Os seguintes dados para as variáveis X e Y são fornecidos para construir o modelo de regressão linear:

X Y

12 9.90E-05

21 1.98E-04

30 2.97E-04

39 3.96E-04

47 4.95E-04

56 5.94E-04

62 6.93E-04

71 8.12E-04

A variável independente é X  e a variável dependente é Y . Para calcular os coeficientes de regressão, a seguinte tabela precisa ser usada:

  X Y X ⋅Y X2 Y2

  12 9.90E-05 0.001188 144 9.801E-9

  21 1.98E-04 0.004158 441 3.9204E-8

  30 2.97E-04 0.00891 900 8.8209E-8

  39 3.96E-04 0.015444 1521 1.56816E-7

  47 4.95E-04 0.023265 2209 2.45025E-7

  56 5.94E-04 0.033264 3136 3.52836E-7

  62 6.93E-04 0.042966 3844 4.80249E-7

  71 8.12E-04 0.057652 5041 6.59344E-7

2.031484E-
Soma = 338 0.003584 0.186847 17236
6

Baseado na tabela acima, calcula-se o seguinte:

n
1 338
Xˉ = ∑ X i = = 42.25
n i=1 8
​ ​ ​ ​

n
1 0.003584
Yˉ = ∑ Yi = = 0.000448
n 8
​ ​ ​ ​

i=1

n n 2
1
SSXX = ∑ Xi2 − ∑ Xi = 17236 − 3382/8 = 2955.5
n
​ ​ ​ ​ ​ ​ ​ ​

i=1 i=1

n n 2
1
SSYY = ∑ Yi 2 − ∑ Yi = 2.031484E − 6 − 0.0035842/8 = 4.25852E − 7
n
​ ​ ​ ​ ​ ​ ​ ​

i=1 i=1

n n n
1
SSXY = ∑ Xi Yi − ∑ Xi ∑ Yi = 0.186847 − 338 × 0.003584/8 = 0.035423
n
​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​ ​

i=1 i=1 i=1

Portanto, com base nos cálculos acima, os coeficientes de regressão (a inclinação m e a interceptação y n ) são obtidos da seguinte forma:

SS XY 0.035423
m= = =0
​

SS XX 2955.5
​ ​

​
 n = Yˉ − Xˉ ⋅ m = 0.000448 − 42.25 × 0 = −0.0001

Portanto, descobrimos que a equação de regressão é:

Y = −0.0001 + 0X

Portanto, com base nas informações fornecidas acima, são obtidos os seguintes gráficos de dispersão e de regressão:

START OVER

Mais sobre esta calculadora de regressão linear

Uma modelo de regressão linear corresponde a um modelo de regressão linear que minimiza a soma dos erros quadrados para um
conjunto de pares (X i , Yi ).
​ ​

A equação de regressão linear, também conhecida como equação de mínimos quadrados, tem a seguinte forma: Y^ = a + bX , onde os
coeficientes de regressão a  e b  são calculados por esta calculadora de regressão da seguinte forma:

SS XY
b=
​

SS XX
​

a = Yˉ − Xˉ ⋅ b

Estas são as fórmulas que você usou se fosse calcular a equação de regressão manualmente, mas provavelmente preferirá usar uma
calculadora (nossa Calculadora de regressão ) que mostrará as etapas importantes.

Essa fórmula de regressão linear é interpretada da seguinte maneira: O coeficiente b  é conhecido como coeficiente de inclinação e o
coeficiente a  é conhecido como interceptação y.

Se, em vez de um modelo linear, você quiser usar um modelo não linear, considere um calculadora de regressão polinomial , que permite
usar potências da variável independente.
Etapas da calculadora de regressão linear

Em primeiro lugar, você deseja avaliar se faz sentido executar uma análise de regressão. Então, primeiro você deve executar
isso calculadora de coeficiente de correlação para ver se há um grau significativo de associação linear entre as variáveis.

