Modelo Linear

O modelo linear é um caso particular de modelação estatística. Este modelo compreendeum gran-
de número de modelos específicos, tais como regressão linear simples ou múltipla, regressão poli-
nomial, análise de variância, análise de covariância.
O modelo de regressão linear simples descreve uma relação entre duas variáveis quantitativas,
independente (X) e dependente (Y).Na regressão linear simples, os valores observados de X são en-
carados como constantes, podendo não ser representativos de uma qualquer distribuição populacio-
nal.
O modelo de regressão linear múltipla é uma extensão do modelo de regressão linear simples.
Permite descrever uma relação entre um conjunto de variáveis quantitativas independentes e uma
variável quantitativa dependente, sendo que o objetivo é o de construir um modelo que se ajuste me-
lhor aos dados do que o modelo de regressão linear simples.
Enquanto a regressão linear simples considera apena uma variável independente, a regressão line-
ar múltipla considera duas ou mais variáveis independentes.
Mesmo sem saber a forma funcional do processo gerador de dados, podemos desenvolver uma
técnica geral que funciona bem para problemas de relações não lineares.A partir das variáveis exis-
tentes, construimos novas variáveis polinomiais e a regressão com elas terá mais capacidade quanto
maior o grau do polinómio criado. É importante ressaltar que o algoritmo da regressão linear não
muda!
A análise de variância é uma fórmula estatística usada para comparar as variâncias entre as mé-
dias de grupos diferentes. Por exemplo, para estudar a eficácia de diferentes medicamentos para dia-
betes, os cientistas realizam experiências para explorar a relação entre o tipo de medicamento e o ní-
vel de açúcar resultante no sangue . A amostra da população é um conjunto de pessoas. Dividimos a
amostra da população em vários grupos, e cada grupo recebe um medicamento específico por um
período de teste. No final do período experimental, os níveis de açúcar no sangue são medidos para
cada um dos participantes individuais. Em seguida, para cada grupo, o nível médio de açúcar no
sangue é calculado. A análise de variância ajuda a comparar essas médias de grupo para descobrir
se eles são estatisticamente diferentes ou semelhantes.
A análise de convariância, permite um controle do erro experimental, aumentando a precisão da
experiência. Também é possível fazer o ajuste das médias dos tratamentos em função das covariá-
veis ( é qualquer variável contínua, que geralmente não é controlada durante a colheita de dados) e,
em alguns casos, estimar observações perdidas durante a experiência.
Este é o mais completo e bem estudado tipo de modelo e serve de base para numerosas generaliza-
ções,como regressão não linear, modelos lineares generalizados, modelos lineares mistos, entre ou-
tros.
 A regressão não linear é uma forma de análise de regressão em que dados observados são mode-
lados por uma função que é uma combinação não linear dos parâmetros do modelo e depende de
uma ou mais variáveis independentes. Os dados são ajustados por um método de aproximações su-
cessivas.
Os modelos lineares generalizados permitem alargar as suposições admitidas e examinar as rela-
ções lineares entre as variáveis explicativas e a resposta.
O modelo linear misto é um modelo linear, frequentemente utilizado para trabalhar dados longitu-
dinais ou de medidas repetidas, que possibilita definir tanto parâmetros populacionais (efeitos fi-
xos), como coeficientes individuais (efeitos aleatórios), além do erro experimental.Os efeitos fixos
são compartilhados por todos os indivíduos, enquanto os aleatórios são específicos de cada um dos
participantes.