No entanto, se quisermos entender a rela\u00e7\u00e3o entre m\u00faltiplas<\/em> vari\u00e1veis preditoras e uma vari\u00e1vel resposta, podemos usar a regress\u00e3o linear m\u00faltipla<\/strong> .<\/span><\/p>\n Se tivermos p<\/em> vari\u00e1veis preditoras, ent\u00e3o um modelo de regress\u00e3o linear m\u00faltipla assume a forma:<\/span><\/p>\n Y = \u03b2 0<\/sub> + \u03b2 1<\/sub> X 1<\/sub> +<\/sub> \u03b2 2<\/sub> X 2<\/sub> +\u2026 + \u03b2 p<\/sub><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Os valores de \u03b2 0<\/sub> , \u03b2 1<\/sub> , B 2<\/sub> , \u2026, \u03b2 p<\/sub> s\u00e3o escolhidos atrav\u00e9s do m\u00e9todo dos m\u00ednimos quadrados<\/strong> , que minimiza a soma dos quadrados dos res\u00edduos (RSS):<\/span><\/p>\n RSS = \u03a3(y i<\/sub> \u2013 \u0177 i<\/sub> ) 2<\/sup><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n O m\u00e9todo usado para encontrar essas estimativas de coeficientes est\u00e1 vinculado \u00e0 \u00e1lgebra matricial e n\u00e3o entraremos em detalhes aqui. Felizmente, qualquer software estat\u00edstico pode calcular esses coeficientes para voc\u00ea.<\/span><\/p>\n Suponhamos que ajustamos um modelo de regress\u00e3o linear m\u00faltipla usando as vari\u00e1veis preditoras , horas estudadas<\/em> e exames preparat\u00f3rios realizados<\/em> , bem como uma vari\u00e1vel resposta nota do exame<\/em> .<\/span><\/p>\n A captura de tela a seguir mostra como seria o resultado da regress\u00e3o linear m\u00faltipla para este modelo:<\/span><\/p>\n Nota:<\/strong> A captura de tela abaixo mostra a sa\u00edda de regress\u00e3o linear m\u00faltipla para Excel<\/a> , mas os n\u00fameros mostrados na sa\u00edda s\u00e3o t\u00edpicos da sa\u00edda de regress\u00e3o que voc\u00ea ver\u00e1 usando qualquer software estat\u00edstico.<\/span><\/em> <\/p>\n A partir dos resultados do modelo, os coeficientes permitem formar um modelo de regress\u00e3o linear m\u00faltipla estimado:<\/span><\/p>\n Nota do exame = 67,67 + 5,56*(horas) \u2013 0,60*(exames preparat\u00f3rios)<\/strong><\/span><\/p>\n A forma de interpretar os coeficientes \u00e9 a seguinte:<\/span><\/p>\n Tamb\u00e9m podemos usar esse modelo para determinar a nota esperada no exame que um aluno receber\u00e1 com base no n\u00famero total de horas estudadas e nos exames preparat\u00f3rios realizados. Por exemplo, um aluno que estuda 4 horas e faz 1 exame preparat\u00f3rio dever\u00e1 obter nota 89,31<\/strong> no exame:<\/span><\/p>\n Nota do exame = 67,67 + 5,56*(4) -0,60*(1) = 89,31<\/strong><\/span><\/p>\n Veja como interpretar o restante dos resultados do modelo:<\/span><\/p>\n Dois n\u00fameros s\u00e3o comumente usados para avaliar qu\u00e3o bem um modelo de regress\u00e3o linear m\u00faltipla “se ajusta” a um conjunto de dados:<\/span><\/p>\n 1.<\/strong> R-quadrado:<\/strong> Esta \u00e9 a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel resposta<\/a> que pode ser explicada pelas vari\u00e1veis preditoras.<\/span><\/p>\n O valor de R ao quadrado pode variar de 0 a 1. Um valor 0 indica que a vari\u00e1vel de resposta n\u00e3o pode ser explicada pela vari\u00e1vel preditora. Um valor 1 indica que a vari\u00e1vel resposta pode ser perfeitamente explicada sem erros pela vari\u00e1vel preditora.