Métodos Estatísticos

7- Regressão Linear Múltipla

Professor Luciano Barboza da Silva

Caso de referência
• Você é o Gerente de Marketing de uma grande empresa
de produtos alimentícios. A empresa está planejando o
lançamento, em âmbito nacional, da OmniPower, uma
nova barra energética. Embora originalmente
comercializada para maratonistas, alpinistas e outros
atletas, as barras energéticas são atualmente populares
Métodos Estatísticos Prof. Luciano Barboza da Silva 2
Caso de referência
junto ao público em geral. A OminiFoods está ansiosa para
capturar uma parcela desse mercado. Uma vez que o
mercado já possui diversas marcas de barras energéticas de
sucesso, você precisa desenvolver uma estratégia de
mercado efetiva. Em particular, você precisa determinar o
efeito que o preço e as promoções internas das lojas terão

Métodos Estatísticos Prof. Luciano Barboza da Silva 3

Caso de referência
sobre as vendas do OminiPower. Antes de comercializá-
lo em âmbito nacional você planeja dirigir um estudo
baseado em um teste de mercado para vendas do
produto, utilizando uma amostra de 34 lojas em uma
cadeia de supermercados. Os dados dessa amostra são
dados a seguir:
Métodos Estatísticos Prof. Luciano Barboza da Silva 4
 Caso de referência
Loja Vendas Preço Promoção Loja Vendas Preço Promoção
1 4141 59 200 10 5120 59 600
2 3842 59 200 11 4011 59 600
3 3056 59 200 12 5015 59 600
4 3519 59 200 13 1916 79 200
5 4226 59 400 14 675 79 200
6 4630 59 400 15 3636 79 200
7 3507 59 400 16 3224 79 200
8 3754 59 400 17 2295 79 400
9 5000 59 600 18 2730 79 400

Métodos Estatísticos Prof. Luciano Barboza da Silva 5

 Caso de referência
Loja Vendas Preço Promoção Loja Vendas Preço Promoção
19 2618 79 400 27 2088 99 200
20 4421 79 400 28 820 99 200
21 4113 79 600 29 2114 99 400
22 3746 79 600 30 1882 99 400
23 3532 79 600 31 2159 99 400
24 3825 79 600 32 1602 99 400
25 1096 99 200 33 3354 99 600
26 761 99 200 34 2927 99 600

Métodos Estatísticos Prof. Luciano Barboza da Silva 6

Caso de referência
• Variáveis do Problema:

X1 Preço de uma barra do OminiPower (em centavos de dólar)

X2 Orçamento mensal (em dólar) da loja para despesas com

promoção

Y Número de barras OminiPower vendidas ao longo do mês

Métodos Estatísticos Prof. Luciano Barboza da Silva 7

Caso de referência
• Objetivo Estratégico

– Desenvolver um modelo que possa prever o volume de

vendas das barras dados o preço cobrado e os recursos
alocados para promoção (cartazes, promotores, amostras,
etc.)

Métodos Estatísticos Prof. Luciano Barboza da Silva 8

Caso de referência
• Modelo: Regressão Múltipla

Yt  0  1 X 1t   2 X 2t   t

0 Intercepto de Y

1 Variação de Y (volume de vendas) em resposta à variação

unitária de X1 (preço da barra), considerando X2
(orçamento promocional mensal) constante;

Métodos Estatísticos Prof. Luciano Barboza da Silva 9

Caso de referência
• Modelo: Regressão Múltipla

Yt  0  1 X 1t   2 X 2t   t

2 Variação de Y (volume de vendas) em resposta à

variação unitária de X2 (orçamento promocional mensal),
considerando X1 (preço da barra)constante

 Erro aleatório. Resultante do efeito conjunto de todas as

variáveis não modeladas

Métodos Estatísticos Prof. Luciano Barboza da Silva 10

Modelo de Regressão Múltipla
• Modelo de Regressão Múltipla é um modelo de
regressão (compare com o modelo de regressão
simples) em que se utilize pelo menos duas variáveis
explicativas para prever o comportamento da variável
resposta

Métodos Estatísticos Prof. Luciano Barboza da Silva 11

Modelo de Regressão Múltipla
• Modelo Geral

Yt  0  1 X 1t   2 X 2t     k X kt   t

onde:
0 Intercepto de Y

k Variação de Y em resposta à variação unitária de Xk

considerando Xr (r ≠ k) constante;
Métodos Estatísticos Prof. Luciano Barboza da Silva 12
Modelo de Regressão Múltipla
• Assim como no caso da Regressão Simples estima-se os
parâmetros pelo Método dos Mínimos quadrados:

Yˆt  b0  b1 X 1t  b2 X 2t

• Para tanto vamos utilizar o Excel para a estimação

Métodos Estatísticos Prof. Luciano Barboza da Silva 13

Modelo de Regressão Múltipla: Excel

Os dados devem ser

colocados em colunas
justapostas.

