Regressão Linear Múltipla

REGRESSO LINEAR MLTIPLA
PPGEP
CAPTULO 10
Muitos problemas de regresso envolvem mais de uma varivel

regressora. Por exemplo, a qualidade de um processo qumico
pode depender da temperatura, presso e taxa de agitao. Nesse
caso h trs variveis regressoras.
Regresso Linear Mltipla
REGRESSO LINEAR
MLTIPLA
PPGEP
UFRGS
O Modelo da Regresso Linear Mltipla

O modelo geral da regresso linear mltipla :
Y = 0 + 1 X 1 + 2 X 2 + ... + k X k + (1)
O problema ento estimar o valor dos coeficientes i a partir
de um conjunto de dados do tipo:
PPGEP/UFRGS
Y
y1
y2
.
.
.
yn
X1
x11
x21
.
.
.
xn1
X2
x12
x22
.
.
.
xn2
...
...
...
.
.
.
...
nesse caso fcil mostrar que:
Xk
x1k
x2k
.
.
.
xnk
PPGEP
0, = 0 + 1 x1 + ... + k xk
enquanto que os demais coeficientes 1,...,k ficam inalterados. O
que est sendo feito simplesmente eliminar o valor mdio das
variveis regressoras.
PPGEP
Novamente, o mtodo dos mnimos quadrados usado para

minimizar:
L = y j b0 + b1 x1 j + ... + bk xkj
)]2
(2)
Observa-se que a aplicao do mtodo dos mnimos quadrados fica

simplificada se o modelo (1) reescrito como:
Y = 0, + 1 ( X 1 x1 ) + ... + k ( X k xk ) +
PPGEP/UFRGS
(3)
3
Alm de simplificar a estimativa dos coeficientes, o uso do modelo

(3) tambm facilita outras tarefas associadas a inferncias.
Usando (3) , a funo a ser minimizada :
[ (
L = yi b0, + b1 x1 j x1 + ... + bk xkj xk
PPGEP/UFRGS
))]2
(4)
Notao Matricial
PPGEP
PPGEP
0,
1 ( x11 x1 ) ... ( xk 1 xk )
Y1
1

.
.
.
.
.
.

; = . ; = .
Y = . ; X = .
.
.

.
.
.
.
.

.

1 ( x1n x1 ) ... ( xkn xk )
Yn
n
k
Genericamente, tem-se que Y o vetor n x 1 das observaes, X

a matriz n x p com os nveis das variveis regressoras, o
vetor p x 1 com os coeficientes da regresso e o vetor n x 1
com os erros aleatrios (sendo p = k + 1).
PPGEP/UFRGS
PPGEP
Pode ser demonstrado que a aplicao do mtodo dos mnimos

quadrados conduz seguinte soluo:
Exemplos
Exemplo 10.1: (ver Montgomery (1984)) Um distribuidor de
cerveja est analisando seu sistema de distribuio.
Especificamente ele est interessado em prever o tempo
requerido para atender um ponto de venda. O engenheiro
industrial acredita que os dois fatores mais importantes so o
nmero de caixas de cerveja fornecidas e a distncia do depsito
ao posto de venda. Os dados coletados aparecem a seguir:
(6)
onde b o vetor p x 1 com as estimativas dos coeficientes . A

soluo (6) ir existir sempre que as variveis regressoras forem
linearmente independentes.
(Nota: as variveis regressoras no sero independentes quando
uma coluna da matriz X for uma combinao linear de outras
colunas).
PPGEP/UFRGS
PPGEP
PPGEP/UFRGS
b = ( X ' X )1 X ' Y
Para lidar com o problema de regresso linear mltipla, mais

conveniente usar notao matricial, pois assim tem-se uma
apresentao muito compacta dos dados, do modelo e dos
resultados. Em notao matricial o modelo (3) aparece
representado como: Y = X +
Estimativa dos Coeficientes
X1: No de caixas
10
15
10
20
25
18
12
14
16
22
24
17
13
30
24
X2: Distncia
30
25
40
18
22
31
26
34
29
37
20
25
27
23
33
Y: Tempo
24
27
29
31
25
33
26
28
31
39
33
30
25
42
40
Escolhemos ajustar o seguinte modelo a esses dados:

