<\/p>\n
Realizamos uma regress\u00e3o linear simples<\/a> e obtemos a seguinte equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n \u0177=b 0<\/sub> + b 1<\/sub> x<\/span><\/strong><\/p>\n Geralmente queremos saber se o coeficiente de inclina\u00e7\u00e3o, b 1<\/sub> , \u00e9 estatisticamente significativo.<\/span><\/p>\n Para determinar se b 1<\/sub> \u00e9 estatisticamente significativo, podemos realizar um teste t com a seguinte estat\u00edstica de teste:<\/span><\/p>\n t = b 1<\/sub> \/ se(b 1<\/sub> )<\/span><\/strong><\/p>\n Ouro:<\/span><\/p>\n Podemos ent\u00e3o calcular o valor p<\/a> que corresponde a esta estat\u00edstica de teste com n-2 graus de liberdade.<\/span><\/p>\n Se o valor p for inferior a um determinado limite (por exemplo, \u03b1 = 0,05), ent\u00e3o podemos concluir que o coeficiente de inclina\u00e7\u00e3o \u00e9 diferente de zero.<\/span><\/p>\n Em outras palavras, existe uma rela\u00e7\u00e3o estatisticamente significativa entre a vari\u00e1vel preditora e a vari\u00e1vel resposta<\/a> no modelo.<\/span><\/p>\n O exemplo a seguir mostra como realizar um teste t para a inclina\u00e7\u00e3o de uma linha de regress\u00e3o em R.<\/span><\/p>\n Suponha que temos o seguinte quadro de dados em R que cont\u00e9m informa\u00e7\u00f5es sobre as horas estudadas e as notas dos exames finais obtidas por 12 alunos em uma turma:<\/span><\/p>\n Digamos que queremos ajustar um modelo de regress\u00e3o linear simples para determinar se existe uma rela\u00e7\u00e3o estatisticamente significativa entre as horas estudadas e as notas nos exames.<\/span><\/p>\n Podemos usar a fun\u00e7\u00e3o lm()<\/a> em R para ajustar este modelo de regress\u00e3o:<\/span><\/p>\n A partir dos resultados do modelo, podemos ver que a equa\u00e7\u00e3o de regress\u00e3o estimada \u00e9:<\/span><\/p>\n Nota do exame = 67,7685 + 2,7037 (horas)<\/span><\/p>\n Para testar se o coeficiente de inclina\u00e7\u00e3o \u00e9 estatisticamente significativo, podemos calcular a estat\u00edstica do teste t da seguinte forma:<\/span><\/p>\n O valor p que corresponde a esta estat\u00edstica do teste t \u00e9 exibido na coluna chamada Pr(> |t|)<\/strong> na sa\u00edda.<\/span><\/p>\n O valor p acaba sendo 0,00464<\/strong> .<\/span><\/p>\n Como este valor p \u00e9 inferior a 0,05, conclu\u00edmos que o coeficiente de inclina\u00e7\u00e3o \u00e9 estatisticamente significativo.<\/span><\/p>\n Ou seja, existe uma rela\u00e7\u00e3o estatisticamente significativa entre o n\u00famero de horas estudadas e a nota final que o aluno obteve no exame.<\/span><\/p>\n Os tutoriais a seguir explicam como realizar outras tarefas comuns em R:<\/span><\/p>\n Como realizar regress\u00e3o linear simples em R<\/a> Realizamos uma regress\u00e3o linear simples e obtemos a seguinte equa\u00e7\u00e3o de regress\u00e3o estimada: \u0177=b 0 + b 1 x Geralmente queremos saber se o coeficiente de inclina\u00e7\u00e3o, b 1 , \u00e9 estatisticamente significativo. Para determinar se b 1 \u00e9 estatisticamente significativo, podemos realizar um teste t com a seguinte estat\u00edstica de teste: t = 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-4151","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Exemplo: Executando um teste t para a inclina\u00e7\u00e3o da linha de regress\u00e3o em R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (hours=c(1, 1, 2, 2, 3, 4, 5, 5, 5, 6, 6, 8),\n score=c(65, 67, 78, 75, 73, 84, 80, 76, 89, 91, 83, 82))\n\n#view data frame\n<\/span>df\n\n hours score\n1 1 65\n2 1 67\n3 2 78\n4 2 75\n5 3 73\n6 4 84\n7 5 80\n8 5 76\n9 5 89\n10 6 91\n11 6 83\n12 8 82<\/strong><\/pre>\n #fit simple linear regression model\n<\/span>fit <- lm(score ~ hours, data=df)\n\n#view model summary\n<\/span>summary(fit)\n\nCall:\nlm(formula = score ~ hours, data = df)\n\nResiduals:\n Min 1Q Median 3Q Max \n-7,398 -3,926 -1,139 4,972 7,713 \n\nCoefficients:\n Estimate Std. Error t value Pr(>|t|) \n(Intercept) 67.7685 3.3757 20.075 2.07e-09 ***\nhours 2.7037 0.7456 3.626 0.00464 ** \n---\nSignificant. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1\n\nResidual standard error: 5.479 on 10 degrees of freedom\nMultiple R-squared: 0.568, Adjusted R-squared: 0.5248 \nF-statistic: 13.15 on 1 and 10 DF, p-value: 0.004641\n<\/strong><\/pre>\n\n
Recursos adicionais<\/strong><\/span><\/h2>\n
Como realizar regress\u00e3o linear m\u00faltipla em R<\/a>
Como interpretar a sa\u00edda da regress\u00e3o em R<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"