\u00c9 calculado da seguinte forma:<\/span><\/p>\n Residual = Valor observado \u2013 Valor previsto<\/strong><\/span><\/p>\n Lembre-se de que o objetivo da regress\u00e3o linear \u00e9 quantificar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta<\/a> . Para fazer isso, a regress\u00e3o linear encontra a linha que melhor \u201cse ajusta\u201d aos dados, chamada de linha de regress\u00e3o de m\u00ednimos quadrados<\/em> .<\/span><\/p>\n Esta linha produz uma previs\u00e3o para cada observa\u00e7\u00e3o<\/a> no conjunto de dados, mas \u00e9 improv\u00e1vel que a previs\u00e3o feita pela linha de regress\u00e3o corresponda exatamente<\/em> ao valor observado.<\/span><\/p>\n A diferen\u00e7a entre a previs\u00e3o e o valor observado \u00e9 o res\u00edduo. Se plotarmos os valores observados e sobrepormos a linha de regress\u00e3o ajustada, os res\u00edduos de cada observa\u00e7\u00e3o seriam a dist\u00e2ncia vertical entre a observa\u00e7\u00e3o e a linha de regress\u00e3o:<\/span> <\/p>\n Uma observa\u00e7\u00e3o tem um res\u00edduo positivo<\/strong> se o seu valor for maior que o valor previsto feito pela linha de regress\u00e3o.<\/span><\/p>\n Por outro lado, uma observa\u00e7\u00e3o tem um res\u00edduo negativo<\/strong> se o seu valor for menor que o valor previsto feito pela linha de regress\u00e3o.<\/span> <\/p>\n Algumas observa\u00e7\u00f5es ter\u00e3o res\u00edduos positivos, enquanto outras ter\u00e3o res\u00edduos negativos, mas todos os res\u00edduos somar\u00e3o zero<\/strong> .<\/span><\/p>\n Suponha que temos o seguinte conjunto de dados com 12 observa\u00e7\u00f5es no total:<\/span> <\/p>\n Se usarmos software estat\u00edstico (como R<\/a> , Excel<\/a> , Python<\/a> , Stata<\/a> , etc.) para ajustar uma linha de regress\u00e3o linear a este conjunto de dados, descobriremos que a linha de melhor ajuste ser\u00e1:<\/span><\/p>\n y = 29,63 + 0,7553x<\/strong><\/span><\/p>\n Usando esta linha, podemos calcular o valor previsto para cada valor de Y com base no valor de X. Por exemplo, o valor previsto da primeira observa\u00e7\u00e3o seria:<\/span><\/p>\n y = 29,63 + 0,7553*(8) = 35,67<\/strong><\/span><\/p>\n Podemos ent\u00e3o calcular o res\u00edduo para esta observa\u00e7\u00e3o da seguinte forma:<\/span><\/p>\n Residual = Valor observado \u2013 Valor previsto = 41 \u2013 35,67 = 5,33<\/strong><\/span><\/p>\n Podemos repetir este processo para encontrar o res\u00edduo para cada observa\u00e7\u00e3o:<\/span> <\/p>\n Se criarmos um gr\u00e1fico de dispers\u00e3o para visualizar as observa\u00e7\u00f5es com a linha de regress\u00e3o ajustada, veremos que algumas das observa\u00e7\u00f5es ficam acima da linha, enquanto outras ficam abaixo da linha:<\/span> <\/p>\n Os res\u00edduos t\u00eam as seguintes propriedades:<\/span><\/p>\n Na pr\u00e1tica, os res\u00edduos s\u00e3o usados por tr\u00eas raz\u00f5es diferentes na regress\u00e3o:<\/span><\/p>\n 1. Avalie a adequa\u00e7\u00e3o do modelo.<\/strong><\/span><\/p>\n Depois de produzirmos uma linha de regress\u00e3o ajustada, podemos calcular a soma residual dos quadrados (RSS)<\/em> , que \u00e9 a soma de todos os res\u00edduos quadrados. Quanto menor o RSS, melhor o modelo de regress\u00e3o se ajusta aos dados.<\/span><\/p>\n 2. Verifique a suposi\u00e7\u00e3o de normalidade.<\/strong><\/span><\/p>\n Uma das principais suposi\u00e7\u00f5es da regress\u00e3o linear<\/a> \u00e9 que os res\u00edduos s\u00e3o normalmente distribu\u00eddos.<\/span><\/p>\n Para testar esta hip\u00f3tese, podemos criar um gr\u00e1fico QQ, que \u00e9 um tipo de gr\u00e1fico que podemos usar para determinar se os res\u00edduos de um modelo seguem ou n\u00e3o uma distribui\u00e7\u00e3o normal.<\/span><\/p>\n Se os pontos no gr\u00e1fico formarem aproximadamente uma linha reta diagonal, ent\u00e3o a suposi\u00e7\u00e3o de normalidade \u00e9 atendida.<\/span> <\/p>\n 3. Verifique a suposi\u00e7\u00e3o de homocedasticidade.<\/strong><\/span><\/p>\n Outra suposi\u00e7\u00e3o importante da regress\u00e3o linear \u00e9 que os res\u00edduos t\u00eam vari\u00e2ncia constante em cada n\u00edvel de x. Isso \u00e9 chamado de homocedasticidade. Quando este n\u00e3o \u00e9 o caso, os res\u00edduos sofrem de heterocedasticidade<\/a> .<\/span><\/p>\n Para verificar se essa suposi\u00e7\u00e3o \u00e9 atendida, podemos criar um gr\u00e1fico de res\u00edduos<\/a> , que \u00e9 um gr\u00e1fico de dispers\u00e3o que mostra os res\u00edduos em rela\u00e7\u00e3o aos valores previstos do modelo.<\/span> <\/p>\n Se os res\u00edduos estiverem distribu\u00eddos aproximadamente uniformemente em torno de zero no gr\u00e1fico, sem nenhuma tend\u00eancia clara, ent\u00e3o geralmente dizemos que a suposi\u00e7\u00e3o de homocedasticidade \u00e9 atendida.<\/span><\/p>\n Introdu\u00e7\u00e3o \u00e0 regress\u00e3o linear simples<\/a> Um res\u00edduo \u00e9 a diferen\u00e7a entre um valor observado e um valor previsto na an\u00e1lise de regress\u00e3o . \u00c9 calculado da seguinte forma: Residual = Valor observado \u2013 Valor previsto Lembre-se de que o objetivo da regress\u00e3o linear \u00e9 quantificar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta . Para […]<\/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-1257","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus1-1.png\")
<\/p>\n![\"Res\u00edduos](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus2.png\")
<\/p>\n Exemplo de c\u00e1lculo de res\u00edduos<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus3.png\")
<\/p>\n![\"Como](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus4.png\")
<\/p>\n![\"Linha](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus5.png\")
<\/p>\n Propriedades dos res\u00edduos<\/strong><\/span><\/h3>\n
\n
Como os res\u00edduos s\u00e3o usados na pr\u00e1tica?<\/strong><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/qqplotpython1.png\")
![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/residus6.png\")
Recursos adicionais<\/strong><\/span><\/h3>\n
Introdu\u00e7\u00e3o \u00e0 regress\u00e3o linear m\u00faltipla<\/a>
As quatro suposi\u00e7\u00f5es da regress\u00e3o linear<\/a>
Como criar um gr\u00e1fico residual no Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"