Y = 0, + 1 (X 1 x ) + 2 (X 2 x ) +
PPGEP/UFRGS
Desde que x1 = 18 e x2 = 28 , esse modelo em notao matricial :
E usando as regras para produto e inverso de matriz, obtemos

PPGEP
24 1 - 8 2
27 1 - 3 - 3

29 1 - 8 12

31 1 2 - 10
25 1 7 - 6

33 1 0 3
26 1 - 6 - 2

28 = 1 - 4 6
31 1 - 2 1

39 1 4 9
33 1 6 - 8

30 1 - 1 - 3
25 1 - 5 - 1

42 1 12 - 5

5
40 1 6
1

2
3

4
5

6

0,
7

1 + 8

9
2
10

11
12

13

14
15
PPGEP/UFRGS
PPGEP
15
0
0
X' X = 0 504 - 213 ;

0 - 213 548
PPGEP
ou
Y$ = 2 ,315 + 0,8772 X1 + 0,4559 X 2
A tabela a seguir apresenta os valores observados, os valores

previstos pelo modelo e os respectivos resduos:
rj = Yj Y$j
11
0
0,002374
0,0009228
0,0009228
0,002183
0
De forma que o vetor das estimativas dos coeficientes resulta:

b,
30,87
0
b = b1 = (X' X )1 X' Y = 0,8772

0,4559
b 2
PPGEP/UFRGS
Y$ = 30,87 + 0,8772( X1 18) + 0,4559( X 2 28)
0,06667
0
0
(X ' X )1 =
E o modelo de regresso :
PPGEP/UFRGS
463
X' Y = 345
63
PPGEP
10
Yj
Y$j
rj = Yj Y$j
24
27
29
31
25
33
26
28
31
39
38
30
25
42
40
24,76
26,87
29,32
28,06
34,27
32,23
24,69
30,09
29,57
38,48
32,48
28,62
26,02
39,11
38,41
-0,76
0,13
-0,32
2,94
-9,27
0,77
1,31
-2,09
1,43
0,52
0,52
1,38
-1,02
2,89
1,59
PPGEP/UFRGS
12
Para testar se o ajuste adequado, os resduos poderiam ser

plotados em funo de Y , em funo de X1 ou em funo de X2 .
10
10
6
2
6
2
Re
Re
-2
-6
( )
-10
O ganho em um processo qumico est sendo estudado. O

engenheiro escolheu 3 fatores (Temperatura, Presso e
Concentrao) e rodou um experimento fixando cada um desses
fatores a dois nveis.
X2(Presso)
-1
-1
1
-1
1
1
-1
1
PPGEP/UFRGS
Resduos x Y$
22
26
18
X1
99.9
99
95
80
50
20
5
1
0.1
( )
-10
24
27
30
33
26
30
34
38
42
Papel de Probabilidade
6
2
-2
-6
22
X2
10
Re
( )
-10
30
36
39
Valor predito de Y
42
( )
-10
-7
-4
-1
Resduos
Se houver registro de alguma causa especial que tenha afetado esta

entrega em particular, essa observao poderia ser eliminada do
conjunto e a anlise poderia ser refeita, possivelmente fornecendo
um modelo mais preciso.
PPGEP/UFRGS
14
Escolhemos ajustar o seguinte modelo ( X i = 0 )

PPGEP
Y = 0 + 1X1 + 2X2 + 3X3 +

As matrizes XX e XY resultam:
Os dados aparecem a seguir. Vejam que os nveis dos fatores foram

codificados como -1 (nvel baixo) e +1 (nvel alto).
X1(Temp.)
-1
-1
-1
1
1
-1
1
1
18
13
Exemplo 10.2: (ver Montgomery (1984)) Este exemplo ilustra o uso

da Anlise de Regresso em conjunto com Projeto de
Experimentos.
Ganho %
32
36
57
46
65
57
48
68
14
<=
Qualquer um desses grficos iria evidenciar que a observao da

linha 5 , sem dvida, um dado atpico:
PPGEP/UFRGS
PPGEP
Os resduos tambm poderiam ser plotados em papel de

