Escolar Documentos
Profissional Documentos
Cultura Documentos
1
Modelos de regressão com variáveis
respostas binárias
Em muitos estudos a variável resposta qualitativa tem duas possibilidades e,
assim, pode ser representada pela variável indicadora, recebendo os valores 0
(zero) e 1 (um).
Exemplos:
1) o objetivo da análise é verificar se uma firma tem ou não um departamento
de relação industrial, de acordo com o seu tamanho. A variável resposta têm
duas possibilidades: a firma tem ou não tem o departamento. Estes resultados
pode m ser codificados como 1 e 0 (ou vice-versa).
2) Num estudo sobre a participação das esposas no mercado de trabalho, como
função da idade da esposa, número de filhos e rendimento do marido, a
variável resposta Y foi definida do seguinte modo: a mulher participa no
mercado de trabalho ou não. Novamente, estas respostas podem ser codificadas
como 1 e 0, respectivamente.
2
Interpretação da função de resposta quando a variável
resposta é binária
Yi 0 1 X i i
1
Yi
0
A resposta esperada é dada por:
E (Yi ) 0 1 X i (1)
Considere Yi uma v.a. Bernoulli com distribuição de probabilidade:
Yi 1 P(Yi 1) i
Yi 0 P(Yi 0) 1 i
3
Pela definição de valor esperado, obtemos:
E (Yi ) i (2)
Igualando-se (1) e (2), obtemos:
E (Yi ) 0 1 X i i (3)
Assim, a resposta média, quando a variável resposta é uma variável binária (1 ou 0),
sempre representa a probabilidade de Y = 1, para o nível da variável preditora Xi.
4
Probabilidade de uma firma ter
departamento
E(Y)
1
E (Y ) 0 1 X
0
Tamanho da firma X
5
Problemas quando a variável resposta é binária
6
Como:
i Yi i ( i constante)
Temos:
2 ( i ) i (1 i ) ( 0 1 X i ) (1 0 1 X i )
Depende de Xi
0 E (Y ) 1 (4)
A restrição na resposta média de apresentar valores no intervalo [0;1],
freqüentemente é inapropriada, ou mesmo impossível, para uma função de
resposta linear. Para o exemplo do departamento de relação industrial, o uso da
função de resposta linear, sujeita a restrição na resposta média, requer
probabilidade 0 (zero) na resposta média para todas as firmas pequenas e, uma
probabilidade 1 (um) na resposta média, para todas as firmas grandes. 7
Este modelo freqüentemente não representa bem a situação em estudo. Ao invés,
um modelo onde as probabilidades 0 e 1 são encontradas assintoticamente, como
mostra a figura a seguir, é, de modo geral, mais apropriada.
exp( 100.1 X )
E (Y ) 1exp( 100.1 X )
9
Função resposta logística com uma única
variável preditora
Considerações teóricas e práticas sugerem que quando a variável resposta é
binária, a forma da função resposta será frequentemente curvilínea.
Nas duas figuras anteriores, temos 2 funções respostas adequadas para uma
variável resposta binária. Elas tem assíntotas em 0 e 1 e, assim, estão de
acordo com a restrição (4).
E(Y ) 1 exp 0 1 X
1
10
Propriedade da função logística
' log e (6)
1
obtemos:
' 0 1 X (7)
Esta transformação é chamada de transformação logit da probabilidade . A razão
/(1- ) na transformação logit é chamada de Odds (Chance). A função resposta
transformada (7) é denominada como função resposta logit, e ’ é denominada de
resposta média logit.
Observe em (7) que: - ’ para -X.
11
Usos da função logística
12
Variável “threshold”. Exemplo: considere a força necessária para quebrar
blocos de concreto, medida em libras por polegada ao quadrado. Assume-se
que cada bloco tenha a sua variável threshold Ti, ou seja, ele irá quebrar-se se
uma força igual ou maior do que Ti for aplicada e, não irá quebrar-se se uma
força menor do que Ti for aplicada. Um bloco pode ser testado com apenas
uma força; não é possível determinar a variável threshold para cada bloco,
mas apenas se a variável threshold está acima ou abaixo da particular força
aplicada ao bloco. Com estas considerações, temos:
i P(Yi 1 | X i ) P(Ti X i )
13
A P(T X) é a distribuição de probabilidade acumulada da variável threshold de
todos os blocos na população. Considerando esta distribuição como sendo a
logística temos:
exp(0 1 X )
P(T X ) 1 exp(0 1 X )
PT X 0 1 X
outra função de resposta curvilínea é a transformação complemento log log
da probabilidade dada por:
log e ( log e (1 ))
Diferentemente das transformações logit e probit esta transformação não é
14
simétrica em torno de =0,5.
