<\/p>\n
O R-quadrado<\/strong> mede qu\u00e3o bem um modelo de regress\u00e3o linear<\/a> \u201cse ajusta\u201d a um conjunto de dados.<\/span> Tamb\u00e9m comumente chamado de coeficiente de determina\u00e7\u00e3o<\/em> , o R-quadrado \u00e9 a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel de resposta que pode ser explicada pela vari\u00e1vel preditora.<\/span><\/p>\n O valor de R ao quadrado pode variar de 0 a 1.<\/span> Um valor 0 indica que a vari\u00e1vel de resposta n\u00e3o pode ser explicada pela vari\u00e1vel preditora.<\/span> Um valor 1 indica que a vari\u00e1vel resposta pode ser perfeitamente explicada sem erros pela vari\u00e1vel preditora.<\/span><\/p>\n Na pr\u00e1tica, voc\u00ea provavelmente nunca ver\u00e1 um valor de 0 ou 1 para R ao quadrado. Em vez disso, voc\u00ea provavelmente encontrar\u00e1 um valor entre 0 e 1.<\/span><\/p>\n Por exemplo, digamos que voc\u00ea tenha um conjunto de dados contendo o tamanho da popula\u00e7\u00e3o e o n\u00famero de floristas em 30 cidades diferentes. Voc\u00ea ajusta um modelo de regress\u00e3o linear simples ao conjunto de dados, usando o tamanho da popula\u00e7\u00e3o como vari\u00e1vel preditora e floristas como vari\u00e1vel de resposta. No resultado da regress\u00e3o voc\u00ea v\u00ea que R 2<\/sup> = 0,2. Isso indica que 20% da varia\u00e7\u00e3o no n\u00famero de floristas pode ser explicada pelo tamanho da popula\u00e7\u00e3o.<\/span><\/p>\n Isto nos leva a uma quest\u00e3o importante: este \u00e9 um valor \u201cbom\u201d para R-quadrado?<\/strong><\/span><\/p>\n A resposta a esta pergunta depende do seu objetivo para o modelo de regress\u00e3o. Saber:<\/span><\/p>\n 1.<\/strong> Gostaria de explicar a rela\u00e7\u00e3o entre o(s) preditor(es) e a vari\u00e1vel de resposta?<\/span><\/p>\n OURO<\/strong><\/span><\/p>\n 2.<\/strong> Voc\u00ea deseja prever a vari\u00e1vel de resposta?<\/span><\/p>\n Dependendo do objetivo, a resposta \u00e0 pergunta \u201cQual \u00e9 um bom valor para R ao quadrado?\u201d<\/em> \u201dser\u00e1 diferente.<\/span><\/p>\n Se o seu objetivo principal para o seu modelo de regress\u00e3o \u00e9 explicar a rela\u00e7\u00e3o entre o(s) preditor(es) e a vari\u00e1vel de resposta, o R-quadrado \u00e9 virtualmente irrelevante.<\/span><\/p>\n Por exemplo, digamos que no exemplo de regress\u00e3o acima voc\u00ea veja que o coeficiente do tamanho preditivo da popula\u00e7\u00e3o<\/em> \u00e9 0,005 e \u00e9 estatisticamente significativo. Isso significa que um aumento de um na popula\u00e7\u00e3o est\u00e1 associado a um aumento m\u00e9dio de 0,005 no n\u00famero de floristas em uma determinada cidade. Al\u00e9m disso, o tamanho da popula\u00e7\u00e3o \u00e9 um indicador estatisticamente significativo do n\u00famero de floristas em uma cidade.<\/span><\/p>\n O facto de o valor R-quadrado deste modelo de regress\u00e3o ser 0,2 ou 0,9 n\u00e3o altera esta interpreta\u00e7\u00e3o. Como voc\u00ea est\u00e1 simplesmente interessado na rela\u00e7\u00e3o<\/em> entre o tamanho da popula\u00e7\u00e3o e o n\u00famero de floristas, n\u00e3o precisa se preocupar muito com o valor R-quadrado do modelo.<\/span><\/p>\n Se o seu objetivo principal \u00e9 prever com precis\u00e3o o valor da vari\u00e1vel de resposta usando a vari\u00e1vel preditora, ent\u00e3o o R-quadrado \u00e9 importante.<\/span><\/p>\n Em geral, quanto maior o valor de R ao quadrado, mais precisamente as vari\u00e1veis preditoras s\u00e3o capazes de prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n O valor necess\u00e1rio para o valor R ao quadrado depende da precis\u00e3o necess\u00e1ria. Por exemplo, em estudos cient\u00edficos, pode ser necess\u00e1rio que o R-quadrado seja superior a 0,95 para que um modelo de regress\u00e3o seja considerado fi\u00e1vel. Noutras \u00e1reas, um R quadrado de apenas 0,3 pode ser suficiente se houver uma variabilidade extrema no conjunto de dados.