\u00c9 calculado da seguinte forma:<\/span><\/p>\n Residual = Valor observado \u2013 Valor previsto<\/strong><\/span><\/p>\n Se plotarmos os valores observados e sobrepormos a linha de regress\u00e3o ajustada, os res\u00edduos de cada observa\u00e7\u00e3o<\/a> seriam a dist\u00e2ncia vertical entre a observa\u00e7\u00e3o e a linha de regress\u00e3o:<\/span> <\/p>\n Um tipo de res\u00edduo que costumamos usar para identificar valores discrepantes em um modelo de regress\u00e3o \u00e9 chamado de res\u00edduo padronizado<\/strong> .<\/span><\/p>\n \u00c9 calculado da seguinte forma:<\/span><\/p>\n r eu<\/sub> = e eu<\/sub> \/ s(e eu<\/sub> )<\/strong> = e eu<\/sub> \/ RSE\u221a 1-h ii<\/sub><\/span><\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Na pr\u00e1tica, muitas vezes consideramos qualquer res\u00edduo padronizado cujo valor absoluto seja superior a 3 como um valor at\u00edpico.<\/span><\/p>\n Isso n\u00e3o significa necessariamente que retiraremos essas observa\u00e7\u00f5es do modelo, mas dever\u00edamos pelo menos estud\u00e1-las mais a fundo para verificar se n\u00e3o s\u00e3o resultado de um erro de entrada de dados ou de algum outro evento estranho.<\/span><\/p>\n Nota:<\/strong> \u00c0s vezes, os res\u00edduos padronizados tamb\u00e9m s\u00e3o chamados de \u201cres\u00edduos estudados internamente\u201d.<\/em><\/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 Tamb\u00e9m podemos usar software estat\u00edstico para descobrir que o erro padr\u00e3o residual do modelo \u00e9 4,44<\/strong> .<\/span><\/p>\n E, embora esteja al\u00e9m do escopo deste tutorial, podemos usar software para encontrar a estat\u00edstica de alavancagem (h ii<\/sub> ) para cada observa\u00e7\u00e3o:<\/span> <\/p>\n Podemos ent\u00e3o usar a seguinte f\u00f3rmula para calcular o res\u00edduo padronizado para cada observa\u00e7\u00e3o:<\/span><\/p>\n r eu<\/sub><\/strong> = e eu<\/sub> \/ RSE\u221a 1-h ii<\/sub><\/span><\/strong><\/span><\/p>\n Por exemplo, o res\u00edduo padronizado para a primeira observa\u00e7\u00e3o \u00e9 calculado da seguinte forma:<\/span><\/p>\n ri<\/sub> = 5,33 \/ 4,44\u221a 1-0,27<\/span> = 1,404<\/strong><\/span><\/p>\n Podemos repetir este processo para encontrar o res\u00edduo padronizado para cada observa\u00e7\u00e3o:<\/span> <\/p>\n Podemos ent\u00e3o criar um gr\u00e1fico de dispers\u00e3o r\u00e1pido dos valores preditivos em rela\u00e7\u00e3o aos res\u00edduos padronizados para ver visualmente se algum dos res\u00edduos padronizados excede um limite de valor absoluto de 3:<\/span> <\/p>\n No gr\u00e1fico, podemos ver que nenhum dos res\u00edduos padronizados excede o valor absoluto de 3. Assim, nenhuma das observa\u00e7\u00f5es parece ser at\u00edpica.<\/span><\/p>\n Deve-se notar que, em alguns casos, os pesquisadores consideram observa\u00e7\u00f5es cujos res\u00edduos padronizados excedem um valor absoluto de 2 como outliers.<\/span><\/p>\n Depende de voc\u00ea, dependendo da \u00e1rea em que est\u00e1 trabalhando e do problema espec\u00edfico em que est\u00e1 trabalhando, se deseja usar um valor absoluto de 2 ou 3 como limite para valores discrepantes.<\/span><\/p>\n Os tutoriais a seguir fornecem informa\u00e7\u00f5es adicionais sobre res\u00edduos padronizados:<\/span><\/p>\n O que s\u00e3o res\u00edduos nas estat\u00edsticas?<\/a> Um res\u00edduo \u00e9 a diferen\u00e7a entre um valor observado e um valor previsto em um modelo de regress\u00e3o . \u00c9 calculado da seguinte forma: Residual = Valor observado \u2013 Valor previsto 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 […]<\/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-1307","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\n
Exemplo: Como calcular res\u00edduos padronizados<\/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![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standres1.png\")
<\/p>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standres2.png\")
<\/p>\n![\"Gr\u00e1fico](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/standres3.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como calcular res\u00edduos padronizados no Excel<\/a>
Como calcular res\u00edduos padronizados em R<\/a>
Como calcular res\u00edduos padronizados em Python<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"