Regressão Simples

Mestrado Profissional em Desenvolvimento Rural e Gestão de Empreendimentos Agroalimentares
Prof. M.sc Félix Lélis
SERVIÇO PÚBLICO FEDERAL

MINISTÉRIO DA EDUCAÇÃO
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E TECNOLOGIA DO PARÁ CAMPUS CASTANHAL
ASSUNTO:
MODELAGEM: REGRESSÃO LINEAR
Professor: FÉLIX LELIS DA SILVA
Castanhal
2013
MODELAGEM
Para se estimar cenários futuros seja a curto, médio e longo prazo, torna-se necessários um
conhecimento mínimo dos conceitos básicos sobre modelagem de dados. Não importa a amplitude de
sua aplicação, seja simples ou complexa, pois estes conhecimentos prévios evitarão aplicações e
validações viesadas. Evitar estes tipos de aplicações implica em modelos ajustados mais robustos e
eficientes.
Ao se deparar com duas variáveis que proporcionam previsão de comportamentos futuros. Este
tipo de projeções podem ser alcançadas atravpés de um estudo que envolve a equação da reta de
regressão, ajustada com base na relação entre as variáveis independentes (X) e seus efeitos na variável
dependente (Y). Várias são as aplicações em pesquisas envolvendo variáveis do tipo renda, idade, peso,
gastos, volume, comprimento, dosagens, gastos, preço, demanda, etc.
Este assunto é bem extenso, pois além de RLS e RLM ainda tem-se (logística simples e múltipla,
polinomial, cúbica, quadrática, séries temporais (AR, MA, ARMA, ARIMA, SARIMA), Nerlove, Koyck, etc). É
neste sentido que o propósito inicial deste material é fornecer os conceitos básicos sobre modelagem de
regressão linear simples e múltipla de dados.
CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES - RLS
A correlação é um conceito relacionado usado para medir o grau de dependência linear entre duas
variáveis.
Diagrama de Dispersão
Diagrama de dispersão - gráfico sobre o qual cada medida individual é representada por um ponto (ou
outro símbolo qualquer), sendo que a posição de cada ponto é determinada pelos valores observados em
um indivíduo para as duas características medidas (por exemplo, produção (que é uma variável que
depende de n’s fatores) e Lucro (variável dependente da característica de mercado quanto a preço e
disponibilidade de oferta). Como outros exemplos temos: e lucro/ falhas e usuários/ peso e altura/
tamanho e peso/ consumo e peso, etc.). Denominado também de gráfico XY.
Retas de Regressão - funções resultantes do ajuste de uma função linear entre 2 variáveis y e x. Para
obter a reta de regressão é necessário calcular o Coeficiente angular (Coeficiente de regressão) e o
intercepto da reta com a ordenada.
Coeficiente Angular (by,x)- É uma medida da variação que ocorre em uma característica quando outra
característica se modifica de uma unidade. Também é chamado de coeficiente angular .
Ou
Ou ainda, de forma mais geral:
Com Sy = desvio padrão da base de dados Y, e Sx = correspondente ao desvio padrão da base de dados X.
Intercepto (a) – É o Ponto de intersecção da reta com a ordenada (eixo Y). Equivale ao valor de Y quando
X=0.
Equação de Regressão – É a equação que define a linha reta que descreve a associação entre duas
características e que permite estimar o valor de uma medida pela outra.
Coeficiente de Correlação (r)- É a medida do grau de associação entre duas características a partir de uma
série de observações. O coeficiente de correlação r será definido como a razão entre a covariação entre a
raiz quadrada do produto das variações de X e Y. Dada por:
Observe que ao se dividir o numerador e o denominador por n. Portanto, o coeficiente de correlação será
definido pela razão da covariância e o produto dos desvios padrão de X e Y.
Onde a covariância ( ) entre duas variáveis aleatórias reais X e Y, definida como uma medida
que espressa como duas variáveis variam conjuntamente. A covariância é por vezes chamada de medida
de dependência linear entre as duas variáveis aleatórias, é definida por:
Então podemos escrever, o coeficiente e correlaçõa r por:
Onde são os desvio padrões da variável X e Y respectivamente e são calculados da seguinte