Os trios devem ser mantidos

Métodos Estatísticos Prof. Luciano Barboza da Silva 14

Modelo de Regressão Múltipla: Excel

Para habilitar o módulo de

regressão:

1 - Clicar no Botão Office

2 – Clicar em Opções do Excel

Métodos Estatísticos Prof. Luciano Barboza da Silva 15

Modelo de Regressão Múltipla: Excel

3 – Clicar em Suplementos
4 – Clicar em Ir

Métodos Estatísticos Prof. Luciano Barboza da Silva 16

Modelo de Regressão Múltipla: Excel

3 – Marcar Ferramentas de
Análise
4 – Clicar em Ok

Métodos Estatísticos Prof. Luciano Barboza da Silva 17

Modelo de Regressão Múltipla: Excel

1 – Clicar em Dados
2 – Clicar em Análise de
Dados
3 – Clicar em Regressão

Métodos Estatísticos Prof. Luciano Barboza da Silva 18

 Modelo de Regressão Múltipla: Excel
1 – Informar a Coluna de
Dados da Variável
Resposta;

2 – Informar a Matriz de
Dados das Variáveis
Explicativas

3 –Informar Intervalo de
Saída

Colunas da Matriz das

Métodos
Coluna Estatísticos
da Variável Resposta Variáveis Explicativas
Prof. Luciano Barboza da Silva 19
Modelo de Regressão Múltipla: Excel

Coeficientes do Modelo

Métodos Estatísticos Prof. Luciano Barboza da Silva 20

Modelo de Regressão Múltipla
• Dessa forma temos o seguinte modelo estimado:

Yˆt  5837,5208  53,2173 X 1t  3,6131X 2t

• OBS:
– Note que o coeficiente do preço da barra é negativo, o que indica que
quanto maior o preço, menor serão as vendas, e mais para cada centavo
de dólar adicional, em médias o volume de vendas se reduz em 53,22
unidades, para o mesmo gasto promocional;

Métodos Estatísticos Prof. Luciano Barboza da Silva 21

Modelo de Regressão Múltipla
• Dessa forma temos o seguinte modelo estimado:

Yˆt  5837,5208  53,2173 X 1t  3,6131X 2t

• OBS:
– Nota ainda que o coeficiente dos gastos promocionais mensais é
positivo, o que significa que quanto maior os gastos maior o volume de
venda e mais: para cada dólar a mais gasto em promoção, em média
teremos um aumento de 3,16 unidades nas vendas, dado o preço;

Métodos Estatísticos Prof. Luciano Barboza da Silva 22

Modelo de Regressão Múltipla
• Dessa forma poderemos faze a previsão de vendas para
uma situação particular:

– Imaginemos uma loja que cobre 79 centavos numa barra e

faça um gasto promocional mensal de U$ 400. Nesse caso
temos uma previsão de :

Yˆt  5837,5208  53,2173  79  3,6131 (400)  3078,57 (barras/mês)

Métodos Estatísticos Prof. Luciano Barboza da Silva 23
Coeficiente de Determinação Múltipla
• Representa a proporção da variação de Y explicada pelo
conjunto de variáveis independentes.
SQReg
• Expressão: R 2

SQT
onde:
SQReg Soma dos Quadrados da Regressão
SQT Soma Total dos Quadrados

Métodos Estatísticos Prof. Luciano Barboza da Silva 24

 Coeficiente de Determinação Múltipla
• Pelo nosso resultado temos:

39472730,77
R 
2
 0,7577
52093677,44

Métodos Estatísticos Prof. Luciano Barboza da Silva 25

Coeficiente de Determinação Múltipla Ajustado
• O Coeficiente de Determinação Ajustado é uma
estatística que mede o ajuste da regressão levando em
consideração: o número de variáveis e o tamanho da
amostra
  n  1 
• Expressão: R  1   1  R   n  k  1 
22
 
  
– onde: k é o número de variáveis independentes da regressão
Métodos Estatísticos Prof. Luciano Barboza da Silva 26
Coeficiente de Determinação Múltipla Ajustado
• Para o nosso modelo:

  34  1 
R  1  1  0,7577  
2
  0,7421
  34  2  1 

Métodos Estatísticos Prof. Luciano Barboza da Silva 27

 Teste de Significância do Modelo de Regressão
Múltipla
• Utilizamos o Teste de Significância de Regressão do
Modelo de Regressão Múltipla para saber se existe uma
relação significativa entre a variável dependente e
algum dos regressores.

