<\/p>\n
A multicolinearidade<\/strong> na an\u00e1lise de regress\u00e3o<\/a> ocorre quando duas ou mais vari\u00e1veis preditoras s\u00e3o altamente correlacionadas entre si, de modo que n\u00e3o fornecem informa\u00e7\u00f5es \u00fanicas ou independentes no modelo de regress\u00e3o.<\/span><\/p>\n Se o grau de correla\u00e7\u00e3o entre as vari\u00e1veis for alto o suficiente, isso pode causar problemas no ajuste e na interpreta\u00e7\u00e3o do modelo de regress\u00e3o.<\/span><\/p>\n Por exemplo, suponha que voc\u00ea execute uma an\u00e1lise de regress\u00e3o usando a vari\u00e1vel de resposta<\/a> do salto vertical m\u00e1ximo<\/em> e as seguintes vari\u00e1veis preditoras:<\/span><\/p>\n Nesse caso, a altura<\/em> e o tamanho do cal\u00e7ado<\/em> provavelmente est\u00e3o altamente correlacionados, j\u00e1 que pessoas mais altas tendem a ter cal\u00e7ados maiores. Isto significa que a multicolinearidade provavelmente ser\u00e1 um problema nesta regress\u00e3o.<\/span><\/p>\n Este tutorial explica por que a multicolinearidade \u00e9 um problema, como detect\u00e1-la e como corrigi-la.<\/span><\/p>\n Um dos principais objetivos da an\u00e1lise de regress\u00e3o \u00e9 isolar a rela\u00e7\u00e3o entre cada vari\u00e1vel preditora e a vari\u00e1vel resposta.<\/span><\/p>\n Em particular, quando realizamos an\u00e1lise de regress\u00e3o, interpretamos cada coeficiente de regress\u00e3o como a varia\u00e7\u00e3o m\u00e9dia na vari\u00e1vel resposta, assumindo que todas as outras vari\u00e1veis preditoras no modelo permanecem constantes.<\/em><\/span><\/p>\n Isso significa que assumimos que somos capazes de alterar os valores de uma determinada vari\u00e1vel preditora sem alterar os valores de outras vari\u00e1veis preditoras.<\/span><\/p>\n No entanto, quando duas ou mais vari\u00e1veis preditoras est\u00e3o altamente correlacionadas, torna-se dif\u00edcil alterar uma vari\u00e1vel sem alterar outra.<\/span><\/p>\n Isto torna dif\u00edcil para o modelo de regress\u00e3o estimar de forma independente a rela\u00e7\u00e3o entre cada vari\u00e1vel preditora e a vari\u00e1vel de resposta, porque as vari\u00e1veis preditoras tendem a mudar em un\u00edssono.<\/span><\/p>\n Em geral, a multicolinearidade apresenta dois tipos de problemas:<\/span><\/p>\n A forma mais comum de detectar multicolinearidade \u00e9 usar o fator de infla\u00e7\u00e3o de vari\u00e2ncia (VIF)<\/strong> , que mede a correla\u00e7\u00e3o e a for\u00e7a da correla\u00e7\u00e3o entre vari\u00e1veis preditoras em um modelo de regress\u00e3o.<\/span><\/p>\n A maioria dos softwares estat\u00edsticos tem a capacidade de calcular o VIF para um modelo de regress\u00e3o. O valor VIF come\u00e7a em 1 e n\u00e3o tem limite superior. Uma regra geral para interpretar VIFs \u00e9:<\/span><\/p>\n Por exemplo, suponha que realizamos uma an\u00e1lise de regress\u00e3o usando as vari\u00e1veis preditoras altura<\/em> , tamanho do cal\u00e7ado<\/em> e horas gastas treinando por dia<\/em> para prever o salto vertical m\u00e1ximo<\/em> de jogadores de basquete e receber o seguinte resultado:<\/span><\/p>\n Na \u00faltima coluna, podemos ver que os valores VIF para altura<\/em> e tamanho do cal\u00e7ado<\/em> s\u00e3o maiores que 5. Isso indica que eles provavelmente sofrem de multicolinearidade e que suas estimativas de coeficientes e valores de p provavelmente n\u00e3o s\u00e3o confi\u00e1veis.<\/span><\/p>\n Se olharmos para a estimativa do coeficiente para o tamanho do cal\u00e7ado, o modelo nos diz que para cada unidade adicional de aumento no tamanho do cal\u00e7ado, o aumento m\u00e9dio no salto vertical m\u00e1ximo<\/em> \u00e9 de -0,67498 polegadas, assumindo que a altura e as horas de pr\u00e1tica permanecem constantes.