<\/span><\/p>\n Para saber o que \u00e9 considerado um \u201cbom\u201d valor de R ao quadrado, voc\u00ea precisar\u00e1 explorar quais valores de R ao quadrado s\u00e3o geralmente aceitos em seu campo espec\u00edfico de estudo. Se voc\u00ea estiver realizando uma an\u00e1lise de regress\u00e3o para um cliente ou empresa, poder\u00e1 perguntar a eles o que \u00e9 considerado um valor de R ao quadrado aceit\u00e1vel.<\/span><\/p>\n Um intervalo de predi\u00e7\u00e3o<\/strong> especifica um intervalo dentro do qual uma nova observa\u00e7\u00e3o pode cair, com base nos valores das vari\u00e1veis preditoras. Intervalos de previs\u00e3o mais estreitos indicam que as vari\u00e1veis preditoras podem prever a vari\u00e1vel resposta com mais precis\u00e3o.<\/span><\/p>\n Freq\u00fcentemente, um intervalo de previs\u00e3o pode ser mais \u00fatil do que um valor de R ao quadrado porque fornece um intervalo exato de valores dentro dos quais uma nova observa\u00e7\u00e3o pode cair. Isso \u00e9 particularmente \u00fatil se o objetivo principal da regress\u00e3o for prever novos valores da vari\u00e1vel de resposta.<\/span><\/p>\n Por exemplo, suponha que uma popula\u00e7\u00e3o de 40.000 habitantes produza um intervalo de previs\u00e3o de 30 a 35 floristas em uma determinada cidade. Isto pode ou n\u00e3o ser considerado um intervalo de valores aceit\u00e1vel, dependendo da utiliza\u00e7\u00e3o do modelo de regress\u00e3o.<\/span><\/p>\n Em geral, quanto maior o valor de R ao quadrado, mais precisamente as vari\u00e1veis preditoras s\u00e3o capazes de prever o valor da vari\u00e1vel resposta.<\/span><\/p>\n O qu\u00e3o bom um valor de R ao quadrado deve ser para ser considerado \u201cbom\u201d varia dependendo do dom\u00ednio. Alguns campos exigem maior precis\u00e3o do que outros.<\/span><\/p>\n Para descobrir o que \u00e9 considerado um \u201cbom\u201d valor de R ao quadrado, considere o que \u00e9 geralmente aceito na \u00e1rea em que voc\u00ea trabalha, pergunte a algu\u00e9m com conhecimento espec\u00edfico em uma \u00e1rea espec\u00edfica ou pergunte ao cliente\/cliente. empresa para a qual voc\u00ea est\u00e1 executando a an\u00e1lise de regress\u00e3o. pelo que consideram aceit\u00e1vel.<\/span><\/p>\n Se voc\u00ea quiser explicar a rela\u00e7\u00e3o entre o preditor e a vari\u00e1vel de resposta, o R-quadrado \u00e9 amplamente irrelevante porque n\u00e3o tem impacto na interpreta\u00e7\u00e3o do modelo de regress\u00e3o.<\/span><\/p>\n Se voc\u00ea quiser prever a vari\u00e1vel de resposta, os intervalos de previs\u00e3o geralmente s\u00e3o mais \u00fateis que os valores de R ao quadrado.<\/span><\/p>\n Leitura adicional:<\/strong><\/span><\/p>\n Coeficiente de Correla\u00e7\u00e3o de Pearson<\/a> O R-quadrado mede qu\u00e3o bem um modelo de regress\u00e3o linear \u201cse ajusta\u201d a um conjunto de dados. Tamb\u00e9m comumente chamado de coeficiente de determina\u00e7\u00e3o , o R-quadrado \u00e9 a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel de resposta que pode ser explicada pela vari\u00e1vel preditora. O valor de R ao quadrado pode variar de 0 a 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-450","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Explique a rela\u00e7\u00e3o entre o(s) preditor(es) e a vari\u00e1vel de resposta<\/strong><\/span><\/h2>\n
Preveja a vari\u00e1vel de resposta<\/strong><\/span><\/h2>\n
Intervalos de previs\u00e3o<\/strong><\/span><\/h2>\n
Conclus\u00e3o<\/strong><\/span><\/h2>\n
Introdu\u00e7\u00e3o \u00e0 regress\u00e3o linear simples<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"