<\/span><\/p>\n Quanto maior o R quadrado de um modelo, melhor o modelo ser\u00e1 capaz de ajustar os dados.<\/span><\/p>\n 2. Erro padr\u00e3o:<\/strong> \u00c9 a dist\u00e2ncia m\u00e9dia entre os valores observados e a linha de regress\u00e3o. Quanto menor o erro padr\u00e3o, melhor o modelo \u00e9 capaz de ajustar os dados.<\/span><\/p>\n Se quisermos fazer previs\u00f5es usando um modelo de regress\u00e3o, o erro padr\u00e3o da regress\u00e3o pode ser uma m\u00e9trica mais \u00fatil para saber do que o R-quadrado, porque nos d\u00e1 uma ideia de qu\u00e3o precisas s\u00e3o nossas previs\u00f5es em termos de unidades.<\/span><\/p>\n Para obter uma explica\u00e7\u00e3o completa dos pr\u00f3s e contras do uso de R-quadrado versus erro padr\u00e3o para avaliar o ajuste do modelo, consulte os seguintes artigos:<\/span><\/p>\n A regress\u00e3o linear m\u00faltipla faz quatro suposi\u00e7\u00f5es principais sobre os dados:<\/span><\/p>\n 1. Relacionamento linear:<\/strong> Existe um relacionamento linear entre a vari\u00e1vel independente, x, e a vari\u00e1vel dependente, y.<\/span><\/p>\n 2. Independ\u00eancia:<\/strong> Os res\u00edduos s\u00e3o independentes. Em particular, n\u00e3o h\u00e1 correla\u00e7\u00e3o entre res\u00edduos consecutivos em dados de s\u00e9ries temporais.<\/span><\/p>\n 3. Homocedasticidade:<\/strong> Os res\u00edduos possuem vari\u00e2ncia constante em cada n\u00edvel de x.<\/span><\/p>\n 4. Normalidade:<\/strong> Os res\u00edduos do modelo s\u00e3o normalmente distribu\u00eddos.<\/span><\/p>\n Para uma explica\u00e7\u00e3o completa de como testar essas hip\u00f3teses, consulte este artigo<\/a> .<\/span><\/p>\n Os tutoriais a seguir fornecem exemplos passo a passo sobre como realizar regress\u00e3o linear m\u00faltipla usando diferentes softwares estat\u00edsticos:<\/span><\/p>\n Como realizar regress\u00e3o linear m\u00faltipla em R<\/a> Quando queremos entender a rela\u00e7\u00e3o entre uma \u00fanica vari\u00e1vel preditora e uma vari\u00e1vel de resposta, geralmente usamos regress\u00e3o linear simples . No entanto, se quisermos entender a rela\u00e7\u00e3o entre m\u00faltiplas vari\u00e1veis preditoras e uma vari\u00e1vel resposta, podemos usar a regress\u00e3o linear m\u00faltipla . Se tivermos p vari\u00e1veis preditoras, ent\u00e3o um modelo de regress\u00e3o linear m\u00faltipla […]<\/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-1151","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
Como interpretar a sa\u00edda de regress\u00e3o linear m\u00faltipla<\/strong><\/span><\/h3>\n
![\"Interpretando](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n\n
\n
Como avaliar o ajuste de um modelo de regress\u00e3o linear m\u00faltipla<\/strong><\/span><\/h3>\n
\n
Suposi\u00e7\u00f5es m\u00faltiplas de regress\u00e3o linear<\/strong><\/span><\/h3>\n
Regress\u00e3o linear m\u00faltipla usando software<\/strong><\/h3>\n
Como realizar regress\u00e3o linear m\u00faltipla em Python<\/a>
Como realizar regress\u00e3o linear m\u00faltipla no Excel<\/a>
Como realizar regress\u00e3o linear m\u00faltipla no SPSS<\/a>
Como realizar regress\u00e3o linear m\u00faltipla no Stata<\/a>
Como realizar regress\u00e3o linear no Planilhas Google<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"