forma:
De forma alternativa podemos partir das seguintes expressões para o cálculo do coeficiente de
correlação r.
Com a Covariação entre X e Y dada por:
Com a variação em relação a X, dada por.
e variação em relação a Y, dada por.
Então teremos o coeficiente de correlação r, dado por:
Observem que assim é possível se definir as seguintes igualdades:

Daí, teremos para r:
Intervalo de Variação de r - Como o coeficiente de correlação é um medida utilizada para avaliar o grau
de associação máximo entre variáveis, onde esta associação pode ser então medida pelo resultado
númérico de r, o qual se estabelece no intervalo -1, +1, ou seja:
-1 1
Ou através do Diagrama desta associação. Onde temos que levar em consideração as seguintes
características:
Obs: Quanto maior o ajuste do modelo, melhor será o ajuste da reta em relação aos pontos do diagrama
de dispersão, e consequentemente isto indicara o quanto mais próximo dos valores +1 e -1 estará o valor
de r. Mas, observem que em caso de não haver relação linear entre as variáveis em estudo X eY, isto
significará que r=0. No entanto isto só é valido para para r e não é válido para relação linear. Para nosso
exemplo anterior temos o seguinte ajuste linear:
Exemplo 1: Dez porcos foram submetidos a um teste para avaliar a relação de ganho de peso em relação
a idade dos animais, os animais forma submetidos a 6 meses de confinamento, todos os animais foram
condicionados a mesma alimentação e disponibilidade de água. O objetivo do experimento estava em
avaliar se o ganho de peso é influenciado pela idade do animal.
Porcos 1 2 3 4 5 6 7 8 9 10
Idade (X) 6 5 9 10 3 4 8 7 6 2
Peso (Y) 7 6 10 9 2 3 9 5 6 3
a) Determine a Covariância de X e Y
b) Determine a Variância de X e Y
c) Determine o coeficiente de correlação de X e Y.
d) Caso seja ajustada uma reta aos valores X e Y (sendo Y a variável dependente), qual o valor do
coeficiente angular b?
e) Construa o gráfico representativo deste modelo.
SOLUÇÃO
X Y XY X2 Y2
6 7 42 36 49
5 6 30 25 36
9 10 90 81 100
10 9 90 100 81
3 2 6 9 4
4 3 12 16 9
8 9 72 64 81
7 5 35 49 25
6 6 36 36 36
2 3 6 4 9
=60 =60 =419 =420 =430

a) Calcular as médias e .
b) Determine a covariância (momento-produto) de X e Y; ou seja: Cov(X,Y)
Solução:
Os valores dos valores dos somatórios estão disponíveis nas três primeiras colunas da tabela acima. E
com esses dados, temos:
c) Determine as variâncias de X e Y
c.1) Variâncias de X: S2x
c.2) Variâncias de X: S2y
Desta forma, podemos então calcular os respectivos desvios padrões.
Onde;
d) Correlação de X e Y
R: 91% de associação entre as variáveis, idade e peso.
e) Calcular o coeficiente angular b.
f) Representação gráfica da reta
Para ajustar a reta representativa do modelo ajustado e que estabelece a relação entre as variáveis X e Y,
na qual se adéqua aos pontos do diagrama de dispersão basta utilizar as seguintes equações:
Portanto a equação de ajustada aos dados é
Cujo gráfico está definido abaixo.