probabilidade, para testar a suposio de normalidade.
X3(Concent.)
-1
1
-1
-1
-1
1
1
1
15
10
-2
-6
<=
PPGEP
<=
PPGEP
Resduos x X2
<=
Resduos x X1
8
0
X' X =
0
0
0
8
0
0
0
0
8
0
0
0
= 8 I4 ;
0
8
409
45
X' Y =
85
9
E como XX diagonal, a sua inversa (XX)-1=(1/8)I4 . Assim as

estimativas dos coeficientes resultam:
b0 51,125
b
5,625
1
b= =
b2 10,625

b3 1,125
PPGEP/UFRGS
16
PPGEP
E o modelo de regresso :
PPGEP
)2
(n k 1)
A matriz de correlaes tambm simtrica, de ordem p x p :
i,j = 0,...,k
j = 1,n
A partir da matriz de varincias e covarincias tambm possvel

encontrar a matriz de correlao, uma vez que tem-se:
rij = Cij
Cii C jj
18
PPGEP
onde S2 a varincia residual, associada com os desvios em relao

ao hiperplano do modelo de regresso:
S 2 = Y j Y j
(X' X)-1
C00 C01 ... C0k

C
C ... C1k
10 11
.
.
.
=
.
.
.
.
.
.
Ck0 Ck1 ... Ckk
PPGEP/UFRGS
i = 0,...,k
Covar(bi,bj) = Cij S2
Usando a notao:
17
possvel demonstrar que:

Var(bi) = Cii S2
Se ns podemos escolher os nveis de Xi vantajoso fazer essa

escolha de modo a obter XX diagonal. Projetos de
Experimentos que apresentam essa propriedade so chamados
de projetos ortogonais. Um exemplo de projetos desse tipo a
classe dos projetos 2k. Esses projetos tm sido usados com
freqncia crescente no meio industrial.
PPGEP/UFRGS
PPGEP
A matriz (XX)-1 chamada de matriz de varincias e

covarincias. uma matriz simtrica de ordem p x p e seus
elementos so usados na determinao das varincias Sij2.
Nesse exemplo a matriz inversa fcil de obter porque X X

diagonal. H vrias vantagens quando X X diagonal. Os
clculos so mais fceis e a estima dos coeficientes est livre de
qualquer correlao [ Cov (bi,bj) = 0 ].
i,j = 0,...,k
onde, naturalmente, para i = j tem-se rii = 1 .

PPGEP/UFRGS
19
Y$ = 51,125 + 5,625X1 + 10,625X 2 + 1,125X 3
Matriz de Varincias e Covarincias
1 r01 ... r0k

r
1 ... r1k
10
.
.
.
K=
.
.
.
.
.
.
rk 0 rk 1 ... 1
A matriz de correlaes R til para detectar problemas de

multicolinearidade. Se um coeficiente rij qualquer fora da
diagonal tiver mdulo 1,0 teremos uma dependncia entre as
variveis independentes i e j.
PPGEP/UFRGS
20
PPGEP
PPGEP
(No possvel distinguir se o efeito sobre a varivel de resposta se

deve varivel regressora i ou j, uma vez que elas esto variando
sempre no mesmo sentido).
O ideal que a matriz de correlaes seja diagonal, com zeros ou
valores prximos de zeros nas posies fora da diagonal. Isso
assegura estimativas no-confundidas dos diversos coeficientes i.
PPGEP/UFRGS
Exerccio 10.1
Nesse caso, a estimativa dos coeficientes associados s variveis i e j

estar comprometida.
PPGEP/UFRGS
21
PPGEP
PPGEP
X1: EVA
4 6 6 8 8 4 4 6 6 8 8
X2: Paraf.
8 8 8 8 8 12 12 12 12 12 12
Y: Resist.
28,5
26, 33, 32, 35, 36, 36, 34, 37, 39, 42, 44,
4 0 1 3 7 6 2 9 9 6 2
PPGEP/UFRGS
Testes de Hiptese
Para construir os testes de hiptese relativos a regresso
mltipla, vamos supor que os resduos j sigam o modelo
normal com mdia 0 e varincia S2 .
10.1) A resistncia de uma cera depende da quantidade de EtilVinil-Acetato (EVA) e da quantidade de Parafina adicionados
cera. Ajuste um modelo do tipo Y = 0 + 1 X1 + 2 X2 aos dados
que aparecem a seguir:
22
23
H dois tipos de teste que podem ser feitos: testes individuais

sobre a significncia de cada parmetro bj e um teste global
para o modelo.
Significncia de cada parmetro