Regressão logística com uma única
variável preditora
Modelo de regressão logística simples
onde:
E(Yi ) i 1exp(0 1X i )
exp(0 1 X i ) (8)
Função de verossimilhança
Temos: P(Yi 1) i
P(Yi 0) 1 i 15
A distribuição de probabilidade (Bernoulli) é dada por:
1 (1 exp( 0 1 X i )) 1 (12)
Além disso, considerando (6) e (7), a função de verossimilhança é dada
por: n n
i 1exp(b0 b1X i )
ˆ exp(b0 b1 X i )
(14)
A função de resposta ajustada é dada por:
ˆ 1exp(b0 b1 X )
exp(b0 b1 X ) (15)
Se usarmos a transformação logit (6), a função resposta ajustada é dada por:
ˆ ' b0 b1 X (16)
onde:
ˆ ' log e 1ˆˆ (17)
17
Exemplo.
Um analista está estudando o efeito do tempo de experiência em programação
computacional sobre a habilidade para completar, dentro de um determinado
tempo, um tarefa difícil. Vinte e cinco (25) programadores foram selecionadas
para o estudo. A variável preditora, X, corresponde ao meses de experiência. Os
resultados foram (experiência em meses, sucesso na tarefa, valores ajustados):
1
4 0 0
.31
026
2 500
.09
515
4
2
9 0 0
.83
526
3 2
010.5
424
04
6 0 0
.10
999
6 1
300.2
768
02
2
5 1 0
.72
660
2 900.1
671
00
1
8 1 0
.46
183
7
3
210.8
916
64
4 0 0
.08
213
0
1
8 0 0
.46
183
7
2
400.6
933
79
1
2 0 0
.24
566
6 1
310.2
768
02
2
2 1 0
.62
081
2 1
900.5
021
34
6 0 0
.10
999
6 400.0
821
30
3
0 1 0
.85
629
9 2
810.8
118
25
1
1 0 0
.21
698
0 2
210.6
208
12
3
0 1 0
.85
629
9 810.1
458
15 18
Os tempos de experiência são bastante variados, como mostra a primeira coluna
dos dados. Para todas as pessoas foi dada a mesma tarefa e os resultados do seu
sucesso é mostrado na segunda coluna. Os resultados são codificados como: Y=1
se a tarefa foi completada com sucesso no tempo permitido, e Y=0 se a tarefa não
foi completada com sucesso. O diagrama de dispersão é dado na figura a seguir.
Somente indica
que a habilidade
para completar a
tarefa com
sucesso parece
aumentar com a
experiência.
19
Ajuste do modelo de regressão logístico (8). Os resultados da análise foram
obtidos usando o SAS.
Parameter Estimates
Variable DF Estimate Std Error Chi-Sq Pr > Chi-Sq
INTERCEPT 1 -3.0597 1.2594 5.9029 0.0151
EXPERIE 1 0.1615 0.0650 6.1760 0.0129
Os valores ajustados são dados na terceira coluna da matriz dos dados. Exercício:
obtenha a resposta média ajustada para i=1onde X1=14. Interprete o resultado. Resp.
0,310.
Interpretação: este valor ajustado é a estimativa da probabilidade de que uma pessoa
com 14 meses de experiência tenha sucesso para completar a tarefa.
20
1,0
0,9
0,8
0,7
0,6
̂ 0,5
0,4
0,3
0,2
0,1
0,0
0 5 10 15 20 25 30 35
Tempo de experiência
21
Interpretação de b1
ˆ ' ( X j ) b0 b1 X j (18)
ˆ ' ( X j 1) b0 b1 ( X j 1) (19)
Por exemplo, para X1=15, temos:
22
A diferença entre os dois valores fica:
^
OR chance2
chance1 exp( b1 ) (21)
Exemplo: para os dados da tarefa computacional, o valor da razão das chances é:
^
OR exp( 0,1615) 1,175
Interpretação: a chance aumenta em 17,5% para cada mês adicional de
experiência.