MÉTODO MATEMÁTICO
Na estrutura matemática não leva em consideração os erros associados ao ajuste da equação
Y  a  bX
MÉTODO ESTATÍSTICO
Na estrutura estatística levamos em consideração os erros associados ao ajuste da equação, onde

espera-se que os mesmos sejam não correlacionados e independentes e identicamente distribuídos
Y     X  i
Com;
 = Intercepto (constante do modelo ajustado);
 = Variável independente (onde podem ser n variáveis);
 i = erros aleatórios.
TESTE DE VALIDAÇÃO DO MODELO
ANÁLISE DE VARIÂNCIA – ANOVA
Para a tomada de decisão a respeito do teste de hipóteses para validação de existência ou não de
regressão, assim como para o cálculo do coeficiente de correlação ajustado R 2 . Como proceder:
Fonte de Soma de GL Quadrados médios F

variação quadrados
Devido a VE=bSxy 1 bSxy/1 F= bSxy/ S2

Regressão
Residual VR=Syy-bSxy n-2 S2 =Syy-bSxy/(n-2)
Total VT=Syy n-1

COEFIFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO – (R2 no Caso de RLS) e (R2- ajustado no Caso de

RLM)
O Coeficiente de explicação é uma mediada que indica o quanto em percentual é a variação

explicada pela regressão em relação à variação total. Dado por:
onde; 0 ≤ R2 ≤ 1 e b dado por:
Caso R2=1, implica que todos os observados se situam exatamente sobre a reta de regressão, deste
modo pode-se concluir que o ajuste é perfeito e portanto a variação de Y são 100% explicadas pelas
variações de X através da função especificada não havendo por conseqüência desvios em torno da
função estimada.
TESTE F
Utilizado para avaliar o teste de hipótese assim com para a tomada de decisão sobre a existência
ou não de regressão.
Passos para análise de existência de Regressão
1º Passo: Formulação das Hipóteses do Teste

H0: β=0 – Não existe regressão
H1: β≠0 – Existe regressão
2º Passo: A um nível alfa de 5%; Variável F com 1 grau de liberdade no numerador e 8 no
denominador
3º Passo: Definir a Região Critica e de Aceitação com base no resultado da tabela.
4º Passo: Encontrar o valor de F calculado
4º Passo: Encontrar via tabela o valor de F tabelado, ou seja, F com 5% (1;n-2)gl
5º Passo:Conclusão
Observe que o Fcal>F5%(1,n-2)gl, implica em rejeitar Ho.
Observe que o Fcal<F5%(1,n-2)gl, implica em aceitar Ho.
Para o exemplo temos:
Construção da ANOVA
Fonte de variação Soma de quadrados GL Quadrados médios F
Devido a Regressão VE=0,98 x59=57,82 1 57,82/1=57,82 F= 57,82/1,52=38,03
Residual VR=70-57,82=12,18 8 S2 =12,18/8=1,52
Total VT=70 9
1º Passo: Formulação das Hipóteses do Teste

H0: β=0 – Não existe regressão
H1: β≠0 – Existe regressão
2º Passo: A um nível alfa de 5%; Variável F com 1 grau de liberdade no numerador e 9 no

denominador
F com 5% (1;n-2)gl = 5,32
3º Passo: Definir a Região Critica e de Aceitação com base no resultado da tabela.
RA RR definido por alfa5%
F=5,32
4º Passo: Encontrar o valor de F calculado (Ver ANOVA)
F= 57,82/1,52=38,03
5º Passo:Conclusão
Observe que o Fcal>F5% (1,9)gl, o que implica em rejeitar Ho e concluir por conseguinte que existe
regressão com um risco de 5%.
Cálculo do coeficiente de Explicação
Resultado Computacional-BioEstat 5.0

Exercício 01: Para os seguintes dados abaixo, referentes a ocorrência de determinada espécie de peixes
em determinada lagoa após amostragem durante 6 anos de pesquisa um biologo quer avaliar a relação
existente entre a quantidade de animais e o período desde 2001.
X(período) 0 1 2 3 4 5 6 7 8
Y(peixes) 34 32 56 54 46 59 61 57 64
a) Calcular o coeficiente de correlação entre X e Y.