Se os resduos seguem o modelo normal, os parmetros bj
tambm iro seguir esse modelo, ou seja:
2
b j N j ,bj
)
PPGEP/UFRGS
24
PPGEP
PPGEP
Para testar a significncia do modelo de regresso mltipla,

usaremos o teste F.
De modo que para testar as hipteses
Os desvios (Yj Y ) podem ser escritos na forma:
H0: j = 0
Usamos a distribuio de Student, calculando
H1: j 0
tj = bj / Sbj
Como sempre, a hiptese nula ser rejeitada se
t j > t / 2 , n k 1
PPGEP/UFRGS
PPGEP
elevando ao quadrado e somando, obtemos:
(Yj Y )
= Yj Y$j
Dessa forma temos:
+ Yj Y
uma vez que pode ser demonstrado que o produto cruzado nulo.
PPGEP/UFRGS
PPGEP
26
para testar a significncia do modelo. A hiptese inexistncia de

relao entre X e Y deve ser rejeitada se resultar
F > F/2, k, n-k-1
Para o clculo das somas quadradas as seguintes frmulas prticas
podem ser usadas:
onde os correspondentes GDL valem:
(n-1) = (n-k-1) + (k)

de forma que as mdias quadradas resultam:
MQR = SQR / (n-k-1)
MQReg = SQReg / k
e usamos
F = MQR / MQReg
PPGEP/UFRGS
(Yj Y ) = (Yj Y$j ) + (Y$j Y )
25
SYY = SQR + SQReg
Significncia do Modelo de Regresso
27
SYY =
n
y 2j y j
j =1
j =1
n
SQR = SYY
SQReg =
bi Siy
i =1
bi Siy
i =1
onde os valores Siy aparecem no vetor XY , ou seja,

Yj
S1y
.
X' Y =
.
Sky
PPGEP/UFRGS
28
PPGEP
Coeficientes de Determinao para o

Modelo de Regresso Mltipla
PPGEP
-Apresente a matriz de varincias e covarincias e a matriz de

correlao;
SQReg
SYY
r2
O coeficiente
indica a percentagem da variabilidade total que
explicada pelo modelo de regresso.
Se r2 =1, todas as observaes estaro sobre o hiperplano
definido pelo modelo. Se r2 =0 , no h nenhuma relao entre a
varivel de resposta e as variveis regressoras.
PPGEP/UFRGS
PPGEP
-Calcule a varincia residual S2 e a varincia de b1, Sb12;
A frmula para o clculo do coeficiente de determinao r2 a

mesma apresentada ao final do captulo 9, ou seja:
2
0 ,06667
( X ' X ) 1 = 0
0
0
0,002374
0,0009228
-Calcule o coeficiente de determinao;

Soluo:
A matriz de varincias e covarincias a matriz (XX)-1 , enquanto
que a matriz de correlaes obtida dividindo os termos da matriz
XX pelos correspondentes termos da diagonal. Assim,
PPGEP/UFRGS
PPGEP
30
SYY = yj2 - (yj)2 / n = 449,73

SQReg = b1S1y + b2S2y = 331,36
SQR = SYY - SQReg = 118,37
Sb21
-Teste a significncia do modelo;
O teste de significncia para o modelo feito usando a tabela ANOVA.
0
0,0009228
0,002183
Para calcular S2 e Sb12 , usamos:

2
( Yi Y$ ) ( n k 1)
-Teste de significncia de b1;
29
1
0
0
1
0,405
r = 0
0 0,405
1
S2 =
Exemplo 10.3: Para o problema da distribuio das caixas de cerveja,

pede-se:
= 118 ,37 12 = 9 ,86
= S C11 = 9 ,86 ( 0 ,002374) = 0 ,0234 ; Sb1 = 0 ,153

2
o teste de significncia para b1 :

t1 = b1 / Sb1 = 0,8772 / 0,153 = 5,73
t1 = 5,73 > t0,025;12 = 2,179 rejeita-se a hiptese nula
PPGEP/UFRGS
31
Fonte
Modelo
Residual
Total
SQ
331,36
118,37
449,73
GDL
2
12
14
MQ
165,58
9,86
F
16,80
F = 16,80 > F0,05;2;12 = 3,89; rejeita-se a hiptese nula