Da mesma forma:
chance2 0,5291
OR 1,1753
chance1 0,4502
24
Em geral, a razão das chances estimada quando existe uma diferença de c
unidades em X é exp(cb1). Exemplo: desejamos comparar indivíduos com 10
meses e 25 meses de experiência, assim c=15 meses, a razão das chances é
estimada por exp(15*0,1615)=11,3, portanto, isto indica que a chance de uma
pessoa com experiência terminar a tarefa aumenta mais de 11 vezes quando
comparado com uma pessoa com pouca experiência.
0 1 1
X X
1 1 i1
. X2 X i2
β X Xi (23)
( px1)
.
(px1)
. (px1)
.
. . .
p 1 X ( p 1) X i ,( p 1)
Temos que:
26
A função (5) pode ser generalizada como:
E (Y ) exp(β ' X )
1 exp(β ' X )
(26)
Uma forma equivalente é dada por:
1
E (Y ) (1 exp( β X)) '
(27)
A transformação logit dada em (6) agora resulta em:
Ajustando o modelo
Métodos numéricos devem ser utilizados para encontrar os valores de 0, 1,...,
p-1 que maximizam (30). As estimativas de máxima verossimilhança serão
denotadas por b0, b1,...,bp-1.
28
A função resposta logística ajustada e os valores ajustados são dados
por:
ˆ exp( b' X )
1 exp( b' X )
(1 exp( b X) ) ' -1
(31)
Alta 0 0
Média 1 0
Baixa 0 1
30
Parte dos dados:
Observação (1) (2) (3) (4) (5) (60
Idade Status sócio-econômico Setor Status Valores
doença ajustados
i Xi1 Xi2 Xi3 Xi4 Yi ˆ i
1 33 0 0 0 0 .209
2 35 0 0 0 0 .219
3 6 0 0 0 0 .106
4 60 0 0 0 0 .371
5 18 0 1 0 1 .111
6 26 0 1 0 0 .136
... ... ... ... ... ... ...
98 35 0 1 0 0 .171
Modelo ajustado
E (Y ) (1 exp( β ' X)) 1
Onde:
β ' X 0 1 X 1 2 X 2 3 X 3 4 X 4 31
Estimativas de máxima verossimilhança da função de regressão logística - dados de
doenças
Estimativas dos coeficientes, desvios padrões e razão das chances
Coeficientes de Estimativas dos Estimativas dos Estimativas das
regressão coeficientes de desvios padrões razões das chances
regressão
0 -2,3129 0,6426
1 0,02975 0,0135 1,030
2 0,4088 0,5990 1,505
3 -0,30525 0,6041 0,737
4 1,5747 0,5016 4,829
^
OR 1,03 A chance de uma pessoa estar doente aumenta cerca de 3%
com cada ano adicional de idade (X1), para dado status sócio-
econômico e setor da cidade (constantes).
^
OR 4,829 A chance de uma pessoa no setor 2 (X ) que tenha contraído a
4
doença é quase 5 vezes maior para uma pessoa do setor 1,
dado a idade e o status sócio-econômico.
Exercício: encontre o valor ajustado para o caso i=1, onde X11=33, X12=0,
X13=0, X14=0. Resposta: ˆ1 0,209
Interpretação: é a estimativa da probabilidade de uma pessoa com 33 anos
33
de idade, da classe alta, do setor 1, contrair a doença.
Construção de Modelos:
Seleção de Variáveis Preditoras
34
Teste se vários k=0
Deviance do modelo:
Deviance Parcial
Para cada modelo ajustado (ou de pesquisa) podemos calcular a sua deviance
(desvio). A diferença entre as deviances de dois modelos de pesquisa é
denominada de deviance parcial e, através dela, é possível testarmos se
determinada(s) variável(eis) explanatória(s) pode(m) ser retirada(s) do modelo.
36
A seguir mostraremos o processo de teste usando a deviance parcial.
Vamos considerar o modelo logístico completo com função resposta dada por:
1 exp β X ' 1
(33)
C
38
A diferença entre as duas deviances é a deviance parcial e é dada por:
β ' X 0 1 X 1 2 X 2 3 X 3
e a sua deviance residual é calculada.
Hipóteses em teste:
H 0 : 2 3 0
H a : pelo menos um βk é diferente de zero
Então, vamos ajustar um modelo de regressão logístico com:
β ' X 0 1 X 1
e vamos obter a deviance residual deste modelo.