Em outras palavras, só faz sentido executar uma análise de regressão se o coeficiente de correlação for forte o suficiente para justificar
um modelo de regressão linear. Além disso, você deve usar este calculadora de gráfico de dispersão para garantir que o padrão visual
seja realmente linear.

É concebível que um coeficiente de correlação seja próximo de 1, mas ainda assim o padrão de associação não é linear.

As etapas para conduzir uma análise de regressão são:

(1) Obtenha os dados para a variável dependente e independente no formato de coluna.

(2) Digite os dados ou pode colar se já tiver no formato Excel por exemplo.

(3) Pressione "Calcular".

Esta calculadora de equação de regressão com etapas fornecerá todos os cálculos necessários, de forma organizada, para que você
possa entender claramente todas as etapas do processo.

Resíduos de regressão

Como avaliamos se um modelo de regressão linear é bom? Você pode pensar "fácil, basta olhar para o gráfico de dispersão ". Na
realidade, matemática e estatística tendem a ir além de onde o olho encontra o gráfico. Geralmente é arriscado confiar apenas no gráfico
de dispersão para avaliar a qualidade do modelo.

Em termos de qualidade do ajuste, uma forma de avaliar a qualidade do ajuste de um modelo de regressão linear é por calculando o
coeficiente de determinação , indica a proporção da variação que na variável dependente é explicada pela variável independente.

Na regressão linear, o cumprimento dos pressupostos é fundamental para que as estimativas do coeficiente de regressão tenham boas
propriedades (ser imparcial, variância mínima, entre outras).

Para avaliar as suposições de regressão linear, você precisará dar uma olhada nos resíduos. Para o efeito, pode consultar o
nosso calculadora residual .

Poder preditivo de uma equação de regressão

Como você pode saber se a equação de regressão encontrada é boa? Ou uma pergunta melhor, como saber se a equação de regressão
estimada tem ou não bom poder preditivo?

O que você precisa fazer é calcular o coeficiente de determinação , que informa a quantidade de variação na variável dependente que é
explicada pela(s) variável(is) dependente(s).

Para um modelo de regressão simples (com uma variável independente), o coeficiente de determinação é simplesmente calculado
elevando ao quadrado o coeficiente de correlação.

Por exemplo, se o coeficiente de correlação for r = 0,8, então o coeficiente de determinação é r2 = 0.82 = 0.64 e a interpretação é que
64% da variação da variável dependente são explicados pela variável independente neste modelo.

Regressão polinomial

Como mencionamos antes, há momentos em que a regressão linear simplesmente não é apropriada, porque existe um padrão não linear
claro governando a relação entre duas variáveis.

Seu primeiro sinal de que a regressão polinomial deve ser usada em vez da regressão linear é ver que há um padrão curvilíneo nos dados
apresentados pelo gráfico de dispersão.

Se for esse o caso, você pode tentar isso calculadora de regressão polinomial , para estimar um modelo não linear que tem mais chance
de ter um melhor ajuste.

Outras calculadoras relacionadas à regressão linear

Você também pode estar interessado em calculando o coeficiente de correlação , ou para construir um gráfico de dispersão com os
dados fornecidos.

Qual é o coeficiente de determinação?

O coeficiente de determinação , ou R^2 é uma medida da proporção da variação na variável dependente que é explicada pela variável
independente.

Por exemplo, suponha que temos um coeficiente de determinação de R^2 = 0,67 ao estimar uma regressão linear de Y em função de X,
então a interpretação é que X explica 67% da variação de Y.

O que acontece quando você tem mais variáveis

Você poderia ter mais de uma variável independente. Por exemplo, você pode estar interessado em estimar Y em termos de duas variáveis
X1 e X2. Nesse caso, você precisa calcular uma regressão linear múltipla modelo, onde a ideia é essencialmente a mesma: encontrar o
hiperplano que minimize a soma dos erros quadrados.