E nesse exemplo o coeficiente de determinao vale SQReg/SYY = 0,737;
ou seja 73,7% da variabilidade total no tempo de entrega explicada
pela relao que essa varivel mantm com o nmero de caixas e a
distncia do posto de vendas.
PPGEP/UFRGS
32
PPGEP
PPGEP
Ainda em relao aos dados do exerccio 10.1, pede-se:

Apresente a matriz de varincias e covarincias e a matriz de
correlaes. Analise a matriz de correlaes e indique se h
indcios de mal condicionamento;
Exerccio 10.3
PPGEP/UFRGS
PPGEP
PPGEP
Calcule o coeficiente de determinao e indique o seu significado

tcnico;
Pode ser demonstrado que os intervalos de confiana de 100(1-)%

para um valor mdio e individual de Y so, respectivamente:
Valor mdio: Y0 t / 2 ,n k 1 S 2 (X 0, ( X ' X )1 )
Valor indiv.: Y0 t / 2 ,n k 1 S 2 (1 + X 0, ( X ' X )1 X 0 )
O fator que multiplica t/2 corresponde ao erro de previso. A diviso

desse fator por Y$0 produz o coeficiente de variao da previso.
35
34
Anlise das Suposies do Modelo de

Regresso
Nas sees anteriores foi feita a suposio N(0,2) , ou seja, supese normalidade na distribuio dos resduos e homogeneidade da
varincia residual.
Y$0 = b0 + b1 X 10 + ... + bk X k 0
PPGEP/UFRGS
Teste de significncia do modelo;
PPGEP/UFRGS
Assim como no caso da regresso simples, a relao encontrada pode ser

usada para a previso de um valor mdio ou individual de Y. Seja:
X0
Teste de significncia de b1 e b2 ;
33
Previso de Valores de Y
X 10
X
20
.
=
.
.
X k0
Calcule a varincia residual S2 e a varincia de b1 e b2 ;
A suposio de normalidade dos resduos pode ser testada por testes

grficos (papel de probabilidade) ou analticos (teste do Chi-quadrado,
Kolmogorov-Smirnov, etc.).
Para o teste de normalidade, usam-se os resduos padronizados:
R j = Y j Y j S 2
onde Y j = b0 + b1 X 1 j + ... + bk X kj
PPGEP/UFRGS
36
PPGEP
PPGEP
Para examinar se o erro padro da estimativa constante, analisam-se

os grficos
O modelo aditivo Y = X + um modelo geral e pode ser usado

para ajustar qualquer relao que seja linear com referncia aos
parmetros desconhecidos .
Os resduos tambm podem ser analisados, para verificar a existncia

de dados atpicos.
PPGEP/UFRGS
PPGEP
R j Y j e R j X i
Se a suposio de normalidade ou de homogeneidade no forem

satisfeitas, muitas vezes possvel contornar o problema aplicando
certas transformaes matemticas aos dados.
1,4
9,40
1,6
10,50
1,8
11,00
1 - 0,5 0,25
1 - 0,3 0,09
1 - 0,1 0,01
X=
0,1 0,01
1
1
0,3 0,09
0,5 0,25
1
PPGEP/UFRGS
Y = 0 + 1 x1 + 2 x2 + 3 x12 + 4 x22 + 5 x1 x2 +
38
6 ,0
X ' X = 0 ,0
0 ,7
0,0
0,7
0,0
0,7
0,0 ;
0,1414
58 ,95
X' Y = 4 ,965
6 ,938
De modo que as estimativas de so:
2
14,00
Em notao matricial, usando X X , tem-se:

6 ,15
7 ,90
9 ,40
Y =
10 ,50
11,00
14 ,00
ou ento para ajustar um polinmio de segundo grau em duas

variveis:
As matrizes XX e XY resultam:
PPGEP
1,2
7,90
Y = 0 + 1x + 2x2 + ... + kxk +
PPGEP/UFRGS
Exemplo 10.4: (ver Montgomery (1984)) Pede-se para ajustar o

modelo Y = 0 + 1 x + 2 x2 + aos dados que aparecem a seguir:
1,0
6,15
Veja que a exigncia de linearidade refere-se a e no a X. Assim,

o modelo pode ser usado para ajustar um polinmio de ordem k em
uma varivel:
37
Regresso polinomial
x
y
Regresso Polinomial
0
= 1