A deviance parcial necessária para verificar as hipóteses, é dada por:
O modelo foi ajustado com três variáveis explanatórias: idade, classe sócio-
econômica e setor da cidade. A deviance para este modelo é dada por:
DEV X 0 , X 1 , X 2 , X 3 , X 4 101,054
H 0 : 1 0
Hipótese:
H a : β1 0
Assim, vamos ajustar um modelo com:
β ' X 0 2 X 2 3X 3 4 X 4
e a sua deviance vale:
DEV X 0 , X 2 , X 3 , X 4 106,204
41
A deviance parcial vale:
DEV X 1 | X 0 , X 2 , X 3 , X 4 DEV X 0 , X 2 , X 3 , X 4
DEV X 0 , X 1 , X 2 , X 3 , X 4
DEV X 1 | X 0 , X 2 , X 3 , X 4 106,204 101,054 5,15
42
Vamos, usando o pacote estatístico SAS testar a seguinte hipótese:
H 0 : 2 3 0
H a : pelo menos um k 0
Model Fit Statistics
Intercept
and
Criterion Covariates
1.2213 2 0.5430
β F X 0 1 X 1 2 X 2 3X3 4 X 4 5 X 1 X 2 6 X1X3
'
7 X 1 X 4 8 X 2 X 4 9 X 3 X 4
Vamos, usando o pacote estatístico SAS testar a seguinte hipótese:
H 0 : 5 6 7 8 9 0
H a : pelo menos um k 0
β R X 0 1 X1 2 X 2 3X3 4 X 4
'
44
The LOGISTIC Procedure
6.6450 5 0.2484
Validação do modelo
Novos dados (uma nova amostra) ou, então, uma amostra reservada dos dados,
deveria ser usada para verificar se o mesmo modelo pode ser usado com estes dados
novos, se os coeficientes de regressão e os erros padrões são similares, e se as
mesmas conclusões inferenciais seriam obtidas.
45
Diagnóstico do Modelo
Observação: observações outlying são observações bem separadas dos resto dos
dados. Geralmente são identificadas com resíduos grandes. Elas tem um efeito
muito grande sobre a função de regressão de mínimos quadrados ajustada.
Pontos cruciais:
Verificar se a função resposta estimada é monotônica e em forma
sigmoidal (de S)
Verificar a presença de outliers, pontos influentes e se o modelo de
regressão logístico ajustado é adequado.
46
Verificação do Ajuste do Modelo
Procedimento:
1 4 0 -2.4137
2 4 0 -2.4137
3 5 0 -2.2522
4 6 0 -2.0907
5 6 0 -2.0907
6 8 1 -1.7677
7 9 0 -1.6062
8 11 0 -1.2832
9 12 0 -1.1217
10 13 0 -0.9602
11 13 1 -0.9602
12 14 0 -0.7987
13 18 1 -0.1527
14 18 0 -0.1527
15 19 0 0.0088
16 20 1 0.1703
17 22 1 0.4933
18 22 1 0.4933
19 24 0 0.8163
20 25 1 0.9778
21 28 1 1.4623
22 29 0 1.6238
23 30 1 1.7853
24 30 1 1.7853
25 32 1 2.1083 48
ˆ '
Classes (j) Ponto médio nj pj Freqüências de
uns
49
Conclusão: a função resposta é monotônica e em forma de uma sigmóide.
50
Gráfico half-normal de probabilidade com envelope simulado
k n 1/ 8
z (35)
2n 1 / 2
(é o valor de z que dá uma área acumulada de (k+n-1/8)/(2n+1/2))
O envelope simulado é uma faixa, cujos resíduos devem cair dentro desta faixa se o
modelo é adequado (ajustado, correto).
51
Passos para construir o gráfico half-normal de probabilidades com
envelope simulado
• Para cada uma das n observações, gerar um experimento Bernoulli (0 ou 1),
onde o parâmetro da Bernoulli para a i-ésima observação é ̂ , a
i
probabilidade estimada da resposta Yi=1de acordo com o modelo ajustado
originalmente;
• Ajustar um modelo de regressão logístico para as n novas respostas onde a
variável preditora mantém seus valores originais, e obtenha as deviances
residuais. Ordenar as deviances residuais tomadas em valor absoluto em
ordem crescente.
• Repetir os dois primeiros passos 18 vezes;
• Agrupe as menores deviances residuais absolutas a partir dos 19 grupos e
determine os valores mínimo, máximo e médio desses 19 resíduos;
• Repita o passo anterior agrupando os segundos menores resíduos absolutos,
depois os terceiros menores resíduos absolutos, e assim por diante.
