Um modelo de regress\u00e3o polinomial assume a seguinte forma:<\/span><\/p>\n Y = \u03b2 0<\/sub> +<\/sup> \u03b2 1<\/sub> X + \u03b2 2<\/sub> X 2<\/sup> +\u2026 + \u03b2 h<\/sub><\/span><\/p>\n Na pr\u00e1tica, existem tr\u00eas maneiras simples de determinar se voc\u00ea deve usar a regress\u00e3o polinomial em vez de um modelo mais simples como a regress\u00e3o linear<\/a> .<\/span><\/p>\n A maneira mais f\u00e1cil de determinar se voc\u00ea deve usar a regress\u00e3o polinomial \u00e9 criar um gr\u00e1fico de dispers\u00e3o simples da vari\u00e1vel preditora e da vari\u00e1vel resposta.<\/span><\/p>\n Por exemplo, digamos que queremos usar a vari\u00e1vel preditora \u201choras de estudo\u201d para prever a nota que um aluno receber\u00e1 em um exame final.<\/span><\/p>\n Antes de ajustar um modelo de regress\u00e3o, podemos primeiro criar um gr\u00e1fico de dispers\u00e3o das horas estudadas em rela\u00e7\u00e3o aos resultados dos exames. Suponha que nosso gr\u00e1fico de dispers\u00e3o seja assim:<\/span> <\/p>\n A rela\u00e7\u00e3o entre as horas estudadas e os resultados dos exames parece linear<\/strong> , portanto faria sentido ajustar um modelo de regress\u00e3o linear simples a este conjunto de dados.<\/span><\/p>\n No entanto, vamos supor que o gr\u00e1fico de dispers\u00e3o realmente se pare\u00e7a com o seguinte:<\/span> <\/p>\n Esta rela\u00e7\u00e3o parece um pouco mais n\u00e3o linear<\/strong> , o que nos diz que pode ser sensato ajustar um modelo de regress\u00e3o polinomial.<\/span><\/p>\n Outra maneira de determinar se voc\u00ea deve usar a regress\u00e3o polinomial \u00e9 ajustar um modelo de regress\u00e3o linear ao conjunto de dados e, em seguida, criar um gr\u00e1fico dos valores ajustados em rela\u00e7\u00e3o aos res\u00edduos<\/strong> do modelo.<\/span><\/p>\n Se houver uma tend\u00eancia n\u00e3o linear clara nos res\u00edduos, isso indica que a regress\u00e3o polinomial pode fornecer um melhor ajuste aos dados.<\/span><\/p>\n Por exemplo, suponha que ajustamos um modelo de regress\u00e3o linear usando horas estudadas como vari\u00e1vel preditora e pontua\u00e7\u00e3o no exame como vari\u00e1vel de resposta e, em seguida, criamos o seguinte gr\u00e1fico de valores ajustados em rela\u00e7\u00e3o aos res\u00edduos:<\/span> <\/p>\n Os res\u00edduos est\u00e3o espalhados aleatoriamente em torno de zero sem nenhum padr\u00e3o claro, indicando que um modelo linear fornece um ajuste apropriado aos dados.<\/span><\/p>\n No entanto, vamos supor que nosso gr\u00e1fico de valores ajustados versus res\u00edduos realmente se pare\u00e7a com o seguinte:<\/span> <\/p>\n No gr\u00e1fico, podemos ver que existe um padr\u00e3o n\u00e3o linear claro nos res\u00edduos \u2013 os res\u00edduos apresentam uma forma de \u201cU\u201d.<\/span><\/p>\n Isto nos diz que um modelo linear n\u00e3o \u00e9 apropriado para esses dados espec\u00edficos e que pode ser sensato ajustar um modelo de regress\u00e3o polinomial.<\/span><\/p>\n Outra maneira de determinar se voc\u00ea deve usar a regress\u00e3o polinomial \u00e9 ajustar um modelo de regress\u00e3o linear e um modelo de regress\u00e3o polinomial e calcular os valores R-quadrados ajustados para ambos os modelos.<\/span><\/p>\n O R-quadrado ajustado representa a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel resposta que pode ser explicada pelas vari\u00e1veis preditoras no modelo, ajustada<\/em> pelo n\u00famero de vari\u00e1veis preditoras no modelo.<\/span><\/p>\n O modelo com o maior R quadrado ajustado representa o modelo que \u00e9 melhor capaz de usar a(s) vari\u00e1vel(\u00f5es) preditora(s) para explicar a varia\u00e7\u00e3o na vari\u00e1vel resposta.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar regress\u00e3o polinomial usando diferentes softwares estat\u00edsticos:<\/span><\/p>\n Uma introdu\u00e7\u00e3o \u00e0 regress\u00e3o polinomial<\/a> A regress\u00e3o polinomial \u00e9 uma t\u00e9cnica que podemos usar para ajustar um modelo de regress\u00e3o quando a rela\u00e7\u00e3o entre a(s) vari\u00e1vel(\u00f5es) preditora(s) e a vari\u00e1vel de resposta \u00e9 n\u00e3o linear. Um modelo de regress\u00e3o polinomial assume a seguinte forma: Y = \u03b2 0 + \u03b2 1 X + \u03b2 2 X 2 +\u2026 + \u03b2 […]<\/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-2180","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n 1. Crie um gr\u00e1fico de dispers\u00e3o da vari\u00e1vel preditora e da vari\u00e1vel de resposta<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol1.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol2.png\")
<\/p>\n 2. Crie um gr\u00e1fico de valores ajustados e residuais<\/strong><\/span><\/h3>\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol4.png\")
<\/p>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/quandpol3.png\")
<\/p>\n 3. Calcule o valor R-quadrado ajustado do modelo<\/strong><\/span><\/h3>\n
Recursos adicionais<\/strong><\/span><\/h3>\n
Como realizar regress\u00e3o polinomial em R<\/a>
Como realizar regress\u00e3o polinomial em Python<\/a>
Como realizar regress\u00e3o polinomial no Excel<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"