b) Determinar o coeficiente de determinação R2.
c) Monte o modelo matemático e o estatístico
d) O que ocorrerá ao final de 2011 com esta população de peixes.
Exercício 02: Um técnico aquicultor quer modelar, duas variáveis peso (Y) e a quantida de ração
administrada (X) em quilos, em um tanque com 200 animais. Os abaixo, referentes as variáveis X e Y.
Y 6 8 5 3 9 12 16 3 8
X (dose ração) 2,2 4,0 2,5 3,0 4,0 5,1 6,3 2,7 2,6
a) Construa um modelo para explicar a relação existente entre X e Y

b) Faça uma avaliação para o peso em relação a uma dosagem de 4,6 quilos dde ração
administrada.
REGRESSÃO LINEAR MÚLTIPLA - RLM
Equação de Regressão
Yi   0  1 X 1   2 X 2  3 X 3  ...   n X n   i
Descrição das Variáveis

Y2 = Variável Dependente;
X1, X2, X3 e Xn = São as variáveis Independentes (preditoras), as quais de alguma forma podem ou não
influência a ocorrência de Y no tempo;
ei = erros aleatórios, os quais não foram assimilados pelo modelo ajustado.
Atenção os demais passos seguir de forma equivamente a seguida na aplicação da Regressão Linear Simples.
Com uma úbica diferenção de que agora se tem mais de uma variável independente.
Teste de resíduos
Na análise de regressão linear, assumimos que os erros Є1, Є2, …, Єn satisfazem os

seguintes pressupostos:
- seguem uma distribuição normal;

- têm média zero;
- têm variância σ2 constante (homocedasticidade);
- são independentes.
A verificação das hipóteses é fundamental, visto que toda a inferência estatística no modelo de
regressão linear (testes de hipóteses) se baseia nesses pressupostos. Nesse sentido, se houver violação
dos mesmos, a utilização do modelo deve ser posta em causa.
Média Nula, Variância Constante e Independência dos Erros
Estes pressupostos podem ser verificados graficamente, representando os resíduos em função dos
valores estimados da variável dependente yˆi (gráfico residual) ou em função dos valores de uma das
variáveis independentes xi.
Os pontos do gráfico devem distribuir-se de forma aleatória em torno da recta que corresponde ao
resíduo zero, formando uma mancha de largura uniforme. Dessa forma será de esperar que os erros
sejam independentes, de média nula e de variância constante. Quando os resíduos não se comportam de
forma aleatória, ou seja, seguem um padrão, a condição de independência não é satisfeita. Isto pode
traduzir o facto de não existir uma relação linear entre as variáveis ou então, não constam no modelo
uma ou várias variáveis independentes que influenciam significativamente a variável dependente e
portanto também os erros.
Para os três primeiros gráficos, pode-se observar que os resíduos apresentam uma padronização em
seus comportamentos, quebrando por conseqüência o princípio de existência de independência dos
resíduos. Já o último gráfico os resíduos apresentam um comportamento distribuídos de forma aleatória,
sustentando a independência dos erros.
Normalidade dos Resíduos