• Represente os valores mínimo, médio e máximo de cada um dos n grupos
de resíduos ordenados versus o correspondente valor esperado em (35) em
um gráfico half-normal de probabilidades para os valores de deviances
residuais absolutas ordenadas da amostra original e ligue os pontos por
linhas retas.
52
Exemplo: continuação do exemplo de uma tarefa de programação.
53
Variáveis: obs experiência sucesso probabilidade_estimada simulação1...simulação19
1 14 0 0.31026 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 1 1 0
2 29 0 0.83526 1 0 1 1 1 1 1 1 0 0 1 1 1 1 1 1 0 1 1
3 6 0 0.11000 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0
4 25 1 0.72660 0 0 1 0 0 1 0 1 0 1 1 1 1 1 1 1 1 1 1
5 18 1 0.46184 0 1 0 0 0 0 0 1 1 1 1 1 0 1 0 0 0 1 1
6 4 0 0.08213 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 1 0 0
7 18 0 0.46184 1 1 0 0 1 1 1 1 1 1 0 0 1 0 0 0 1 0 0
8 12 0 0.24567 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 1 0
9 22 1 0.62081 0 1 0 1 1 1 1 1 1 1 1 1 1 0 1 0 0 0 1
10 6 0 0.11000 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
11 30 1 0.85630 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
12 11 0 0.21698 0 1 0 0 0 0 1 0 1 0 0 0 1 1 0 0 0 1 0
13 30 1 0.85630 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1
14 5 0 0.09515 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1
15 20 1 0.54240 1 1 1 1 1 1 1 0 0 1 0 1 1 1 0 0 0 1 1
16 13 0 0.27680 0 1 0 0 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0
17 9 0 0.16710 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
18 32 1 0.89166 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
19 24 0 0.69338 0 1 1 1 0 1 0 1 0 1 0 1 1 1 0 0 1 1 1
20 13 1 0.27680 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1
21 19 0 0.50213 1 0 0 1 0 1 0 0 1 0 0 1 0 1 0 0 1 1 1
22 4 0 0.08213 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
23 28 1 0.81183 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
24 22 1 0.62081 1 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 0 0 1
25 8 1 0.14582 0 0 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
54
Deviannce residual ordenadas crescentemente para as amostras simuladas
desvio1 desvio2 desvio3 desvio4 desvio5 desvio6 desvio7 desvio8 desvio9 desvio10 desvio11 desvio12 desvio13 desvio14 desvio15 desvio16 desvio17 desvio18 desvio19
0,34 0,39 0,42 0,33 0,47 0,20 0,33 0,08 0,55 0,21 0,58 0,02 0,38 0,14 0,28 0,16 0,54 0,35 0,11
0,34 0,43 0,46 0,37 0,50 0,25 0,33 0,11 0,55 0,25 0,63 0,04 0,38 0,19 0,28 0,16 0,57 0,41 0,15
0,37 0,43 0,46 0,40 0,50 0,25 0,36 0,11 0,58 0,25 0,63 0,04 0,41 0,19 0,31 0,18 0,60 0,41 0,15
0,40 0,47 0,49 0,40 0,54 0,28 0,38 0,12 0,61 0,27 0,67 0,05 0,44 0,21 0,34 0,20 0,60 0,44 0,17
0,40 0,47 0,49 0,41 0,54 0,31 0,40 0,12 0,64 0,27 0,70 0,07 0,45 0,24 0,42 0,25 0,62 0,47 0,20
