Normalmente, quando realizamos regress\u00e3o linear m\u00faltipla, os coeficientes de regress\u00e3o resultantes n\u00e3o s\u00e3o padronizados<\/strong> , o que significa que eles usam os dados brutos para encontrar a linha de melhor ajuste.<\/span><\/p>\n Contudo, quando as vari\u00e1veis preditoras s\u00e3o medidas em escalas radicalmente diferentes, pode ser \u00fatil realizar regress\u00e3o linear m\u00faltipla utilizando dados padronizados, resultando em coeficientes padronizados<\/strong> .<\/span><\/p>\n Para ajud\u00e1-lo a entender essa ideia, vamos examinar um exemplo simples.<\/span><\/p>\n Suponha que temos o seguinte conjunto de dados contendo informa\u00e7\u00f5es sobre idade, metragem quadrada e pre\u00e7o de venda de 12 casas:<\/span> <\/p>\n Suponhamos ent\u00e3o que realizamos uma regress\u00e3o linear m\u00faltipla, usando idade<\/strong> e metragem quadrada<\/strong> como vari\u00e1veis preditoras e pre\u00e7o<\/strong> como vari\u00e1vel resposta.<\/span><\/p>\n Aqui est\u00e1 o resultado da regress\u00e3o<\/a> :<\/span> <\/p>\n Os coeficientes de regress\u00e3o nesta tabela n\u00e3o s\u00e3o padronizados<\/strong> , o que significa que foram utilizados os dados brutos para ajustar este modelo de regress\u00e3o.<\/span> \u00c0 primeira vista, parece que a idade<\/strong> tem um efeito muito maior no pre\u00e7o dos im\u00f3veis, uma vez que o seu coeficiente na tabela de regress\u00e3o \u00e9 -409,833<\/strong> , em compara\u00e7\u00e3o com apenas 100,866<\/strong> para a vari\u00e1vel preditora metragem quadrada<\/strong> .<\/span><\/p>\n No entanto, o erro padr\u00e3o \u00e9 muito maior para a idade do que para a metragem quadrada, raz\u00e3o pela qual o valor p correspondente \u00e9 realmente grande para a idade (p = 0,520) e pequeno para a metragem quadrada (p = 0,000).<\/span><\/p>\n A raz\u00e3o para as diferen\u00e7as extremas nos coeficientes de regress\u00e3o deve-se \u00e0s diferen\u00e7as extremas nas escalas para as duas vari\u00e1veis:<\/span><\/p>\n Suponha que, em vez disso, normalizemos<\/strong> os dados brutos originais convertendo cada valor de dados original em uma pontua\u00e7\u00e3o z:<\/span> <\/p>\n Se realizarmos ent\u00e3o uma regress\u00e3o linear m\u00faltipla usando os dados padronizados, obteremos o seguinte resultado da regress\u00e3o:<\/span> <\/p>\n Os coeficientes de regress\u00e3o nesta tabela s\u00e3o padronizados<\/strong> , o que significa que foram utilizados dados padronizados para ajustar este modelo de regress\u00e3o. A forma de interpretar os coeficientes da tabela \u00e9 a seguinte:<\/span><\/p>\n Podemos ver imediatamente que a metragem quadrada tem um efeito muito maior sobre os pre\u00e7os dos im\u00f3veis do que a idade. Observe tamb\u00e9m que os valores p para cada vari\u00e1vel preditora s\u00e3o exatamente os mesmos do modelo de regress\u00e3o anterior.<\/span><\/p>\n Relacionado:<\/span><\/strong> Como calcular pontua\u00e7\u00f5es Z no Excel<\/a><\/p>\n Os coeficientes de regress\u00e3o padronizados e n\u00e3o padronizados podem ser \u00fateis dependendo da situa\u00e7\u00e3o. Especialmente:<\/span><\/p>\n Os coeficientes de regress\u00e3o n\u00e3o padronizados<\/strong> s\u00e3o \u00fateis quando voc\u00ea deseja interpretar o efeito que uma altera\u00e7\u00e3o de uma unidade em uma vari\u00e1vel preditora tem sobre uma vari\u00e1vel de resposta. No exemplo acima, poder\u00edamos usar os coeficientes de regress\u00e3o n\u00e3o padronizados da primeira regress\u00e3o para compreender a rela\u00e7\u00e3o exata entre as vari\u00e1veis preditoras e a vari\u00e1vel resposta:<\/span><\/p>\n Os coeficientes de regress\u00e3o padronizados<\/strong> s\u00e3o \u00fateis quando voc\u00ea deseja comparar o efeito de diferentes vari\u00e1veis preditoras em uma vari\u00e1vel de resposta. Como cada vari\u00e1vel \u00e9 padronizada, voc\u00ea pode ver qual vari\u00e1vel tem maior<\/em> efeito na vari\u00e1vel resposta.<\/span><\/p>\n A desvantagem dos coeficientes de regress\u00e3o padronizados \u00e9 que eles s\u00e3o um pouco mais dif\u00edceis de interpretar. Por exemplo, \u00e9 mais f\u00e1cil compreender o efeito de um aumento de uma unidade de idade no pre\u00e7o dos im\u00f3veis do que o efeito de um aumento de um desvio padr\u00e3o no pre\u00e7o dos im\u00f3veis.<\/span><\/p>\n Como ler e interpretar uma tabela de regress\u00e3o<\/a> A regress\u00e3o linear m\u00faltipla \u00e9 uma forma \u00fatil de quantificar a rela\u00e7\u00e3o entre duas ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta . Normalmente, quando realizamos regress\u00e3o linear m\u00faltipla, os coeficientes de regress\u00e3o resultantes n\u00e3o s\u00e3o padronizados , o que significa que eles usam os dados brutos para encontrar a linha de melhor ajuste. […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1005","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Exemplo: Coeficientes de regress\u00e3o padronizados e n\u00e3o padronizados<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise1.png\")
<\/p>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise2.png\")
<\/p>\n\n
![\"Padronize](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise3.png\")
<\/p>\n![\"Coeficientes](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standardise4.png\")
<\/p>\n\n
Quando usar coeficientes de regress\u00e3o padronizados ou n\u00e3o padronizados<\/strong><\/span><\/h3>\n
\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como interpretar coeficientes de regress\u00e3o<\/a>
Como realizar regress\u00e3o linear m\u00faltipla no Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"