Esta t\u00e9cnica encontra a linha que melhor \u201cse ajusta\u201d aos dados e assume a seguinte forma:<\/span><\/p>\n \u0177=b 0<\/sub> + b 1<\/sub> x<\/strong><\/span><\/p>\n Ouro:<\/span><\/p>\n Esta equa\u00e7\u00e3o nos ajuda a compreender a rela\u00e7\u00e3o entre a vari\u00e1vel preditora e a vari\u00e1vel resposta.<\/span><\/p>\n O exemplo passo a passo a seguir mostra como realizar uma regress\u00e3o linear simples no SAS.<\/span><\/p>\n Para este exemplo, criaremos um conjunto de dados contendo o total de horas estudadas e a nota do exame final de 15 alunos.<\/span><\/p>\n Ajustaremos um modelo de regress\u00e3o linear simples usando horas<\/em> como vari\u00e1vel preditora e pontua\u00e7\u00e3o<\/em> como vari\u00e1vel resposta.<\/span><\/p>\n O c\u00f3digo a seguir mostra como criar este conjunto de dados no SAS:<\/span> <\/p>\n A seguir, usaremos proc reg<\/strong> para ajustar o modelo de regress\u00e3o linear simples:<\/span> <\/p>\n Veja como interpretar os valores mais importantes de cada tabela no resultado:<\/span><\/p>\n Tabela de an\u00e1lise de lacunas:<\/strong><\/span><\/p>\n O valor F<\/a> geral do modelo de regress\u00e3o \u00e9 63,91<\/strong> e o valor p correspondente \u00e9 <0,0001<\/strong> .<\/span><\/p>\n Como este valor de p \u00e9 inferior a 0,05, conclu\u00edmos que o modelo de regress\u00e3o como um todo \u00e9 estatisticamente significativo. Em outras palavras, as horas s\u00e3o uma vari\u00e1vel \u00fatil para prever os resultados dos exames.<\/span><\/p>\n Tabela de ajuste do modelo:<\/strong><\/span><\/p>\n O valor R-Square nos diz a porcentagem de varia\u00e7\u00e3o nas notas dos exames que pode ser explicada pelo n\u00famero de horas estudadas.<\/span><\/p>\n Em geral, quanto maior o valor R-quadrado<\/a> de um modelo de regress\u00e3o, melhores ser\u00e3o as vari\u00e1veis preditoras em prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n Nesse caso, 83,1%<\/strong> da varia\u00e7\u00e3o nas notas dos exames pode ser explicada pela carga hor\u00e1ria estudada. Esse valor \u00e9 bastante elevado, indicando que as horas estudadas s\u00e3o uma vari\u00e1vel muito \u00fatil na previs\u00e3o dos resultados dos exames.<\/span><\/p>\n Tabela de estimativas de par\u00e2metros:<\/strong><\/span><\/p>\n Nesta tabela podemos ver a equa\u00e7\u00e3o de regress\u00e3o ajustada:<\/span><\/p>\n Pontua\u00e7\u00e3o = 65,33 + 1,98*(horas)<\/strong><\/span><\/p>\n Interpretamos isso como significando que cada hora adicional estudada est\u00e1 associada a um aumento m\u00e9dio de 1,98 pontos<\/strong> na nota do exame.<\/span><\/p>\n O valor original nos diz que a nota m\u00e9dia do exame para um aluno que estuda zero horas \u00e9 65,33<\/strong> .<\/span><\/p>\n Tamb\u00e9m podemos usar essa equa\u00e7\u00e3o para encontrar a pontua\u00e7\u00e3o esperada no exame com base no n\u00famero de horas que um aluno estuda.<\/span><\/p>\n Por exemplo, um aluno que estuda 10 horas dever\u00e1 obter nota 85,13<\/strong> no exame:<\/span><\/p>\n Pontua\u00e7\u00e3o = 65,33 + 1,98*(10) = 85,13<\/strong><\/span><\/p>\n Como o valor p (<0,0001) para horas<\/em> \u00e9 inferior a 0,05 nesta tabela, conclu\u00edmos que esta \u00e9 uma vari\u00e1vel preditora estatisticamente significativa.<\/span><\/p>\n A regress\u00e3o linear simples faz duas suposi\u00e7\u00f5es<\/a> importantes sobre os res\u00edduos<\/a> do modelo:<\/span><\/p>\n Se estes pressupostos n\u00e3o forem cumpridos, os resultados do nosso modelo de regress\u00e3o poder\u00e3o n\u00e3o ser fi\u00e1veis.