0,46 0,47 0,49 0,44 0,54 0,41 0,40 0,13 0,68 0,28 0,71 0,07 0,45 0,34 0,43 0,28 0,67 0,59 0,29
0,50 0,51 0,53 0,45 0,58 0,46 0,46 0,14 0,71 0,32 0,77 0,07 0,52 0,34 0,46 0,35 0,70 0,59 0,29
0,58 0,51 0,53 0,45 0,58 0,55 0,46 0,16 0,71 0,32 0,77 0,09 0,53 0,36 0,52 0,39 0,70 0,59 0,30
0,62 0,55 0,57 0,48 0,58 0,55 0,48 0,16 0,72 0,34 0,80 0,12 0,56 0,38 0,52 0,44 0,71 0,63 0,35
0,66 0,60 0,67 0,54 0,62 0,57 0,51 0,17 0,78 0,41 0,89 0,12 0,57 0,41 0,55 0,44 0,77 0,68 0,38
0,71 0,65 0,71 0,59 0,80 0,63 0,53 0,23 0,84 0,47 0,92 0,14 0,61 0,44 0,57 0,47 0,79 0,68 0,38
0,72 0,75 0,77 0,69 0,86 0,63 0,55 0,28 0,88 0,50 0,92 0,18 0,77 0,44 0,60 0,49 0,83 0,78 0,47
0,72 0,81 0,77 0,71 0,91 0,67 0,69 0,30 0,88 0,56 0,97 0,19 0,78 0,52 0,62 0,58 0,87 0,83 0,47
0,77 0,87 0,88 0,77 0,91 0,73 0,75 0,37 0,92 0,59 1,01 0,25 0,78 0,56 0,66 0,58 0,90 0,84 0,51
0,82 0,87 0,89 0,82 0,91 0,76 0,82 0,41 1,05 0,67 1,05 0,30 0,83 0,63 0,72 0,65 0,95 0,89 0,58
0,92 0,87 0,89 0,82 0,91 0,80 0,92 0,49 1,05 0,72 1,08 0,30 0,84 0,66 0,81 0,72 1,11 0,95 0,61
1,17 0,94 0,95 0,84 1,03 0,83 0,92 0,53 1,20 0,72 1,09 0,40 0,96 0,75 1,00 0,75 1,19 1,08 0,70
1,18 1,00 1,01 0,91 1,15 0,98 1,08 0,53 1,21 0,75 1,27 0,49 1,09 0,84 1,00 0,75 1,21 1,08 0,76
1,31 1,14 1,21 0,97 1,21 1,06 1,11 0,59 1,25 0,84 1,31 0,62 1,11 0,99 1,03 0,83 1,25 1,21 0,80
1,32 1,14 1,21 1,04 1,27 1,12 1,20 0,71 1,25 0,89 1,32 0,65 1,19 0,99 1,03 0,92 1,32 1,35 0,86
1,37 1,29 1,29 1,23 1,40 1,15 1,24 1,05 1,42 1,10 1,37 0,65 1,24 1,26 1,08 0,96 1,32 1,42 0,97
1,39 1,52 1,50 1,23 1,60 1,15 1,63 1,05 1,47 1,10 1,55 0,77 1,42 1,49 1,16 1,10 1,46 1,42 1,09
1,45 1,67 1,57 1,56 1,67 1,61 1,68 1,48 1,62 1,37 1,56 0,81 1,71 1,56 1,51 1,25 1,52 1,70 1,40
1,80 1,76 1,87 1,85 1,74 2,03 1,72 1,66 1,68 1,68 1,69 1,65 1,79 1,61 1,81 1,30 1,70 1,70 1,61
1,86 2,06 2,01 2,33 1,80 2,03 1,85 1,91 1,88 2,49 1,74 2,05 2,04 2,03 2,39 2,80 2,00 1,85 2,42
55
percentil mínimo médio máximo valor original
0,031027 0,02 0,31 0,58 0,408
0,080746 0,04 0,34 0,63 0,414
0,130666 0,04 0,35 0,63 0,414
0,180913 0,05 0,37 0,67 0,447
0,231622 0,07 0,39 0,70 0,48
0,282934 0,07 0,43 0,71 0,483
0,335002 0,07 0,46 0,77 0,557
0,387995 0,09 0,48 0,77 0,557
0,442101 0,12 0,50 0,80 0,605
0,497535 0,12 0,54 0,89 0,646
0,554542 0,14 0,59 0,92 0,699
0,613411 0,18 0,64 0,92 0,751
0,67449 0,19 0,68 0,97 0,8
0,738194 0,25 0,72 1,01 0,805
0,805048 0,30 0,77 1,05 0,86
0,875709 0,30 0,82 1,11 0,976
0,95104 0,40 0,90 1,20 0,976
1,032197 0,49 0,96 1,27 1,106
1,120793 0,59 1,04 1,31 1,113
1,219191 0,65 1,09 1,35 1,181
1,331064 0,65 1,20 1,42 1,24
1,462645 0,77 1,32 1,63 1,538
1,625949 0,81 1,51 1,71 1,603
Observação 2 1,849703 1,30 1,72 2,03 1,9 56
Observação 25 2,245251 1,74 2,08 2,80 1,962
Envelope simulado
3,00
deviance residual
2,50
2,00
1,50
1,00
0,50
0,00
0 0,5 1 1,5 2 2,5
percentil
57
INTERPRETAÇÃO:
58