Seminário

de Inves.gação


alexandra marques pinto
Bibliografia

•  Maroco, J. (2007). Análise Esta,s-ca com U-lização
do SPSS. Lisboa: Edições Sílabo Lda. (Cap. 14:
Regressão Linear, pp. 561-679).

Agenda

I.Análise de Regressão
i.Regressão linear simples e múl-pla
ii.Modelo matemá-co da regressão
iii.Exercício de aplicação prá-ca

ANÁLISE DE REGRESSÃO
Análise de Regressão

•  O termo regressão foi

proposto por F. Galton
(1885) num estudo em
que demonstrou que a
altura dos filhos não
tende a reflec.r a dos
pais mas sim a regredir
para a média da
população.
(Maroco, 2007)
Análise de Regressão
Regressão linear (Maroco, 2007)
•  Conjunto de técnicas estaas.cas que permitem:
ü  Modelar relações funcionais, não necessariamente de causa-efeito,
entre variáveis – o modelo de regressão é significa.vo?
ü  Predizer o valor de uma “variável dependente” (ou de resposta) a par.r
de um conjunto de “variáveis independentes” (ou predictoras) – qual a
% de variância da v.d. explicada pelo modelo?
ü  Avaliar se as variações da “variável dependente” (v.d.), podem ser
explicadas, de forma significa.va, pelas variações das “variáveis
independentes”(v.i.) – quais as v.i.com impacto significa.vo na v.d.?
•  Linear: a relação entre as variáveis pode ser descrita por uma
recta no caso de haver apenas uma v.i., ou por uma extensão
da recta para várias dimensões no caso de haver várias v.i.
Análise de Regressão
Regressão linear simples: Regressão linear múl.pla:
apenas uma v.i. várias v.i.
Análise de Regressão
Modelo matemá.co de regressão

Y = β0 + β1X1 + β2X2 + … + E

ü  Y – variável que se pretende explicar - variável dependente;

ü  X – variáveis explica.vas – variáveis independentes, que se assumem
medidas sem erro (não aleatórias);
ü  E – variável aleatória residual na qual se procuram incluir todas as
influências no comportamento da variável Y que não podem ser explicadas
linearmente pelo comportamento da(s) variável(is) X – erros de medida da
variável dependente;
ü  β0, β1, β2… – parâmetros desconhecidos do modelo (a es.mar) –
coeficientes de regressão Beta: medem a influência parcial de X sobre Y
Análise de Regressão

Ajustamento do modelo de regressão (Maroco, 2007)

•  Primeiro temos de assegurar que os erros do modelo de

regressão sejam mínimos → Ajustamento do Modelo (Model
Fit): Es.mar os coeficientes de regressão (β) de modo a que os
erros do modelo sejam mínimos.
Ø  Método dos mínimos quadrados … / SPSS
Análise de Regressão

Significância do modelo de regressão

•  Depois de criarmos um modelo temos de avaliar se ele é bom!
É capaz de predizer a v.d e é generalizável? → Significância do
Modelo - Três procedimentos básicos:
Ø  Coeficiente de Determinação (R2) Coeficiente de Determinação Ajustado
(R2a): Que % da variação total da v.d. é explicada pelo modelo ajustado? É
significa.va?
Ø  ANOVA da Regressão Linear: A variação da v.d. explicada é maior do que a
variação da v.d. não explicada pelo modelo? O modelo é generalizável? (F,
p).
Ø  Testes t-student para cada β: Cada coeficiente do modelo é
significa.vamente diferentes de zero? O seu impacto no modelo é
significa.vo? É generalizável? (t, p)
Análise de Regressão
Pressupostos do modelo (Maroco, 2007)
1.  Apenas a variável dependente é afectada de erro, o que exige
que as v.i. sejam manipuladas sem erro apreciável.
Ø  Cuidado com os estudos correlacionais e os que usam factores latentes.

