GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
7.1.2 Transportes – Regressão Explanatória<br />
Buscando realizar uma previsão por regressão para o setor de Transportes, pode-se<br />
pensar nas seguintes variáveis que teriam algum relacionamento lógico com a mesma:<br />
Transportes<br />
No N carros movidos a GNV<br />
o carros movidos a GNV<br />
f PIB<br />
No N domicílios<br />
o domicílios<br />
Figura 14: Possíveis variáveis explanatórias para demanda de transportes<br />
Ou seja, considera-se que, de alguma forma, a demanda de gás do setor de transportes<br />
possa estar relacionada com o número de carros convertidos a GNV no Brasil, o PIB nacional<br />
ou o número de domicílios nacional. A primeira variável descrita deve, intuitivamente, ser<br />
fortemente relacionada com a demanda de gás do setor de transporte. Já as outras duas<br />
variáveis são “coringas”, relacionadas à aspectos macroeconômicos brasileiros, podendo ser<br />
utilizadas em diversos tipos de análises de regressão.<br />
Rodando no Minitab ® uma regressão Stepwise forward-with-a-backward look com<br />
essas três variáveis e os parâmetros de “Alpha-to-enter” e “Alpha-to-remove” de 15%, obtémse<br />
a seguinte equação:<br />
Equação 29: Demanda de transportes em função de modelo de regressão explanatória<br />
y = 61,<br />
79<br />
+ 0,<br />
00185<br />
× NúmeroDeCarrosGNV<br />
Tal equação possui um R 2 de 99,5%, resultado bastante elevado que pode ser<br />
justificado pelo baixo número de pontos que estão sendo incluídos na regressão (10). Além<br />
disso, todos os seus t-stat são maiores do que 2.<br />
79