<\/span><\/p>\n Isto n\u00e3o parece fazer sentido, dado que esperar\u00edamos que jogadores com cal\u00e7ados maiores fossem mais altos e, portanto, tivessem um salto vertical m\u00e1ximo mais alto.<\/span><\/p>\n Este \u00e9 um exemplo cl\u00e1ssico de multicolinearidade que faz com que as estimativas dos coeficientes pare\u00e7am um pouco rebuscadas e pouco intuitivas.<\/span><\/p>\n Se voc\u00ea detectar multicolinearidade, o pr\u00f3ximo passo \u00e9 decidir se voc\u00ea precisa resolv\u00ea-la de alguma forma. Dependendo do objetivo da sua an\u00e1lise de regress\u00e3o, talvez n\u00e3o seja necess\u00e1rio resolver a multicolinearidade.<\/span><\/p>\n Saber:<\/span><\/p>\n 1.<\/strong> Se houver apenas multicolinearidade moderada, voc\u00ea provavelmente n\u00e3o precisar\u00e1 resolv\u00ea-la de forma alguma.<\/span><\/p>\n 2.<\/strong> A multicolinearidade afeta apenas vari\u00e1veis preditoras que est\u00e3o correlacionadas entre si. Se voc\u00ea estiver interessado em uma vari\u00e1vel preditora no modelo que n\u00e3o sofra de multicolinearidade, ent\u00e3o a multicolinearidade n\u00e3o ser\u00e1 um problema.<\/span><\/p>\n 3.<\/strong> A multicolinearidade tem impacto nas estimativas dos coeficientes e nos valores-p, mas n\u00e3o tem impacto nas previs\u00f5es ou nas estat\u00edsticas de adequa\u00e7\u00e3o. Isso significa que se o seu objetivo principal com a regress\u00e3o for fazer previs\u00f5es e voc\u00ea n\u00e3o estiver interessado em compreender a rela\u00e7\u00e3o exata entre as vari\u00e1veis preditoras e a vari\u00e1vel resposta, ent\u00e3o a multicolinearidade n\u00e3o precisa ser resolvida.<\/span><\/p>\n Se voc\u00ea determinar que precisa<\/em> corrigir a multicolinearidade, algumas solu\u00e7\u00f5es comuns incluem:<\/span><\/p>\n 1. Remova uma ou mais vari\u00e1veis altamente correlacionadas.<\/strong> Esta \u00e9 a solu\u00e7\u00e3o mais r\u00e1pida na maioria dos casos e muitas vezes \u00e9 uma solu\u00e7\u00e3o aceit\u00e1vel porque as vari\u00e1veis que voc\u00ea remove s\u00e3o redundantes de qualquer maneira e adicionam poucas informa\u00e7\u00f5es exclusivas ou independentes ao modelo.<\/span><\/p>\n 2. Combina linearmente as vari\u00e1veis preditoras de alguma forma, como adicion\u00e1-las ou subtra\u00ed-las de alguma forma.<\/strong> Ao fazer isso, voc\u00ea pode criar uma nova vari\u00e1vel que englobe as informa\u00e7\u00f5es de ambas as vari\u00e1veis e n\u00e3o ter\u00e1 mais um problema de multicolinearidade.<\/span><\/p>\n 3. Execute uma an\u00e1lise projetada para considerar vari\u00e1veis altamente correlacionadas, como an\u00e1lise de componentes principais<\/a> ou regress\u00e3o de m\u00ednimos quadrados parciais (PLS)<\/a> .<\/strong> Essas t\u00e9cnicas s\u00e3o projetadas especificamente para lidar com vari\u00e1veis preditoras altamente correlacionadas.<\/span><\/p>\n","protected":false},"excerpt":{"rendered":" A multicolinearidade na an\u00e1lise de regress\u00e3o ocorre quando duas ou mais vari\u00e1veis preditoras s\u00e3o altamente correlacionadas entre si, de modo que n\u00e3o fornecem informa\u00e7\u00f5es \u00fanicas ou independentes no modelo de regress\u00e3o. Se o grau de correla\u00e7\u00e3o entre as vari\u00e1veis for alto o suficiente, isso pode causar problemas no ajuste e na interpreta\u00e7\u00e3o do modelo de […]<\/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-461","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n\n
Por que a multicolinearidade \u00e9 um problema<\/strong><\/span><\/h2>\n
\n
Como detectar multicolinearidade<\/span><\/strong><\/h2>\n
Usando o fator de infla\u00e7\u00e3o de vari\u00e2ncia (VIF)<\/strong><\/span><\/h3>\n
\n
Como resolver a multicolinearidade<\/span><\/strong><\/h2>\n