O pressuposto de normalidade pode ser testado recorrendo a testes de ajustamento tais como o
Teste Kolmogorov-Smirnov ou o Teste da Normalidade de Lilliefors. Outra forma é a utilização do gráfico
de probabilidade normal (Normal Probability Plot).
Existem dois tipos de gráficos de probabilidade normal:
- 1º tipo: representa a probabilidade acumulada que seria de esperar se a distribuição fosse normal, em
função da probabilidade observada acumulada dos erros (Normal P-P Plot);
- 2º tipo: representa o quantil de probabilidade esperado se a distribuição fosse normal em função dos
resíduos (Normal Q-Q Plot).
Condição para Decisão referente a Normalidade dos resíduos
Para se aceitar a hipótese que os residuos provenientes de uma modelagem. Seguem uma distribuição
normal, ou seja, são erros que se distribuiem Normal, todos os pontos dos gráficos devem posicionarem-
se mais ou menos sobre uma recta.
Análise Gráfica
Gráfico P-P-plot: pontos do gráfico tendem a concentrar-se em torno da reta de declive 1 que passa
na origem, o que dá evidência de que a distribuição dos erros é normal.
Da mesma forma, da observação do Q-Q Plot, verifica-se a presunção de normalidade, pois os resíduos
estão aproximadamente em linha recta.
Heterogeneidade de Variâncias
O gráfico dos resíduos versus variáveis preditoras ou versus os valores ajustados são apropriados
para examinar a suposição de variância constante. Geralmente, a falta de homogeneidade de variâncias
tende a produzir um gráfico com forma de megafone, como na figura a seguir:
Se a dispersão dos resíduos aumentar ou diminuir com os valores das variáveis independentes xi,
ou com os valores estimados da variável dependente yˆi , deve ser posta em causa a hipótese de
variâncias constante dos Ei’S.
Onde;
No gráfico da esquerda, os resíduos apresentam um comportamento tendencialmente crescente, no

da direita, o comportamento é tendencialmente decrescente, indicando que há violação da hipótese de
homogeneidade da variância.
Exemplo: uma pesquisadora está estudando o comportamento da perda de peso de Tomates
Chronos, inteiros minimamente processados, do tratamento controle durante 22 dias de experimento,
estocado a uma temperatura média de 8oC e umidade relativa de 62,78%.
R es idua ls V ers us the F itte d Va lue s
(re sp ons e is PERDA DE PES O)
1
Residual
-1
-2
-3
-4
0 1 2 3 4 5 6 7 8 9
Fit t e d V a lue
O gráfico dos resíduos versus valores preditos (ajustados) mostra que quanto maiores são os valores
preditos maior é a dispersão dos resíduos. Isto sugere que a variância é maior para os tempos de
estocagem maiores.
Independência dos Resíduos
Sempre que os dados são obtidos ao longo do tempo (série temporal), ou de algum outro tipo de
seqüência (p.e., a seqüência em que os dados foram coletados, áreas geográficas adjacentes), deve-se
fazer um gráfico dos resíduos versus seqüência (ou ordem das observações).
Quando os resíduos são independentes, eles devem se distribuir aleatoriamente em torno de zero.
Deve alternar os pontos em torno de zero. Algumas vezes, o problema de falta de independência, é
devido a alguma variável importante (p.e. tempo) que foi omitida do modelo. No gráfico (b) é um
problema de falta de ajuste da função de regressão (ajuste pobre).
R es idua ls Ve rsus the O rder o f the Da ta

(re spons e is PER DA DE PES O)
1
Residual
-1
-2
-3
-4
2 4 6 8 10 12 14 16 18 20 22 24 26
Obser v at ion Orde r
Muitas das vezes o uso de um gráfico residual, não é o bastante para identificar as violações dos
pressupostos do modelo, apesar dos gráficos parecerem bem comportados.
Nesse sentido, a verificação da independência é usualmente feita através do teste de Durbin-Watson
à correlação entre resíduos sucessivos.
Se houver independência, a magnitude de um resíduo não influencia a magnitude do resíduo
seguinte. Neste caso, a correlação entre resíduos sucessivos é nula (ρ = 0). As hipóteses do teste, para
aferir se a relação entre dois resíduos consecutivos é estatisticamente significativa, são então:
H0: ρ = 0, existe independência

