Considere o seguinte modelo de regressão:
\frac{1}{Y_{i}}=\beta_{1}+\beta_{2}\left(\frac{1}{X_{i}}\right)+u_{i}
Nota: nem Y e nem X assumem valor zero.
a) É um modelo de regressão linear?
b) Como você estimaria este modelo?
c) O que ocorre com Y quando X tende ao infinito?
d) Você pode dar um exemplo em que este tipo de modelo seria adequado?

Passo 1

O enunciado dá o modelo
\frac{1}{Y_i}=\beta_1+\beta_2\left(\frac{1}{X_i}\right)+u_i,
com a nota de que nem Y nem X assumem valor zero.
As questões pedidas são:
a) Verificar se isso é um modelo de regressão linear.
b) Explicar como estimar esse modelo.
c) Determinar o que ocorre com Y quando X\to\infty.
d) Dar um exemplo prático onde esse tipo de modelo é adequado.

Passo 2

O que significa ser “modelo de regressão linear” (explicação didática, sem pular etapas):
  • Em regressão, existe uma diferença importante entre “linear nos regressores” e “linear nos parâmetros”. O sentido usado oficialmente para dizer que um modelo é de regressão linear é: o modelo é linear nos parâmetros. Isso quer dizer que a função que relaciona a variável dependente e os parâmetros \beta é uma combinação linear dos parâmetros (coeficientes), ainda que a variável dependente ou os regressores sejam transformados.
  • Um modelo linear genérico com intercepto e um regressor é
y_i=\beta_1+\beta_2 x_i+\varepsilon_i,
onde a relação é linear em \beta_1,\beta_2.
  • No nosso caso a variável dependente é w_i=\dfrac{1}{Y_i} e o regressor é z_i=\dfrac{1}{X_i}. Escrevendo assim:
w_i=\beta_1+\beta_2 z_i+u_i.
Aqui a combinação entre \beta_1 e \beta_2 é linear (aparecem multiplicando 1 e z_i respectivamente). Logo, do ponto de vista de “linearidade em parâmetros”, este é um modelo de regressão linear.
Observação importante: não é linear em Y nem em X — é linear em \beta após transformar as variáveis. Isso tem implicações práticas (por exemplo, previsões de Y envolvem inverter a transformação).

Passo 3

Como estimar o modelo (passo a passo prático e a fórmula do MQO):
  1. Faça a transformação das variáveis:
w_i=\frac{1}{Y_i},\qquad z_i=\frac{1}{X_i}.
  1. Escreva o modelo transformado:
w_i=\beta_1+\beta_2 z_i+u_i.
  1. Estime \beta_1 e \beta_2 por mínimos quadrados ordinários (MQO), ou seja, escolha \hat\beta_1,\hat\beta_2 que minimizam
\sum_{i=1}^n\big(w_i-\beta_1-\beta_2 z_i\big)^2.
  1. As equações normais (derivando em relação a \beta_1 e \beta_2 e igualando a zero) dão
\sum_{i=1}^n (w_i-\hat\beta_1-\hat\beta_2 z_i)=0,
\sum_{i=1}^n z_i(w_i-\hat\beta_1-\hat\beta_2 z_i)=0.
  1. Resolvendo essas equações (álgebra padrão) obtemos as estimativas explícitas. Defina as médias
\bar w=\frac{1}{n}\sum_{i=1}^n w_i,\qquad \bar z=\frac{1}{n}\sum_{i=1}^n z_i.
Então
\hat\beta_2=\frac{\sum_{i=1}^n (z_i-\bar z)(w_i-\bar w)}{\sum_{i=1}^n (z_i-\bar z)^2},
\hat\beta_1=\bar w-\hat\beta_2\bar z.
  1. Interpretação prática: isso é exatamente uma regressão linear usual, só que com w_i=1/Y_i e z_i=1/X_i. Em softwares estatísticos, basta regredir 1/Y sobre uma constante e 1/X.