Métodos Estatísticos Prof. Luciano Barboza da Silva 28

 Teste de Significância do Modelo de Regressão
Múltipla
• Protocolo:

– Nível de Significância: NS = α

– Teste:

H 0 : 1   2     k  0

 H1 :   j  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 29

 Teste de Significância do Modelo de Regressão
Múltipla
• Protocolo:
MQReg
– Estatística de Teste F
MQR

Fonte Graus de Soma dos Média dos F

Liberdade Quadrados Quadrados
(Variância)
Regressão k SQ Reg MQ Reg  SQ Reg k
n  k 1 SQR MQR  SQR n  k  1 MQ Reg
Erro MQR
Total n 1 SQT

Métodos Estatísticos Prof. Luciano Barboza da Silva 30

 Teste de Significância do Modelo de Regressão
Múltipla
• Protocolo:

– Região Crítica: RC : F  F

onde: PFk ,nk 1  F   

Métodos Estatísticos Prof. Luciano Barboza da Silva 31

 Teste de Significância do Modelo de Regressão
Múltipla
• Para nosso exemplo:
MQReg
F  48,48
MQR

PF2,31  F0,05   3,32  RC : F  3,32  Rejeita-se H0 com NS = 5%, ou seja,

algum regressor tem relação linear
com a variável dependente (volume de
Métodos Estatísticos Prof. Luciano Barboza da Silva vendas) 32
 Teste de Significância do Modelo de Regressão
Múltipla
• OBS: O teste anterior rejeitou a hipótese de que nenhum
das duas variáveis é relevante para explicar o volume de
vendas;

• OBS: O teste não é capaz de dizer qual ou quais são

relevantes;

Métodos Estatísticos Prof. Luciano Barboza da Silva 33

Inferências: Teste t para Coeficientes da
Regressão
• Protocolo:

– Nível de Significância: α;

– Teste: H 0 :  j  0

 j  1,2,..., k
 H1 :  j  0


Métodos Estatísticos Prof. Luciano Barboza da Silva 34

Inferências: Teste t para Coeficientes da
Regressão
• Protocolo:
– Estatística de Teste: bj   j
T
Sb j

– Região Crítica: RC : T  t ou T  t

2 2

onde   
P tn  k 1  t    k = nº de variáveis
 2  2 independentes do modelo

Métodos Estatísticos Prof. Luciano Barboza da Silva 35

Inferências: Teste t para Coeficiente β1
• Para o nosso modelo:

– Nível de Significância: 5%;

– Teste:  H 0 : 1  0

 H1 : 1  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 36

Inferências: Teste t para Coeficiente β1
• Protocolo:
bj   j  53,2173  0
– Estatística de Teste: T    7,76
Sb j 6,8522

Métodos Estatísticos Prof. Luciano Barboza da Silva 37

Inferências: Teste t para Coeficiente β1
– Região Crítica: RC : T  2,12 ou T  2,12

onde Pt31  t0,025   0,025  t0,025  2,042

Assim (como T = -7,76 < -2,042) Rejeita-se H0 (β1 = 0) com

NS de 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 38

Inferências: Teste t para Coeficiente β2
• Para o nosso modelo:

– Nível de Significância: 5%;

– Teste: H 0 :  2  0

 H1 :  2  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 39

Inferências: Teste t para Coeficiente β2
• Protocolo:
bj   j 3,6130  0
– Estatística de Teste: T   5,2728
Sb j 0,6852

Métodos Estatísticos Prof. Luciano Barboza da Silva 40

Inferências: Teste t para Coeficiente β2
– Região Crítica: RC : T  2,12 ou T  2,12

onde Pt31  t0,025   0,025  t0,025  2,042

Assim (como T = 5,2728 > 2,042) Rejeita-se H0 (β2 = 0)

com NS de 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 41

Inferências: Intervalo de Confiança para os
Coeficientes da Regressão
• Nível de Significância: 1 – α
 
