1

Modelo de Regressão Linear Simples (MRLS): Ajusta uma reta entre os pontos que minimize a
soma do erro quadrático médio. O método mais utilizado para estimar os parâmetros é conhecido como
Mínimos Quadrados Ordinários (MQO).

Estimando os parâmetros:

yt = β0 + β1 x1 + εt (1)

β0 = y − β1 x (2)
P
xy − nxy
β1 = P 2 (3)
x − nx2
n
1X
x= xi (4)
n i=1
n
1X
y= yi (5)
n i=1
Onde: β0 é o intercepto, β1 o coeciente angular e εt são os erros estocásticos normais. x e y são as
médias das respectivas variáveis e n a quantidade de amostras.

Coeciente de Correlação Linear de Pearson: Verica o grau de associação entre duas ou mais
variáveis.
Pn
(xi − x) (yi − y) Cov (x, y)
r = qP i=1
q =p p (6)
n
(x − x)
2 Pn
(y − y)
2 V ar(x) V ar(y)
i=1 i i=1 i

SQxy
r= p (7)
SQxx SQyy
P 2
( x)
(8)
X
2
SQxx = x −
n
P 2
( y)
(9)
X
SQyy = y2 −
n
P P
( x) ( y)
(10)
X
SQxy = xy −
n
onde: SQxx é a soma dos quadrados de x, SQyy é a soma dos quadrados de y e SQxy é a soma dos
quadrados de xy ,
O coeciente de correlação de Pearson, para dados populacionais, é descrito como ρ de Pearson e tem
intervalo −1 ≤ ρ ≤ 1.

Coeciente de Determinação: Verica o quanto a variável independente explica a variável dependente

em um modelo de regressão.
SQR β1 (SQxy )
R2 = = (11)
SQT SQyy

R2 = r 2 (12)
 2

onde: SQR é a soma dos quadrados da regressão e SQT a soma dos quadrados totais.

Coeciente de Determinação Ajustado: É usado quando se pretende comparar modelos de regressão

diferentes com tamanho de amostras diferentes ou com quantidades distintas de parâmetros. O Rajust
2
corrige
ou ajusta o R pelo número de graus de liberdade, pois a estimativa amostral do mesmo tende a superestimar
2

o parâmetro populacional.
n−1
2
1 − R2 (13)


Rajust =1−
n−k
onde: k é o número de parâmetros estimados pelo modelo.

Análise de Variância (ANOVA): Inicialmente, é de fundamental importância que se estude a signi-

cância estatística geral do modelo estimado. Com tal nalidade, deve-se fazer uso do Teste F, cujas hipóteses
nula e alternativa, para um modelo geral de regressão, são, respectivamente:
H0 : β1 = β2 = ... = βk = 0
H1 : Existe pelo menos um βj 6= 0
E, para um modelo de regressão simples, portanto:
H0 : β 1 = 0
H1 : β1 6= 0
A estatística F apresenta a seguinte expressão:
Pn
(ŷi −y)2/(k−1) SQR/(k−1)
F (GL1 ; GL2 ) = Pn
i=1
= (14)
(yi −ŷi )2/(n−k) SQE/(n−k)
i=1

onde: SQR é a soma dos quadrados da regressão e SQE é a soma dos quadrados dos erros. GL é os
graus de liberdade, representados pelos denominadores das frações.
Caso o Fcalc ≥ Fcrı́tico Rejeita-se H0 . Caso contrário, não rejeita-se H0 . Outra medida de decisão é: se o
Pvalue calculado for menor que o nível de signicância estabelecido (α), então, rejeita-se H0 .

Análise dos coecientes: Os parâmetros estimados, também podem ter sua signicância testada e seus
respectivos intervalos de conança estimados.
Os testes de signicância para os parâmetros, contemplam as seguintes hipóteses:
Para o intercepto:
H0 : β0 = 0
H1 : β0 6= 0
Para o coeciente angular:
H0 : β1 = 0
H1 : β1 6= 0
As estatísticas dos testes são mensuradas por:
β0
tβ0 = √ (15)
EP aβ0 ;j
e
β1
tβ1 = √ (16)
EP aj;β1
Onde EP é o Erro Padrão do modelo, e pode ser estimado por:
 3

r
SQE
EP = (17)
n−k

−1
ajj é matriz de variância dos parâmetros dada pela expressão: X T X , onde as diagnoais principais
dessa matriz são os coecientes aβ0 e aβ1 .
O tcrı́tico segue os seguintes parâmetros t( α ;GL) da distribuição t-student. Caso tcalc ≥ tcrı́tico rejeita-se
2
H0 .

Os intervalos de conança pode ser estimados por:

s
1 x2
ICβ0 = β0 ± t( α ;GL) EP + (18)
2 n SQxx
EP
ICβ1 = β1 ± t( α ;GL) √ (19)
2 SQxx
O resumo do modelo pode ser escrito na forma:

Estatísticas da Regressão
Coeciente de Correlação r
Coeciente de Determinação R2
Coeciente de Determinação Ajustado 2
Rajust
Erro Padrão EP
Observações n

ANOVA GL SQ MQ Fcalc Fcrı́tico

Regressão k−1 SQR SQR Calculado Tabelado
Resíduos n−k SQE (EP )
2

Total n−1 SQT

Coecientes tcalc tcrı́tico Intervalo Superior Intervalo Inferior

Intercepto β0 Calculado Tabelado IC+ IC−
Variável β1 Calculado Tabelado IC+ IC−