2.  Os erros são aleatórios e independentes: O valor de um

determinado erro não está correlacionado com os dos outros
erros.
Ø  Teste de Durbin-Watson (aproximadamente igual a 2) .
Análise de Regressão
Pressupostos do modelo (Maroco, 2007)
3.  A distribuição dos erros é normal, de média 0, e a variância é
constante.
Ø  Análise gráfica dos resíduos: Histograma e Gráficos de Probabilidade
Normal.
Ø  Valores centrados da Leverage para iden.ficar outliers:
•  Leverage < 0.2 – não é outlier;
•  0.2 < Leverage < 0.5 – provável outlier;
•  Leverage > 0.5 – defini.vamente um outlier.
Análise de Regressão
Pressupostos do modelo (Maroco, 2007)
4.  As variáveis independentes não são colineares i.e. não estão
fortemente correlacionadas.
O modelo pode ser esta.s.camente significa.vo e o R2 ser
elevado mas, se exis.r forte colinearidade: (a) um ou mais
coeficientes de regressão podem não ser esta.s.camente
significa.vos; (b) o sinal do coeficiente pode ser inconsistente
com o conhecimento empírico do fenómeno em estudo.
Ø  Diagnós.co de colinearidade (Colinariaty Diagnosis) - Rácio de inflação
da variância:
•  VIF > 5 - possíveis problemas de mul.colinearidade na es.mação de β
•  VIF >10 - graves problemas de mul.colinearidade na es.mação de β
Exercício prá.co:
Análise de regressão
• Objec'vos:
Com base na leitura dos out put da análise de regressão linear
múl.pla da v.d. “Bem-Estar Psicológico” nas v.i. “Emoções
Posi.vas Pró-Sociais; “Emoções Posi.vas de Serenidade”;
“Emoções de Ac.vação Posi.va”; “Emoções Posi.vas de Auto-
Eficácia”; “Robustez Psicológica Controlo”; “Robustez Psicológica
Desafio”, iden.ficar e escrever o “relatório” sobre:
ü O modelo de regressão é significa.vo?
ü Qual a % de variância da v.d. que é explicada pelo modelo?
ü Quais as v.i. que têm impacto significa.vo no modelo?
Exercício prá.co:
Análise de regressão
• Objec'vos:
Com base na leitura dos out put da análise de regressão linear
múl.pla da v.d. “Bem-Estar Psicológico” nas v.i. “Emoções
Posi.vas Pró-Sociais; “Emoções Posi.vas de Serenidade”;
“Emoções de Ac.vação Posi.va”; “Emoções Posi.vas de Auto-
Eficácia”; “Robustez Psicológica Controlo”; “Robustez Psicológica
Desafio”, iden.ficar e escrever o “relatório” sobre:
ü As análises estaas.cas realizadas.
ü Os resultados:
•  O modelo de regressão é significa.vo?
•  Qual a % de variância da v.d. que é explicada pelo modelo?
•  Quais as v.i. que têm impacto significa.vo no modelo?
Exercício prá.co:
Análise de regressão - Relatório
• Análise Esta4s'ca

A significância dos diferentes preditores sobre o bem-estar
psicológico foi avaliada com um modelo de regressão linear
múl.pla implementado no SPSS Sta.s.cs (v. 17, SPSS Inc,
Chicago, IL). Verificaram-se as condições de aplicação do modelo
por recurso à análise gráfica dos resíduos estuden.zados, à
estaas.ca de Durbin-Watsone e à esta.s.ca VIF. Consideraram-
se efeitos significa.vos aqueles com p<0.05.
Exercício prá.co:
Análise de regressão - Relatório
• Resultados
O modelo de regressão linear múl.pla do Bem-Estar Psicológico em
função das Emoções Posi.vas Pró-Sociais, de Serenidade, de
Ac.vação Posi.va e de Auto-Eficácia e da Robustez Psicológica
Controlo e Desafio revelou-se esta.s.camente significa.vo
(F(6,358)=13.504; R2a=0.171; p=0.000). Contudo, a análise dos
coeficientes de regressão e da sua significância estaas.ca revelou
que dos 6 preditores considerados, apenas as Emoções Posi.vas de
Auto-Eficácia(β = -0.168, t(358)= -3.235; p=0.001), a Robustez
Psicológica Controlo(β = -0.302, t(358)=6.117; p=0.000) e a Robustez
Psicológica Desafio (β = 0.169, t(358)=3.530; p=0.000) são
preditores significa.vos do Bem-Estar Psicológico.
Exercício prá.co:
Análises de correlação e regressão
• Objec'vos
Use a base de dados fornecida (Base de dados exercícios
correlações e regressões 2) e em relação às variáveis:
1. Exaustao_t1
2. Despers_t1
3. Tses_total_t1
4. Exaustao_t2
5. Despers_t2
6. Tses_total_t2
ü Verifique se têm distribuição normal.
ü Faça a análise de correlações.
ü Faça a regressão das variáveis 1 a 5 (VIs)na variável 6 (VD).
ampinto@psicologia.ulisboa.pt