H1: ρ ≠ 0, existe dependência
Estatística d de Durbin-Watson:
Tomada de decisão:
Compara-se o valor obtido para a estatística d com os valores críticos da tabela de Durbin-
Watson, dL e dU , e toma-se a decisão recorrendo à seguinte tabela:
Só quando d ∈ [dU ,4 – dU[ , se pode concluir que os diferentes valores de Ei são independentes.
Suponhamos como exemplo uma modelagem que disponibilizou como resíduos:
Análise Gráfica
A análise gráfica dos resíduos dá indicação de que os resíduos parecem distribuir-se

aleatoriamente à volta da recta x=0, com dispersão constante, sugerindo que não há violações sérias dos
pressupostos de homocedasticidade, média nula e de independência dos erros.
Teste de Durbin-Watson
Obtém-se:
d = 17,13589612 /7,48305 = 2,28996
Com n = 10, k = 2 e α = 0.05, os valores críticos da tabela de Durbin-Watson são:
dL = 0.7 e dU = 1.64
e,
[ dU ,4 – dU[ = [1.64, 4-1.64[ = [1.64, 2.36[
Uma vez que d=2.28996 ∈ [1.64, 2.36[, não é rejeitada a hipótese de independência. Podemos,
pois admitir que os erros são independentes, ou seja, que se verifica o pressuposto da independência, o
que vai de encontro ao que verificamos graficamente.
Algumas Transformações de Dados
Variâncias heterogêneas e não normalidade dos erros frequentemente aparecem juntas. Necessita-se
fazer uma transformação em Y, pois a forma e a dispersão em Y precisam ser modificadas. A
transformação em Y pode também eliminar o problema de não linearidade do modelo. Outras vezes uma
transformação também em X é necessária para manter ou obter uma relação linear.
Vamos considerar algumas transformações quando a distribuição dos erros é aproximadamente normal e
com variância constante. Deve-se realizar uma transformação apenas na variável X.
Padrões de relação entre X e Y

A figura ilustra algumas formas de relacionamento onde a assimetria e as variâncias aumentam com a
reposta média E(Y).
X ' 1/ X
X '  log10 X X '  exp( X )
X' X X'  X2
X '  exp( X )
Em sistemas produtivos que envolvem populações ou dados ambientais (peixes, florestas, frangos
etc. costuma-se tranformar os dados por logarítimo uma vez que as respostas são as verdadeiras
estimativas.
Exercícios 1
Verificação do ganho de produção com base nas dosagens de ração administrada duas vezes ao dia.
PRODUÇÃO(ton.) RAÇÃO(DOSE kg)

2 22
3 23
5 25
6 27
4 24.5
7 29
Exercícios 2
Definindo a fecundidade (f) como a relação entre o número de ovos e o peso (p)
individyual, estime os parâmetros do modelo para o Macrobrachium acanthurus.
MENDES, 1999.
nº de OVOS peso(g) nº de OVOS peso(g)

1 18300 25 6 24350 34
2 21700 29 7 30000 39
3 8500 14 8 21000 29
4 16450 22.5 9 14200 20
5 5000 9 10 6100 10
Exercícios 3
Quantificação do diâmetro de árvores com base nas alturas da base ao fuste. Ajuste um modelo
para que melhor expressa esta relação.
ALTURA DIAMETRO
25 65
27 69
23 60
26 68
28 70
29 72
46 87
50 93
Exercícios 4
Quantificação do número de ovos de camarões do gênero Macrobrachium, em relação ao peso e
comprimento dos animais.(Mendes 1999).
nº de nº de
OVOS Comp.(cm) Peso(g) OVOS Comp.(cm) Peso(g)
1 63580 12.2 27.3 6 83348 13 28.8
2 75830 12.9 28 7 48200 12.4 23.3
3 103125 14.6 31.3 8 95380 13.8 30.4
4 47310 12.4 23.1 9 68310 11.5 27.9
5 65080 11.3 27.9 10 102815 14.7 31
ANEXO
Referências Bibliográficas
CHARNET, R et al. Análise de Modelos de Regressão Linear: com aplicações. Campinas, SP. Ed. UNICAMP,
2008.
MENDES, P.P. Estatística aplicada à aquicultura. Recife, Bagaço, 1999. 265p.