• Intervalo: IC1   b j  t Sb j ; b j  t Sb j 
 2 2 
onde:
  
P tn  k 1  t    k = nº de variáveis
 2  2 independentes do modelo

Métodos Estatísticos Prof. Luciano Barboza da Silva 42

Inferências: Intervalo de Confiança para o
Coeficiente β1
• Nível de Significância: 1 – α = 95%
 
• Intervalo: IC1    53,2173  t 6,8522;53,2173  t 6,8522
 2 2 

Métodos Estatísticos Prof. Luciano Barboza da Silva 43

Inferências: Intervalo de Confiança para o
Coeficiente β1
• Intervalo: Pt31  t0,025   0,025  t0,025  2,042
IC1    53,2173  2,042  6,8522;53,2173  2,042  6,8522

IC1    66,6582;39,2251

Métodos Estatísticos Prof. Luciano Barboza da Silva 44

Inferências: Intervalo de Confiança para o
Coeficiente β2
• Nível de Significância: 1 – α = 95%
 
• Intervalo: IC1   3,6130  t 0,6852;3,6130  t 0,6852
 2 2 

Métodos Estatísticos Prof. Luciano Barboza da Silva 45

Inferências: Intervalo de Confiança para o
Coeficiente β1
• Intervalo: Pt31  t0,025   0,025  t0,025  2,042
IC1   3,6130  2,042  0,6852;3,6130  2,042  0,6852

IC1   2,2690 ; 4,9570

Métodos Estatísticos Prof. Luciano Barboza da Silva 46

Modelos de Regressão com Variáveis
Dummy
• Até agora vimos modelos que pressupunham variáveis
independentes numéricas;

• Podemos ter necessidade de incluir variáveis

categóricas em um modelo. Para tanto incluímos
variáveis binárias (dummy) no modelo;

Métodos Estatísticos Prof. Luciano Barboza da Silva 47

Modelos de Regressão com Variáveis
Dummy
• Uma variável Dummy tem a seguinte característica:

1 caso a caracteris tica sob estudo esteja presente

Xd  
0 c.c.

Métodos Estatísticos Prof. Luciano Barboza da Silva 48

Modelos de Regressão com Variáveis
Dummy
• Exemplo: Considere que queiramos estimar uma
regressão para prever o valor de avaliação de casas (em
milhares de reais) com base no tamanho (em milhares
de metros quadrados) e no fato de a casa possuir ou não
uma lareira. O dados coletados foram resumidos na
tabela a seguir:
Métodos Estatísticos Prof. Luciano Barboza da Silva 49
 Modelos de Regressão com Variáveis
Dummy
• Dados:
Valor Tamanho Valor Tamanho
(milhares) (milhares de m2) Lareira (milhares) (milhares de m2) Lareira
234,4 0,186 Sim 228,5 0,148 Sim
227,4 0,159 Não 229,2 0,139 Sim
225,7 0,135 Não 236,7 0,177 Sim
235,9 0,164 Sim 229,3 0,129 Sim
229,1 0,179 Não 224,5 0,143 Não
220,4 0,111 Sim 233,8 0,176 Sim
225,8 0,144 Sim 226,8 0,148 Não
235,9 0,179 Sim
Métodos Estatísticos Prof. Luciano Barboza da Silva 50
Modelos de Regressão com Variáveis
Dummy
• Para utilizar os dados binários (variável Lareira)
precisamos codificá-lo em binário:

– Para cada linha de observação de uma residência com lareira

colocamos “1” na variável codificada (indicando a presença
da característica de interesse);

– Caso contrário “0” indicando a ausência da característica.

Métodos Estatísticos Prof. Luciano Barboza da Silva 51

 Modelos de Regressão com Variáveis
Dummy
• Dados:
Valor Tamanho Lareira Valor Tamanho Lareira
(milhares) (milhares de m2) Lareira (Cod) (milhares) (milhares de m2) Lareira (Cod)
234,4 0,186 Sim 1 228,5 0,148 Sim 1
227,4 0,159 Não 0 229,2 0,139 Sim 1
225,7 0,135 Não 0 236,7 0,177 Sim 1
235,9 0,164 Sim 1 229,3 0,129 Sim 1
229,1 0,179 Não 0 224,5 0,143 Não 0
220,4 0,111 Sim 1 233,8 0,176 Sim 1
225,8 0,144 Sim 1 226,8 0,148 Não 0
235,9 0,179 Sim 1