Passo 4

Condições, validade e cuidados ao estimar (didático, o que checar na prova):
  • Para que o MQO seja não viciado (unbiased) e consistente é necessário que as hipóteses clássicas sejam válidas para o modelo transformado, por exemplo:
    • E[u_i\mid z_i]=0 (erro com média condicional zero),
    • observações independentes (ou pelo menos amostras apropriadas),
    • ausência de multicolinearidade perfeita (aqui só um regressor, então não é problema),
    • variância finita etc.
  • Atenção: a transformação pode alterar propriedades do erro. Se originalmente o modelo estrutural em termos de Y e X tivesse um erro com variância constante em Y, ao transformar para 1/Y a variância de u_i pode não ser constante (surgindo heterocedasticidade). Logo, depois de ajustar, verifique resíduos \hat u_i = w_i - \hat\beta_1 - \hat\beta_2 z_i e faça testes/intervalos robustos (ex.: erros padrão robustos de White) ou considere ponderar (WLS) se houver padrão de heterocedasticidade.
  • Para prever Y: a predição pontual para 1/Y é \widehat{1/Y}=\hat\beta_1+\hat\beta_2(1/X). Para obter predição de Y usa-se a inversa:
\widehat{Y}=\frac{1}{\hat\beta_1+\hat\beta_2(1/X)}.
Mas cuidado: E[1/\hat T]\neq 1/E[\hat T]. Ou seja, inverter a predição gera viés de transformação — para intervalos e variância é preciso usar métodos apropriados (delta method, bootstrap ou ajustar o modelo diretamente em termos de Y por NLS).

Passo 5

Demonstração curta da forma fechada de \hat\beta_2 e \hat\beta_1 com um exemplo numérico simbólico (mostrando os passos algébricos que você faria na prova):
  • Comece calculando z_i=\dfrac{1}{X_i} e w_i=\dfrac{1}{Y_i} para cada observação.
  • Calcule \bar z e \bar w.
  • Calcule as somas
S_{zz}=\sum_{i=1}^n (z_i-\bar z)^2,\qquad S_{zw}=\sum_{i=1}^n (z_i-\bar z)(w_i-\bar w).
  • Então
\hat\beta_2=\frac{S_{zw}}{S_{zz}},\qquad \hat\beta_1=\bar w-\hat\beta_2\bar z.
Faço isso passo a passo na prova com tabelinha de X_i,Y_i,z_i,w_i, calculo médias, depois diferenças, depois produtos e somo — é rotina de MQO.

Passo 6

O que ocorre com Y quando X\to\infty (explicação passo a passo, sem pular etapas):
  1. Observe que \dfrac{1}{X}\to 0 quando X\to\infty.
  2. Substituindo isso no modelo:
\frac{1}{Y_i}=\beta_1+\beta_2\left(\frac{1}{X_i}\right)+u_i \quad\Longrightarrow\quad \text{quando }X_i\to\infty,\; \frac{1}{Y_i}\to\beta_1+u_i.
  1. Se estivermos falando da parte determinística (ou do valor esperado do erro com E[u_i\mid X_i]=0), então
E\!\left[\frac{1}{Y_i}\Big|X_i\to\infty\right]\to\beta_1.
  1. Portanto, para a previsão (determinística) de Y,
\text{previsão: }\widehat{Y}\to\frac{1}{\beta_1}\quad\text{quando }X\to\infty,ã
desde que \beta_1\neq 0.
  1. Observações e casos especiais:
  • Se \beta_1\neq 0, então Y tende (em previsão/na parte média) a 1/\beta_1.
  • Se \beta_1=0 (caso raro mas possível), então 1/Y\to 0 e, ignorando o ruído, Y\to\infty.
  • Na prática, por causa do termo u_i, o comportamento real de Y é Y\approx 1/(\beta_1+u_i) para X muito grande, e a média de Y não é exatamente 1/\beta_1 (porque a média do inverso não é o inverso da média). Para obter inferência sobre Y em vez de 1/Y, usar delta method ou bootstrap.

