_{\text{gado},i}-\bar Q_{\text{gado}})} {\sum_{i=1}^n (P_{\text{porco},i}-\bar P_{\text{porco}})^2},
\hat\beta_0 = \bar Q_{\text{gado}} - \hat\beta_1 \bar P_{\text{porco}}.
  • Explicação: o numerador da \hat\beta_1 é a covariância amostral (produto dos desvios) e o denominador é a variância de P_{\text{porco}}. A razão dá o “declive” da reta que melhor ajusta os pontos no sentido dos mínimos quadrados.

Passo 5

Como testar se realmente “depende” (inferencia estatística básica):
  • Hipóteses: H_0:\\ \beta_1 = 0\quad\text{(nenhum efeito: \(P_{\text{porco}}\) não influencia \(Q_{\text{gado}}\))}ã
H_a:\\ \beta_1 \neq 0\quad\text{(há efeito)}á
(se você tem hipótese de sinal, pode usar H_a:\beta_1>0 ou <0.)
  • Estatística de teste (t):
    • Primeiro calcule a variância residual: \hat\sigma^2=\frac{1}{n-2}\sum_{i=1}^n (Q_{\text{gado},i}-\hat Q_{\text{gado},i})^2,com \hat Q_{\text{gado},i}=\hat\beta_0+\hat\beta_1 P_{\text{porco},i}.
    • Erro padrão de \hat\beta_1: SE(\hat\beta_1)=\sqrt{\frac{\hat\sigma^2}{\sum_{i=1}^n (P_{\text{porco},i}-\bar P_{\text{porco}})^2}}.
    • Estatística: t=\frac{\hat\beta_1}{SE(\hat\beta_1)}que, sob H_0, tem distribuição t com n-2 graus de liberdade (aproximadamente normal para n grande).
    • Compare com valor crítico da tabela t ou use p‑valor. Se rejeitar H_0, conclui-se que existe evidência estatística de dependência.

Passo 6

Interpretação econômica / prática dos resultados (o que olhar e o que significa):
  • Sinal de \hat\beta_1:
    • \hat\beta_1>0: quando o preço da porco sobe, a quantidade procurada de gado aumenta → as duas carnes são bens substitutos (consumidores trocam porco por gado).
    • \hat\beta_1<0: quando o preço da porco sobe, a demanda por gado diminui → bens complementares (raro nesse caso, mas teoricamente possível).
    • \hat\beta_1\approx0: sem efeito detectável.
  • Magnitude: \hat\beta_1 dá a variação absoluta de Q_{\text{gado}} por unidade monetária de P_{\text{porco}}. Ex.: \hat\beta_1=2{,}0 (kg/R$) significa que aumento de R$1/kg em porco está associado a +2 kg na procura por gado (média condicionada).
  • Significância: avaliar p‑valor e intervalo de confiança para \beta_1.
  • Ajuste: olhar R^2 (fração da variação de Q_{\text{gado}} explicada por P_{\text{porco}}), mas cuidado: R^2 baixo não invalida um coeficiente significativo economicamente importante.

Passo 7

Melhoria prática: elasticidade cruzada e uso do modelo logarítmico (quando preferir essa interpretação)
  • Economicamente costuma interessar saber elasticidade-preço cruzada: resposta percentual da demanda por gado a uma variação percentual no preço do porco: E_{cg}=\frac{\partial Q_{\text{gado}}}{\partial P_{\text{porco}}}\cdot\frac{P_{\text{porco}}}{Q_{\text{gado}}}.
  • Estimação simples: usar regressão log‑log \ln Q_{\text{gado}} = \alpha + \gamma \ln P_{\text{porco}} + u,onde \gamma é diretamente a elasticidade cruzada aproximada (interpretação: \gamma=0{,}5 → 1% de aumento no preço do porco eleva a demanda por gado em 0,5%).
  • Vantagem do log‑log: coeficiente de \ln P é interpretação percentual e homogeneiza escalas.

Passo 8

Caveats importantes (coisas para ter cuidado na prova e na análise real)
  • O simples ajuste de Q_{\text{gado}} em função só de P_{\text{porco}} pode ser enviesado por variáveis omitidas: renda dos consumidores, preço da carne de gado, sazonalidade, disponibilidade, publicidade, preferências, etc. Se possível, inclua essas variáveis num modelo de regressão múltipla: Q_{\text{gado}}=\beta_0+\beta_1 P_{\text{porco}}+\beta_2 P_{\text{gado}}+\beta_3 \text{Renda}+\cdots +\varepsilon.
  • Verifique os pressupostos clássicos: linearidade (ou escolha de transformação), ausência de outliers influentes, homocedasticidade (variância dos resíduos constante), independência das observações, e normalidade dos resíduos para inferência pequena amostra.
  • Correlação não implica causalidade: mesmo que \hat\beta_1 seja significativo, pense em direção de causalidade e em possíveis variáveis confundidoras. Se for necessário provar causalidade, técnicas adicionais (instrumentos, experimentos, variações naturais) são exigidas.

Passo 9

Resumo prático curto (como você responde na prova passo a passo):
  1. Diga que usa regressão (pois pergunta sobre dependência).
  2. Mostre os dados e o scatter plot.
  3. Calcule r como teste exploratório e depois estime a regressão Q_{\text{gado}}=\beta_0+\beta_1 P_{\text{porco}}+\varepsilon. Use as fórmulas de \hat\beta_1 e \hat\beta_0 se pedir cálculo manual.
  4. Teste H_0:\beta_1=0 com o t apresentado no Passo 5.
  5. Interprete o sinal e a magnitude; comente sobre elasticidade (usar log‑log se questão pedir interpretação percentual).
  6. Comente limitações (variáveis omitidas, pressupostos).

Passo 10

Um empurrão final e motivador: usar regressão não é só decorar fórmulas — é contar uma história: se \hat\beta_1>0 e significativo, a história é “preço do porco sobe → consumidores compram mais de gado” (substitutos). Se \hat\beta_1 não difere de zero, a história é “sem evidência de dependência”. Faça o gráfico, rode a regressão, e explique com palavras simples o que o número significa para quem toma decisões.

Resposta

Regressão (regressão linear simples ou regressão log‑log para estimar elasticidade).

Exercícios relacionados