Métodos Estatísticos Prof. Luciano Barboza da Silva 52

Modelos de Regressão com Variáveis
Dummy
• Modelo: Yt  0  1 X1t   2 X 2t  ut

Yt  Valor da Avaliação do Imóvel, em milhares de dólares da t-

ésima residência

X 1t  Tamanho do t-ésimo imóvel, em milhares de metros

quadrados

Variável Dummy, identificando a presença (1) ou ausência

X 2t 
(0) de lareira na t-ésima residência

Métodos Estatísticos Prof. Luciano Barboza da Silva 53

Modelos de Regressão com Variáveis
Dummy
• Modelo Ajustado: Yˆt  200,09  174,23 X1t  3,85 X 2t

Métodos Estatísticos Prof. Luciano Barboza da Silva 54

Modelos de Regressão com Variáveis
Dummy
• Assim temos:

– Para uma casa com Lareira: X 2t  1

Yˆt  203,94  174,23 X 1t

– Para uma casa sem Lareira: X 2t  0

Yˆt  200,09  174,23 X 1t

Métodos Estatísticos Prof. Luciano Barboza da Silva 55

Regressão Quadrática
• As vezes temos relações que possuem apenas uma
variável independente mas que apresentam não lineares
sobre a variável dependente;

• Nesse casos tratamos como um problema de regressão

múltipla;

Métodos Estatísticos Prof. Luciano Barboza da Silva 56

Regressão Quadrática
• Exemplo: Um estudo examina o problema estratégico
de como o acréscimo de conas volantes (subprodutos
baratos da indústria que podem ser utilizados como
substituto para componentes mais caros do concreto)
afeta a resistência do concreto (medida em psi, libra por
polegada quadrada). Foram preparados pequenos
Métodos Estatísticos Prof. Luciano Barboza da Silva 57
Regressão Quadrática
pedaços de concreto cujo percentual de cinza volantes
variava de 0% a 60%. Foram coletados dados de 18
espécimes e reunidos na tabela abaixo.

Métodos Estatísticos Prof. Luciano Barboza da Silva 58

Regressão Quadrática
• Dados:
%Cinzas Resistência %Cinzas Resistência
0 4779 40 5995
0 4706 40 5628
0 4350 40 5897
20 5189 50 5746
20 5140 50 5719
20 4976 50 5782
30 5110 60 4895
30 5685 60 5030
30 5618 60 4648

Métodos Estatísticos Prof. Luciano Barboza da Silva 59

Regressão Quadrática

Métodos Estatísticos Prof. Luciano Barboza da Silva 60

Regressão Quadrática
• Modelo de Regressão Simples para os Dados:

Yt  4924,5952  10,4171X1t

Métodos Estatísticos Prof. Luciano Barboza da Silva 61

Regressão Quadrática
• OBS:

– Podemos notar pelo gráfico de dispersão que a relação entre

as duas variáveis não parece linear. Ela apresenta uma
correlação positiva até uma concentração de cerca de 50% de
cinza volante e depois passa a apresentar uma regressão
negativa;

Métodos Estatísticos Prof. Luciano Barboza da Silva 62

Regressão Quadrática
• OBS:

– Um modelo Linear Simples não consegue captar esse

comportamento. Isso pode ser visto no baixo desempenho
explicativo do modelo estimado (R2 = 0,18 ).

– Adicionalmente observamos que o gráfico de dispersão passa

por um máximo e decai, sugerindo uma relação quadrática;

Métodos Estatísticos Prof. Luciano Barboza da Silva 63

Regressão Quadrática
• Modelo de Regressão Quadrática:

Yt  0  1 X 1t   2 X  ut 2
1t
0  Intercepto de Y

1  Coeficiente do Efeito Linear em Y

 2  Coeficiente do Efeito Quadrático em Y
ut  Efeito Aleatório sobre a observação Y
Métodos Estatísticos Prof. Luciano Barboza da Silva 64
Regressão Quadrática
• Modelo de Regressão Quadrática Estimado:

Yt  b0  b1 X 1t  b2 X 2
1t

b0  Estimador do Intercepto de Y

b1  Estimador do Coeficiente do Efeito Linear em Y

b2  Estimador do Coeficiente do Efeito Quadrático em Y

Métodos Estatísticos Prof. Luciano Barboza da Silva 65

Regressão Quadrática
• Dados preparados:
%Cinzas %Cinzas2 Resistência %Cinzas %Cinzas2 Resistência
0 0 4779 40 1600 5995
0 0 4706 40 1600 5628
0 0 4350 40 1600 5897
20 400 5189 50 2500 5746
20 400 5140 50 2500 5719
20 400 4976 50 2500 5782
30 900 5110 60 3600 4895
30 900 5685 60 3600 5030
30 900 5618 60 3600 4648

Métodos Estatísticos Prof. Luciano Barboza da Silva 66

Regressão Quadrática
• Modelo Quadrático Estimado para os Dados

Yˆt  4486,4  63,00 X 1t  0,876 X 12t

Métodos Estatísticos Prof. Luciano Barboza da Silva 67

Regressão Quadrática
• OBS:

– Note que o R2 melhorou substancialmente, o que significa

uma maior capacidade explicativa do modelo;

– Note adicionalmente que o sinal do estimador do coeficiente

quadrático é negativo, que vai ao encontro das nossas
observações sobre o formato do gráfico de dispersão;

Métodos Estatísticos Prof. Luciano Barboza da Silva 68

Regressão Quadrática

Métodos Estatísticos Prof. Luciano Barboza da Silva 69

Regressão Quadrática
• Testando o Modelo: Teste F

– Nível de Significância: NS = 5%;

– Teste:

H 0 : 1   2  0

H1 :  j :  j  0, j  1,2

Métodos Estatísticos Prof. Luciano Barboza da Silva 70

Regressão Quadrática
• Testando o Modelo: Teste F

– Estatística de Teste: F = 13,83508

– Região Crítica:

PF2,15  F0,05   0,05  F0,05  3,682 RC : F  3,682

Métodos Estatísticos Prof. Luciano Barboza da Silva 71

Regressão Quadrática
• Conclusão: Como F = 13,85508 > 3,682 = F0,05,
REJEITA-SE a Hipótese Nula H0 (de que os
coeficientes Linear e Quadrático da Regressão sejam
simultaneamente nulos) a um NS = 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 72

Regressão Quadrática
• Utilizando o p-valor: Teste F

– Nível de Significância: NS = 5%;

– Teste:

H 0 : 1   2  0

H1 :  j :  j  0, j  1,2

Métodos Estatísticos Prof. Luciano Barboza da Silva 73

Regressão Quadrática
• Utilizando o p-valor: Teste F

– Estatística de Teste: F = 13,83508

– Cálculo do p-valor:
p  valor  0,00039

Métodos Estatísticos Prof. Luciano Barboza da Silva 74

Regressão Quadrática
• Conclusão: Como p-valor = 0,00039 < 0,05 = NS,
REJEITA-SE a Hipótese Nula H0 (de que os
coeficientes Linear e Quadrático da Regressão sejam
simultaneamente nulos) a um NS = 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 75

Regressão Quadrática
• Testando o Efeito Quadrático: Teste t

– Nível de Significância: NS = 5%;

– Teste:

H 0 :  2  0

 H1 :  2  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 76

Regressão Quadrática
• Testando o Efeito Quadrático: Teste t

– Estatística de Teste: T = -4,45784

– Região Crítica:

PF1821  t0,025   0,025  t0,025  2,131 RC : T  3,682

Métodos Estatísticos Prof. Luciano Barboza da Silva 77

Regressão Quadrática
• Conclusão: Como |T| = 4,45784 > 2,132 = t0,025,
REJEITA-SE a Hipótese Nula H0 (de que o coeficiente
Quadrático da Regressão seja nulo) a um NS = 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 78

Regressão Quadrática
• Utilizando o p-valor: Teste t

– Nível de Significância: NS = 5%;

– Teste:

H 0 :  2  0

 H1 :  2  0

Métodos Estatísticos Prof. Luciano Barboza da Silva 79

Regressão Quadrática
• Utilizando o p-valor: Teste t

– Estatística de Teste: F = -4,45784

– Cálculo do p-valor:
p  valor  0,00046

Métodos Estatísticos Prof. Luciano Barboza da Silva 80

Regressão Quadrática
• Conclusão: Como p-valor = 0,00046 < 0,05 = NS,
REJEITA-SE a Hipótese Nula H0 (de que o coeficiente
Quadrático da Regressão seja nulo) a um NS = 5%.

Métodos Estatísticos Prof. Luciano Barboza da Silva 81