<\/span><\/p>\n Para verificar se essas suposi\u00e7\u00f5es foram atendidas, podemos analisar os gr\u00e1ficos residuais que o SAS exibe automaticamente na sa\u00edda:<\/span> <\/p>\n Para verificar se os res\u00edduos est\u00e3o normalmente distribu\u00eddos<\/strong> , podemos analisar o gr\u00e1fico na posi\u00e7\u00e3o esquerda da linha m\u00e9dia com \u201cQuantil\u201d ao longo do eixo x e \u201cResidual\u201d ao longo do eixo y.<\/span><\/p>\n Este gr\u00e1fico \u00e9 chamado de gr\u00e1fico QQ<\/a> , abrevia\u00e7\u00e3o de “quantil-quantil”, e \u00e9 usado para determinar se os dados s\u00e3o normalmente distribu\u00eddos ou n\u00e3o. Se os dados forem distribu\u00eddos normalmente, os pontos em um gr\u00e1fico QQ estar\u00e3o em uma linha reta diagonal.<\/span><\/p>\n No gr\u00e1fico podemos ver que os pontos est\u00e3o aproximadamente ao longo de uma linha reta diagonal, ent\u00e3o podemos assumir que os res\u00edduos s\u00e3o normalmente distribu\u00eddos.<\/span><\/p>\n A seguir, para verificar se os res\u00edduos s\u00e3o homoced\u00e1sticos<\/strong> , podemos observar o gr\u00e1fico na posi\u00e7\u00e3o esquerda da primeira linha com \u201cValor previsto\u201d ao longo do eixo xe \u201cResidual\u201d ao longo do eixo y.<\/span><\/p>\n Se os pontos do gr\u00e1fico estiverem espalhados aleatoriamente em torno de zero sem um padr\u00e3o claro, ent\u00e3o podemos assumir que os res\u00edduos s\u00e3o homoced\u00e1sticos.<\/span><\/p>\n No gr\u00e1fico podemos ver que os pontos est\u00e3o espalhados em torno de zero aleatoriamente com vari\u00e2ncia aproximadamente igual em cada n\u00edvel ao longo do gr\u00e1fico, portanto podemos assumir que os res\u00edduos s\u00e3o homoced\u00e1sticos.<\/span><\/p>\n Uma vez que ambos os pressupostos s\u00e3o atendidos, podemos assumir que os resultados do modelo de regress\u00e3o linear simples s\u00e3o confi\u00e1veis.<\/span><\/p>\n Os tutoriais a seguir explicam como executar outras tarefas comuns no SAS:<\/span><\/p>\n Como realizar ANOVA unidirecional no SAS<\/a> A regress\u00e3o linear simples \u00e9 uma t\u00e9cnica que podemos usar para entender a rela\u00e7\u00e3o entre uma vari\u00e1vel preditora e uma vari\u00e1vel de resposta . Esta t\u00e9cnica encontra a linha que melhor \u201cse ajusta\u201d aos dados e assume a seguinte forma: \u0177=b 0 + b 1 x Ouro: \u0177 : O valor estimado da resposta b […]<\/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-2560","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Etapa 1: crie os dados<\/b><\/span><\/h3>\n
\/*create dataset*\/\n<\/span>data<\/span> exam_data;\n input<\/span> hours score;\n datalines<\/span> ;\n1 64\n2 66\n4 76\n5 73\n5 74\n6 81\n6 83\n7 82\n8 80\n10 88\n11 84\n11 82\n12 91\n12 93\n14 89\n;\nrun<\/span> ;\n\n\/*view dataset*\/\n<\/span>proc print<\/span> data<\/span> =exam_data;\n<\/strong><\/pre>\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas1.jpg\")
<\/p>\n Etapa 2: Ajustar o modelo de regress\u00e3o linear simples<\/b><\/span><\/h3>\n
\/*fit simple linear regression model*\/\n<\/span>proc reg<\/span> data<\/span> =exam_data;\n model<\/span> score = hours;\nrun<\/span> ;<\/strong> <\/pre>\n![\"sa\u00edda](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas2.jpg\")
<\/p>\n Passo 3: Analisar gr\u00e1ficos residuais<\/strong><\/span><\/h3>\n
\n
![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/simplesas3.jpg\")
<\/p>\n Recursos adicionais<\/span><\/strong><\/span><\/h3>\n
Como realizar ANOVA bidirecional no SAS<\/a>
Como calcular a correla\u00e7\u00e3o no SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"