2
39
b = (X' X )
- 1,9527 58 ,95 9 ,70

0 ,3945
X' Y =
1,4286
4 ,965 = 7 ,08
16,737 6 ,938 1,00

1,9527
Assim, o modelo de regresso fica:

2
Y$ = 9 ,70 + 7 ,08 ( X X ) + 100
, ( X X)
ou
Y$ = 1,33 + 4,08 X + 100

, X2
PPGEP/UFRGS
40
PPGEP
Esse mtodo geral pode ser usado para ajustar dados que tenham
um formato qualquer. No entanto, se os nveis das variveis
regressoras forem eqidistantes, ento o uso de polinmios
ortogonais simplifica bastante o esforo de clculo.
PPGEP
(1) Os polinmios so muito teis para fornecer uma aproximao

para relaes no lineares complexas e desconhecidas. Esse tipo de
aplicao aparece com freqncia na prtica.
O uso de polinmios ortogonais aparece descrito em Montgomery

& Peck (1991) e Nanni & Ribeiro (1991).
PPGEP/UFRGS
(4) Vale lembrar que sempre pode ser obtido um polinmio de

ordem n-1 que ajusta-se perfeitamente aos dados. Tal modelo no
ajudaria em nada para a compreenso do fenmeno em estudo e
nem tampouco seria um bom estimador.
42
PPGEP
(5) Extrapolaes com polinmios devem ser feitas com muito

cuidado. Alm do intervalo investigado, os polinmios podem
apresentar um comportamento estranho, girando na direo oposta
do esperado.
Exerccio 10.5
(6) Na medida que cresce a ordem do polinmio, a matriz XX

torna-se mal condicionada e a preciso das estimativas diminui.
Esse problema aliviado quando se centra as variveis regressoras,
isto , quando se usa ( X ij X i ) .
(7) A matriz XX tambm tende a tornar-se mal condicionada
quando os valores de X esto limitados a um intervalo muito
estreito. De forma geral, ampliando o intervalo de investigao,
melhoram as estimativas dos coeficientes.
PPGEP/UFRGS
(3) Um modelo de ordem mais baixa usando variveis

transformadas sempre prefervel a modelos de ordem mais alta
na mtrica original.
PPGEP/UFRGS
41
Comentrios em relao aos modelos

polinomiais:
(2) importante manter a ordem do polinmio to baixa quanto

possvel. Polinmios de ordem mais alta (k > 2) devem ser evitados,
a menos que haja justificativas tcnicas para o seu uso.
PPGEP
Comentrios em relao aos modelos

polinomiais:
43
PPGEP/UFRGS
44
Exerccios:
PPGEP
PPGEP
Intervalo
Produtivi
dade
136
137
135
140
136
145
146
147
147
148
146
144
148
145
145
10
134
131
136
134
133
12
117
119
117
115
116
PPGEP/UFRGS
PPGEP
10.2) Calcule o valor dos resduos para os dados do exerccio 10.1

e a seguir analise esses resduos plotando os grficos:
10.5) Considere os dados do exerccio 8.5 e use o modelo do tipo Y

= 0 + 1X + 2X2 para ajustar a produtividade mensal em funo
do intervalo entre manutenes preventivas.
45
10.6 Os dados a seguir mostram os valores da distribuio normal

acumulada para diferentes valores da varivel reduzida Z. Ajuste
um modelo do tipo Y = 0 + i Xi a esses dados. Aps, calcule o
valor da varincia residual (que no caso deve-se exclusivamente
falta de ajuste) e indique se o ajuste satisfatrio para a maioria das
aplicaes prticas. Por fim, use o modelo para extrapolaes, ou seja,
calcule, por exemplo, F(-4) e F(+4) e indique se o modelo pode ser
usado para extrapolaes.
Z
F(Z)
-3
,0013
-2,5 -2,0 -1,5 -1,0 -0,5 0