Passo 7

Exemplo prático adequado (explicação e identificação dos parâmetros com o modelo):
  • Exemplo clássico e direto: cinética enzimática (Michaelis–Menten) linearizada por Lineweaver–Burk. Nesse contexto:
    • Y é a velocidade da reação V.
    • X é a concentração do substrato [S].
    • A equação de Michaelis–Menten é
    V=\frac{V_{\max}[S]}{K_m+[S]}.
    Tomando recíprocos obtemos a forma linearizada
    \frac{1}{V}=\frac{K_m}{V_{\max}}\cdot\frac{1}{[S]}+\frac{1}{V_{\max}},
    que é exatamente da forma
    \frac{1}{Y}=\beta_2\frac{1}{X}+\beta_1,
    com \beta_1=\dfrac{1}{V_{\max}} e \beta_2=\dfrac{K_m}{V_{\max}}.
  • Por que é adequado:
    • Nem V nem [S] são zero na prática (ou pelo menos, trabalhos experimentais evitam pontos com zero).
    • A transformação torna a relação linear em parâmetros e permite estimar V_{\max} e K_m por MQO sobre os recíprocos (embora haja questões sobre variância e viés que precisam ser tratados).
  • Outro exemplo possível (mais econômico): modelo em que tempo por unidade Y é inversamente proporcional a eficiência X. A relação entre recíprocos pode ser mais natural do que uma relação linear direta.

Passo 8

Dicas práticas e advertências finais (para a prova e para usar em dados reais — amigável e encorajador):
  • Na prova: transforme, escreva w_i=1/Y_i e z_i=1/X_i, então faça a regressão linear padrão. Mostre as equações normais e as fórmulas para \hat\beta_1,\hat\beta_2. Isso ganha pontos porque deixa claro o entendimento da transformação.
  • Em dados reais:
    • Verifique se existem observações com X_i ou Y_i próximas de zero — aí a transformação pode explodir e dar problemas.
    • Após estimar, examine gráficos de resíduos contra z_i para checar heterocedasticidade. Use erros padrão robustos se necessário.
    • Se o objetivo for boa previsão de Y (e não de 1/Y), considere ajustar o modelo original por mínimos quadrados não lineares (NLS) ou usar correção de viés ao inverter a predição. O NLS ajusta diretamente Y em termos de \beta minimizando \sum (Y_i - 1/(\beta_1+\beta_2(1/X_i)))^2, mas é um procedimento não linear e exige algoritmo iterativo.
Força — você já tem o caminho: transforme, regresse, cheque os resíduos e interprete com cuidado a inversão da predição.

Resposta

a) Sim. É um modelo de regressão linear no sentido usual (linear nos parâmetros): escrevendo w_i=\dfrac{1}{Y_i} e z_i=\dfrac{1}{X_i} obtém-se w_i=\beta_1+\beta_2 z_i+u_i.
b) Estimaria por MQO: regredir w_i=1/Y_i sobre uma constante e z_i=1/X_i. As estimativas são \displaystyle \hat\beta_2=\dfrac{\sum_{i=1}^n (z_i-\bar z)(w_i-\bar w)}{\sum_{i=1}^n (z_i-\bar z)^2} e \hat\beta_1=\bar w-\hat\beta_2\bar z. Usar erros padrão robustos se houver heterocedasticidade; para prever Y inverter a predição: \widehat{Y}=1/(\hat\beta_1+\hat\beta_2(1/X)) (com cautela quanto a viés).
c) Como X\to\infty tem 1/X\to0, então 1/Y\to\beta_1+u. Em termos de previsão (ignorando o ruído), \widehat{Y}\to 1/\beta_1 se \beta_1\neq0. Se \beta_1=0 (caso especial), então Y\to\infty. Note que a média de Y não é exatamente 1/\beta_1 por causa da não linearidade e do erro.
d) Exemplo clássico: a linearização de Lineweaver–Burk da cinética Michaelis–Menten em bioquímica. Tomando Y=V (velocidade) e X=[S] (concentração), obtém-se \dfrac{1}{V}=\dfrac{K_m}{V_{\max}}\cdot\frac{1}{[S]}+\dfrac{1}{V_{\max}}, que é da forma dada.

Exercícios relacionados