Regressão Simples

Enviado por

Dados do documento

Descrição original:

Título 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 Simples

Enviado por

Direitos autorais:

Formatos disponíveis

Mestrado Profissional em Desenvolvimento Rural e Gestão de Empreendimentos Agroalimentares

Prof. M.sc Félix Lélis

SERVIÇO PÚBLICO FEDERAL

MODELAGEM: REGRESSÃO LINEAR

Professor: FÉLIX LELIS DA SILVA

CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES - RLS

Ou ainda, de forma mais geral:

Então podemos escrever, o coeficiente e correlaçõa r por:

Onde são os desvio padrões da variável X e Y respectivamente e são calculados da seguinte

Com a Covariação entre X e Y dada por:

Com a variação em relação a X, dada por.

e variação em relação a Y, dada por.

Então teremos o coeficiente de correlação r, dado por:

Observem que assim é possível se definir as seguintes igualdades:

Daí, teremos para r:

=60 =60 =419 =420 =430

b) Determine a covariância (momento-produto) de X e Y; ou seja: Cov(X,Y)

c.2) Variâncias de X: S2y

Desta forma, podemos então calcular os respectivos desvios padrões.

R: 91% de associação entre as variáveis, idade e peso.

e) Calcular o coeficiente angular b.

f) Representação gráfica da reta

Portanto a equação de ajustada aos dados é

Cujo gráfico está definido abaixo.

Na estrutura matemática não leva em consideração os erros associados ao ajuste da equação

Na estrutura estatística levamos em consideração os erros associados ao ajuste da equação, onde

TESTE DE VALIDAÇÃO DO MODELO

ANÁLISE DE VARIÂNCIA – ANOVA

Fonte de Soma de GL Quadrados médios F

Devido a VE=bSxy 1 bSxy/1 F= bSxy/ S2

Residual VR=Syy-bSxy n-2 S2 =Syy-bSxy/(n-2)

Total VT=Syy n-1

COEFIFICIENTE DE DETERMINAÇÃO OU EXPLICAÇÃO – (R2 no Caso de RLS) e (R2- ajustado no Caso de

O Coeficiente de explicação é uma mediada que indica o quanto em percentual é a variação

onde; 0 ≤ R2 ≤ 1 e b dado por:

Passos para análise de existência de Regressão

1º Passo: Formulação das Hipóteses do Teste

Observe que o Fcal>F5%(1,n-2)gl, implica em rejeitar Ho.

Observe que o Fcal<F5%(1,n-2)gl, implica em aceitar Ho.

Para o exemplo temos:

Fonte de variação Soma de quadrados GL Quadrados médios F

Devido a Regressão VE=0,98 x59=57,82 1 57,82/1=57,82 F= 57,82/1,52=38,03

Residual VR=70-57,82=12,18 8 S2 =12,18/8=1,52

1º Passo: Formulação das Hipóteses do Teste

H1: β≠0 – Existe regressão

2º Passo: A um nível alfa de 5%; Variável F com 1 grau de liberdade no numerador e 9 no

3º Passo: Definir a Região Critica e de Aceitação com base no resultado da tabela.

RA RR definido por alfa5%

4º Passo: Encontrar o valor de F calculado (Ver ANOVA)

Cálculo do coeficiente de Explicação

Resultado Computacional-BioEstat 5.0

a) Calcular o coeficiente de correlação entre X e Y.

a) Construa um modelo para explicar a relação existente entre X e Y

REGRESSÃO LINEAR MÚLTIPLA - RLM

Descrição das Variáveis

ei = erros aleatórios, os quais não foram assimilados pelo modelo ajustado.

Na análise de regressão linear, assumimos que os erros Є1, Є2, …, Єn satisfazem os

- seguem uma distribuição normal;

Média Nula, Variância Constante e Independência dos Erros

Normalidade dos Resíduos

Existem dois tipos de gráficos de probabilidade normal:

Condição para Decisão referente a Normalidade dos resíduos