Ao inspecionar visualmente um layout residual, geralmente procuramos duas coisas para determinar se o layout \u00e9 \u201cbom\u201d ou \u201cruim\u201d:<\/span><\/p>\n 1. Os res\u00edduos mostram uma tend\u00eancia clara?<\/strong><\/span><\/p>\n 2. Os res\u00edduos aumentam ou diminuem a vari\u00e2ncia sistematicamente?<\/strong><\/span><\/p>\n Se um gr\u00e1fico residual for classificado como \u201cbom\u201d, significa que podemos confiar nos resultados do modelo de regress\u00e3o e que \u00e9 seguro interpretar os coeficientes do modelo.<\/span><\/p>\n No entanto, se um gr\u00e1fico residual for classificado como \u201cruim\u201d, significa que os resultados do modelo n\u00e3o s\u00e3o confi\u00e1veis e precisamos ajustar um modelo de regress\u00e3o diferente aos dados.<\/span><\/p>\n Os exemplos a seguir explicam como interpretar gr\u00e1ficos de res\u00edduos \u201cbons\u201d e \u201cruins\u201d na pr\u00e1tica.<\/span><\/p>\n Suponha que ajustamos um modelo de regress\u00e3o e obtemos o seguinte gr\u00e1fico residual:<\/span> <\/p>\n Podemos responder \u00e0s duas perguntas a seguir para determinar se este \u00e9 um gr\u00e1fico residual \u201cbom\u201d:<\/span><\/p>\n 1. Os res\u00edduos mostram uma tend\u00eancia clara?<\/strong><\/span><\/p>\n N\u00e3o.<\/strong> Os res\u00edduos est\u00e3o espalhados aleatoriamente em torno de zero, sem um padr\u00e3o claro.<\/span><\/p>\n 2. Os res\u00edduos aumentam ou diminuem a vari\u00e2ncia sistematicamente?<\/strong><\/span><\/p>\n N\u00e3o.<\/strong> Os res\u00edduos t\u00eam uma vari\u00e2ncia bastante constante (isto \u00e9, a dist\u00e2ncia entre os res\u00edduos e o valor zero) em cada n\u00edvel dos valores ajustados.<\/span><\/p>\n Como respondemos \u201cN\u00e3o\u201d a ambas as perguntas, considerar\u00edamos este um \u201cbom\u201d gr\u00e1fico residual.<\/span><\/p>\n Portanto, podemos confiar nos resultados do modelo de regress\u00e3o e interpretar os coeficientes do modelo com seguran\u00e7a.<\/span><\/p>\n Suponha que ajustamos um modelo de regress\u00e3o e obtemos o seguinte gr\u00e1fico residual:<\/span> <\/p>\n Podemos responder \u00e0s duas perguntas a seguir para determinar se este \u00e9 um gr\u00e1fico residual \u201cbom\u201d:<\/span><\/p>\n 1. Os res\u00edduos mostram uma tend\u00eancia clara?<\/strong><\/span><\/p>\n Sim<\/strong> . Os res\u00edduos mostram um padr\u00e3o curvo.<\/span><\/p>\n 2. Os res\u00edduos aumentam ou diminuem a vari\u00e2ncia sistematicamente?<\/strong><\/span><\/p>\n Sim<\/strong> . Os res\u00edduos t\u00eam diferentes n\u00edveis de vari\u00e2ncia em diferentes n\u00edveis dos valores ajustados.<\/span><\/p>\n Como respondemos \u201cSim\u201d a pelo menos uma dessas perguntas, considerar\u00edamos este um gr\u00e1fico residual \u201cruim\u201d.<\/span><\/p>\n Isto significa que o modelo de regress\u00e3o n\u00e3o proporciona um bom ajuste aos dados.<\/span><\/p>\n Em particular, o padr\u00e3o curvo<\/a> no gr\u00e1fico de res\u00edduos indica que um modelo de regress\u00e3o linear n\u00e3o consegue ajustar os dados e que um modelo de regress\u00e3o quadr\u00e1tica provavelmente faria um trabalho melhor.<\/span><\/p>\n Suponha que ajustamos um modelo de regress\u00e3o e obtemos o seguinte gr\u00e1fico residual:<\/span> <\/p>\n Podemos responder \u00e0s duas perguntas a seguir para determinar se este \u00e9 um gr\u00e1fico residual \u201cbom\u201d:<\/span><\/p>\n 1. Os res\u00edduos mostram uma tend\u00eancia clara?<\/strong><\/span><\/p>\n N\u00e3o.<\/strong> N\u00e3o h\u00e1 uma tend\u00eancia clara nos res\u00edduos.<\/span><\/p>\n 2. Os res\u00edduos aumentam ou diminuem a vari\u00e2ncia sistematicamente?<\/strong><\/span><\/p>\n Sim<\/strong> . A vari\u00e2ncia dos res\u00edduos aumenta \u00e0 medida que os valores ajustados aumentam.<\/span><\/p>\n Como respondemos \u201cSim\u201d a pelo menos uma dessas perguntas, considerar\u00edamos este um gr\u00e1fico residual \u201cruim\u201d.<\/span><\/p>\n Neste exemplo espec\u00edfico, os res\u00edduos sofrem de heterocedasticidade<\/strong> , que se refere \u00e0 vari\u00e2ncia desigual dos res\u00edduos em diferentes n\u00edveis dos valores ajustados.<\/span><\/p>\n Isto significa que os resultados do modelo de regress\u00e3o podem n\u00e3o ser fi\u00e1veis.<\/span><\/p>\n Consulte este artigo<\/a> para aprender diferentes maneiras de resolver o problema de heterocedasticidade em um modelo de regress\u00e3o.<\/span><\/p>\n Os tutoriais a seguir explicam como criar gr\u00e1ficos residuais usando diferentes softwares estat\u00edsticos:<\/span><\/p>\n Como criar um gr\u00e1fico residual em R<\/a> Na an\u00e1lise de regress\u00e3o, um gr\u00e1fico de res\u00edduos \u00e9 um tipo de gr\u00e1fico que exibe os valores ajustados de um modelo de regress\u00e3o no eixo xe os res\u00edduos do modelo ao longo do eixo y. Ao inspecionar visualmente um layout residual, geralmente procuramos duas coisas para determinar se o layout \u00e9 \u201cbom\u201d ou \u201cruim\u201d: 1. […]<\/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-4269","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
\n
Exemplo 1: um tra\u00e7o residual \u201cbom\u201d<\/strong><\/span><\/h2>\n
![\"exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid1.jpg\")
<\/p>\n Exemplo 2: um gr\u00e1fico residual \u201cruim\u201d com um modelo claro<\/strong><\/span><\/h2>\n
![\"exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/resid3.jpg\")
<\/p>\n Exemplo 3: um gr\u00e1fico residual \u201cruim\u201d com vari\u00e2ncia crescente<\/strong><\/span><\/h2>\n
![\"exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/bonresid2.jpg\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h2>\n
Como criar um gr\u00e1fico residual em Python<\/a>
Como criar um gr\u00e1fico residual no Excel<\/a>
Como criar um gr\u00e1fico residual no SAS<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"