Uma vari\u00e1vel omitida \u00e9 frequentemente exclu\u00edda de um modelo de regress\u00e3o por um dos dois motivos:<\/span><\/p>\n 1.<\/strong> Os dados da vari\u00e1vel simplesmente n\u00e3o est\u00e3o dispon\u00edveis.<\/span><\/p>\n 2.<\/strong> O efeito da vari\u00e1vel explicativa na vari\u00e1vel resposta<\/a> \u00e9 desconhecido.<\/span><\/p>\n Para que a vari\u00e1vel omitida realmente distor\u00e7a os coeficientes do modelo, as duas condi\u00e7\u00f5es a seguir devem ser atendidas:<\/span><\/p>\n 1.<\/strong> A vari\u00e1vel omitida deve estar correlacionada com uma ou mais vari\u00e1veis explicativas do modelo.<\/span><\/p>\n 2.<\/strong> A vari\u00e1vel omitida deve ser correlacionada com a vari\u00e1vel resposta do modelo.<\/span><\/p>\n Suponha que temos duas vari\u00e1veis explicativas, A e B, e uma vari\u00e1vel de resposta, Y. Suponha que ajustamos um modelo de regress\u00e3o linear simples com A como a \u00fanica vari\u00e1vel explicativa e deixamos B fora do modelo.<\/span><\/p>\n Se B estiver correlacionado com A e<\/em> correlacionado com Y, isso resultar\u00e1 em um vi\u00e9s na estimativa do coeficiente de A. O diagrama a seguir mostra como a estimativa do coeficiente de A ser\u00e1 enviesada, dependendo da natureza do relacionamento com B:<\/span> <\/p>\n Suponha que queremos estudar o efeito da metragem quadrada no pre\u00e7o dos im\u00f3veis e, portanto, aplicamos o seguinte modelo de regress\u00e3o linear simples:<\/span><\/p>\n Pre\u00e7o da casa = B 0<\/sub> + B 1<\/sub> (\u00e1rea quadrada)<\/span><\/p>\n Suponha que descobrimos que o modelo estimado \u00e9:<\/span><\/p>\n Pre\u00e7o da casa = 40.203,91 + 118,31 (\u00e1rea quadrada)<\/strong><\/span><\/p>\n A forma como interpretamos o coeficiente para a metragem quadrada \u00e9 que cada aumento adicional de uma unidade na metragem quadrada est\u00e1 associado a um aumento no pre\u00e7o da habita\u00e7\u00e3o de $118,31 em m\u00e9dia.<\/em><\/span><\/p>\n No entanto, suponhamos que deixemos de fora a vari\u00e1vel explicativa idade<\/em> , que acaba por estar fortemente correlacionada negativamente com a metragem quadrada e fortemente correlacionada negativamente com o pre\u00e7o dos im\u00f3veis. Essa vari\u00e1vel deveria estar no modelo, mas n\u00e3o est\u00e1. Assim, a estimativa do coeficiente para a metragem quadrada \u00e9 provavelmente tendenciosa.<\/span><\/p>\n Como a idade<\/em> est\u00e1 negativamente correlacionada com a vari\u00e1vel explicativa e de resposta no modelo, esperamos que a estimativa do coeficiente para a metragem quadrada seja positivamente enviesada:<\/span> <\/p>\n Suponha que encontramos dados sobre a idade da habita\u00e7\u00e3o e depois os inclu\u00edmos no modelo. O modelo ent\u00e3o se torna:<\/span><\/p>\n Pre\u00e7o da casa = B 0<\/sub> + B 1<\/sub> (\u00e1rea quadrada) + B 2<\/sub> (idade)<\/span><\/p>\n Suponha que descobrimos que o modelo estimado \u00e9:<\/span><\/p>\n Pre\u00e7o da casa = 123.426,20 + 81,06 (\u00e1rea quadrada) \u2013 1.291,04 (idade)<\/strong><\/span><\/p>\n Observe que a estimativa do coeficiente para a metragem quadrada diminuiu significativamente, o que significa que foi<\/em> positivamente enviesada no modelo anterior.<\/span><\/p>\n A forma como interpretamos o coeficiente de metragem quadrada neste modelo \u00e9 que cada aumento adicional de uma unidade na metragem quadrada est\u00e1 associado a um aumento m\u00e9dio no pre\u00e7o da casa de $ 81,06, assumindo que a idade permanece constante.<\/em><\/span><\/p>\n Infelizmente, o vi\u00e9s de vari\u00e1veis omitidas ocorre frequentemente no mundo real porque certas vari\u00e1veis geralmente deveriam<\/em> ser inclu\u00eddas em um modelo de regress\u00e3o, mas n\u00e3o o s\u00e3o porque os dados para elas n\u00e3o est\u00e3o dispon\u00edveis ou a rela\u00e7\u00e3o entre elas e a vari\u00e1vel de resposta \u00e9 desconhecida.<\/span><\/p>\n Se poss\u00edvel, voc\u00ea deve tentar incluir todas as vari\u00e1veis explicativas relevantes em um modelo de regress\u00e3o para poder compreender a verdadeira rela\u00e7\u00e3o entre as vari\u00e1veis explicativas e a vari\u00e1vel de resposta.<\/span><\/p>\n A exclus\u00e3o de vari\u00e1veis explicativas relevantes de um modelo pode afetar significativamente a interpreta\u00e7\u00e3o do modelo, como vimos no exemplo anterior com os pre\u00e7os imobili\u00e1rios.<\/span><\/p>\n O que \u00e9 uma vari\u00e1vel oculta?<\/a> O vi\u00e9s de vari\u00e1vel omitida ocorre quando uma vari\u00e1vel explicativa relevante n\u00e3o \u00e9 inclu\u00edda em um modelo de regress\u00e3o , o que pode resultar em vi\u00e9s no coeficiente de uma ou mais vari\u00e1veis explicativas do modelo. Uma vari\u00e1vel omitida \u00e9 frequentemente exclu\u00edda de um modelo de regress\u00e3o por um dos dois motivos: 1. Os dados […]<\/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-1027","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Os efeitos do vi\u00e9s de vari\u00e1vel omitida<\/strong><\/span><\/h3>\n
![\"Vi\u00e9s](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis1.png\")
<\/p>\n Exemplo: vi\u00e9s de vari\u00e1vel omitida<\/strong><\/span><\/h3>\n
![\"Vi\u00e9s](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/omis2.png\")
<\/p>\n O que fazer com o vi\u00e9s de vari\u00e1vel omitida<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
O que \u00e9 uma vari\u00e1vel confusa?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"