0,5
1,0
,0062 ,0228 ,0668 ,1587 ,3085 ,5000 ,6915 ,8413
Z
F(Z)
1,5
2,0
2,5
3,0
,9332 ,9772 ,9938 ,9987
10.7 Repita o exerccio 10.1 acrescentando um termo 3 X1 X2 ao

modelo. Teste a significncia deste termo e conclua se h razes para
mant-lo no modelo.
PPGEP/UFRGS
47
10.4) Considere os dados do exerccio 8.2 e use um modelo do tipo

Y = 0 + 1 X + 2 X2 para ajustar a resistncia compresso em
funo da adio de microsslica.
Adio
Resistncia (MPa)
0%
28,1 26,5 24,3
5%
35,3 34,3 37,5
10%
39,8 44,1 42,3
15%
39,1 40,8 43,0

PPGEP/UFRGS
46

Regressão Linear Múltipla

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Regressão Linear Múltipla

Enviado por

Direitos autorais:

Formatos disponíveis

REGRESSO LINEAR MLTIPLA

Muitos problemas de regresso envolvem mais de uma varivel

Regresso Linear Mltipla

O Modelo da Regresso Linear Mltipla

nesse caso fcil mostrar que:

Regresso Linear Mltipla

Regresso Linear Mltipla

Novamente, o mtodo dos mnimos quadrados usado para

Observa-se que a aplicao do mtodo dos mnimos quadrados fica

Alm de simplificar a estimativa dos coeficientes, o uso do modelo

L = yi b0, + b1 x1 j x1 + ... + bk xkj xk

Regresso Linear Mltipla

Regresso Linear Mltipla

Genericamente, tem-se que Y o vetor n x 1 das observaes, X

Pode ser demonstrado que a aplicao do mtodo dos mnimos

onde b o vetor p x 1 com as estimativas dos coeficientes . A

Regresso Linear Mltipla

Regresso Linear Mltipla

Para lidar com o problema de regresso linear mltipla, mais

Estimativa dos Coeficientes

Escolhemos ajustar o seguinte modelo a esses dados:

Desde que x1 = 18 e x2 = 28 , esse modelo em notao matricial :

E usando as regras para produto e inverso de matriz, obtemos

X' X = 0 504 - 213 ;

Regresso Linear Mltipla

A tabela a seguir apresenta os valores observados, os valores

De forma que o vetor das estimativas dos coeficientes resulta:

Y$ = 30,87 + 0,8772( X1 18) + 0,4559( X 2 28)

Regresso Linear Mltipla

Regresso Linear Mltipla

Regresso Linear Mltipla

Para testar se o ajuste adequado, os resduos poderiam ser

Regresso Linear Mltipla

O ganho em um processo qumico est sendo estudado. O

Se houver registro de alguma causa especial que tenha afetado esta

Escolhemos ajustar o seguinte modelo ( X i = 0 )

Y = 0 + 1X1 + 2X2 + 3X3 +

Os dados aparecem a seguir. Vejam que os nveis dos fatores foram

Exemplo 10.2: (ver Montgomery (1984)) Este exemplo ilustra o uso

Qualquer um desses grficos iria evidenciar que a observao da

Regresso Linear Mltipla

Os resduos tambm poderiam ser plotados em papel de

Regresso Linear Mltipla

Regresso Linear Mltipla

E como XX diagonal, a sua inversa (XX)-1=(1/8)I4 . Assim as

A matriz de correlaes tambm simtrica, de ordem p x p :

A partir da matriz de varincias e covarincias tambm possvel

onde S2 a varincia residual, associada com os desvios em relao

C00 C01 ... C0k

possvel demonstrar que:

Regresso Linear Mltipla

Regresso Linear Mltipla

Se ns podemos escolher os nveis de Xi vantajoso fazer essa

A matriz (XX)-1 chamada de matriz de varincias e

Nesse exemplo a matriz inversa fcil de obter porque X X

onde, naturalmente, para i = j tem-se rii = 1 .

Regresso Linear Mltipla

Regresso Linear Mltipla

Y$ = 51,125 + 5,625X1 + 10,625X 2 + 1,125X 3

Matriz de Varincias e Covarincias

1 r01 ... r0k

A matriz de correlaes R til para detectar problemas de

(No possvel distinguir se o efeito sobre a varivel de resposta se