Defina os seguintes conceitos envolvidos na Análise de Regressão Múltipla, conforme O

SEU ENTENDIMENTO:

1. Regressão simples e regressão múltipla:

Regressão Simples: Tem por objetivo estudar a relação entre duas variáveis
quantitativas. Segundo Hair Jr et al (p. 153, 2009) define como esse modelo de regressão com
uma única variável independente, também conhecido como regressão bivariada. O resultado da
regressão se dá através de uma equação que pode ser utilizada para fazer projeções ou
estimativas dos dados.

Regressão múltipla: Esse método nos permite identificar quais são as variáveis
independentes que podem explicar uma variável independente, comprovar as causas e prever
os valores aproximados.

2. Para que serve a análise regressão, ou seja, para que aplicações práticas ela pode ser
usada?
A análise de regressão é útil para um empreendimento, pois permite determinar o grau
em que as variáveis independentes influenciam as variáveis dependentes. Além disso, permite
explicar um fenômeno e prever coisas sobre o futuro.

3. Diferença entre análise correlação e análise de regressão:

Esses dois modelos de análise avaliam quanto uma variável varia em relação à outra,
na análise de regressão assumimos que os valores de uma variável (Y) são DEPENDENTES
dos valores de outra variável (X). Por outro lado, na análise de correlação assumimos que os
valores de uma variável (Y) INDEPENDEM dos valores de outra variável (X).

4. Coeficientes de regressão:
São os números pelos quais as variáveis em uma equação são multiplicadas. De
acordo Hair Jr et al (p. 188, 2009) Os coeficientes de regressão estimados, chamados de
coeficiente b, representam ambos os tipos de relação (positiva ou negativa) e a força da relação
entre variáveis independentes e dependente na variável estatística de regressão. O sinal do
coeficiente denota se a relação é positiva ou negativa, enquanto o valor do coeficiente indica a
variação no valor dependente cada vez que a variável independente muda em uma unidade.

5. Coeficiente de determinação (R2), o que quer dizer na prática:

Medida da proporção da variância da variável dependente em torno de sua média que
é explicada pelas variáveis independentes ou preditoras. O coeficiente pode variar entre 0 e 1.
Se o modelo de regressão é propriamente aplicado e estimado, o pesquisador pode assumir que
quanto maior o valor de R2, maior o poder de explicação da equação de regressão e, portanto,
melhor a previsão da variável dependente. Hair Jr et al (p. 150, 2009)

6. Coeficiente de determinação ajustado (Adjusted R2):

Medida modificada do coeficiente de determinação que considera o número de
variáveis independentes incluídas na equação de regressão e o tamanho da amostra. Apesar de
a adição de variáveis independentes sempre fazer com que o coeficiente de determinação
aumente, o coeficiente ajustado de determinação pode cair se as variáveis independentes
acrescentadas tiverem pouco poder de explicação e/ou se os graus de liberdade se tornarem
muito pequenos. Essa estatística é muito útil para comparação entre equações com diferentes
números de variáveis independentes, diferentes tamanhos de amostras, ou ambos. Hair Jr et al
(p. 150, 2009)
7. Coeficientes padronizados e coeficientes não-padronizados, para que servem?
Hair Jr et al (p. 256, 2009) define que a finalidade dos coeficientes padronizados da
função discriminante é fornecida, mas são menos preferidos para fim de interpretação do que
as cargas discriminantes. Os coeficientes não-padronizados são usados para calcular os escores
Z discriminantes que podem ser empregados na classificação.

8. Equação de regressão, para que serve?

A equação de regressão analisa o desempenho de uma variável X em colocação de outra
variável Y.
Hair Jr et al (p. 154, 2009) define a variável estatística de regressão, também conhecida
como equação de regressão ou modelo de regressão, é o exemplo mais amplamente conhecido
de uma variável estatística entre as técnicas multivariadas.

REFERÊNCIAS:

HAIR, J. F.Jr.; ANDERSON, R. E.; TATHAM, R. L.; BLACK, W.C. Análise de dados
multivariados. 6. ed. Porto Alegre: Artmed, 2009.