<\/p>\n
A regress\u00e3o<\/strong> \u00e9 uma t\u00e9cnica estat\u00edstica que podemos usar para explicar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta. O tipo mais comum de regress\u00e3o \u00e9 a regress\u00e3o linear<\/a> , que usamos quando a rela\u00e7\u00e3o entre a vari\u00e1vel preditora e a vari\u00e1vel resposta \u00e9 linear<\/em> .<\/span><\/p>\n Em outras palavras, quando a vari\u00e1vel preditora aumenta, a vari\u00e1vel resposta tende a aumentar tamb\u00e9m. Por exemplo, podemos usar um modelo de regress\u00e3o linear para descrever a rela\u00e7\u00e3o entre o n\u00famero de horas estudadas (vari\u00e1vel preditora) e a nota que um aluno recebe em um exame (vari\u00e1vel resposta).<\/span><\/p>\n No entanto, \u00e0s vezes a rela\u00e7\u00e3o entre uma vari\u00e1vel preditora e uma vari\u00e1vel de resposta \u00e9 n\u00e3o linear<\/em> . Um tipo comum de relacionamento n\u00e3o linear \u00e9 o relacionamento quadr\u00e1tico<\/strong> , que pode parecer um U ou um U invertido em um gr\u00e1fico.<\/span><\/p>\n Ou seja, \u00e0 medida que a vari\u00e1vel preditora aumenta, a vari\u00e1vel resposta tende a aumentar tamb\u00e9m, mas depois de um certo ponto a vari\u00e1vel resposta come\u00e7a a diminuir \u00e0 medida que a vari\u00e1vel preditora continua a aumentar.<\/span><\/p>\n Por exemplo, podemos usar um modelo de regress\u00e3o quadr\u00e1tica para descrever a rela\u00e7\u00e3o entre o n\u00famero de horas gastas trabalhando e o n\u00edvel de felicidade relatado por uma pessoa. Talvez quanto mais uma pessoa trabalha, mais realizada ela se sente, mas quando atinge um certo limite, mais trabalho na verdade leva ao estresse e \u00e0 diminui\u00e7\u00e3o da felicidade. Nesse caso, um modelo de regress\u00e3o quadr\u00e1tica ajustaria melhor os dados do que um modelo de regress\u00e3o linear.<\/span><\/p>\n Vamos revisar um exemplo de como realizar regress\u00e3o quadr\u00e1tica no Excel.<\/span><\/p>\n Suponha que temos dados sobre o n\u00famero de horas trabalhadas por semana e o n\u00edvel de felicidade relatado (numa escala de 0 a 100) para 16 pessoas diferentes:<\/span><\/p>\n Primeiro, vamos criar um gr\u00e1fico de dispers\u00e3o para ver se a regress\u00e3o linear \u00e9 um modelo adequado para ajustar os dados.<\/span><\/p>\n Destaque as c\u00e9lulas A2:B17<\/strong> . Em seguida, clique na guia INSERT na faixa superior e clique em Dispers\u00e3o<\/em> na \u00e1rea Gr\u00e1ficos<\/em> . Isso produzir\u00e1 um gr\u00e1fico de dispers\u00e3o dos dados:<\/span><\/p>\n \u00c9 f\u00e1cil perceber que a rela\u00e7\u00e3o entre horas trabalhadas e felicidade relatada n\u00e3o \u00e9<\/em> linear. Na verdade, ele segue o formato de \u201cU\u201d, o que o torna um candidato perfeito para regress\u00e3o quadr\u00e1tica<\/strong> .<\/span><\/p>\n Antes de ajustar o modelo de regress\u00e3o quadr\u00e1tica aos dados, precisamos criar uma nova coluna para os valores quadrados de nossa vari\u00e1vel preditora.<\/span><\/p>\n Primeiro, destaque todos os valores na coluna B e arraste-os para a coluna C.<\/span><\/p>\n Em seguida, digite a f\u00f3rmula =A2^2<\/strong> na c\u00e9lula B2. Isso produz o valor 36<\/strong> . Em seguida, clique no canto inferior direito da c\u00e9lula B2 e arraste a f\u00f3rmula para baixo para preencher as c\u00e9lulas restantes na coluna B.<\/span><\/p>\n A seguir, ajustaremos o modelo de regress\u00e3o quadr\u00e1tica.<\/span><\/p>\n Clique em DADOS na faixa superior e, a seguir, clique na op\u00e7\u00e3o An\u00e1lise de dados<\/em> na extrema direita. Se voc\u00ea n\u00e3o vir essa op\u00e7\u00e3o, primeiro instale o software Analysis ToolPak gratuito<\/a> .<\/span><\/p>\n Depois de clicar em An\u00e1lise de dados<\/em> , uma caixa aparecer\u00e1. Clique em Regress\u00e3o<\/em> e em OK<\/em> .<\/span><\/p>\n A seguir, preencha os seguintes valores na caixa Regress\u00e3o<\/em> que aparece. Em seguida, clique em OK<\/em> .<\/span><\/p>\n Os seguintes resultados ser\u00e3o exibidos:<\/span><\/p>\n Veja como interpretar os diferentes n\u00fameros na sa\u00edda:<\/span><\/p>\n R Quadrado:<\/strong> Tamb\u00e9m conhecido como coeficiente de determina\u00e7\u00e3o,<\/em> \u00e9 a propor\u00e7\u00e3o da vari\u00e2ncia na vari\u00e1vel resposta que pode ser explicada pelas vari\u00e1veis preditoras. Neste exemplo, o R quadrado \u00e9 0,9092<\/strong> , indicando que 90,92% da varia\u00e7\u00e3o nos n\u00edveis de felicidade relatados pode ser explicada pelo n\u00famero de horas trabalhadas e pelo n\u00famero de horas trabalhadas ^2.<\/span><\/p>\n Erro padr\u00e3o:<\/strong> O erro padr\u00e3o da regress\u00e3o \u00e9 a dist\u00e2ncia m\u00e9dia entre os valores observados e a linha de regress\u00e3o. Neste exemplo, os valores observados desviam em m\u00e9dia 9.519 unidades<\/strong> da linha de regress\u00e3o.<\/span><\/p>\n Estat\u00edstica F<\/strong> :<\/strong> A estat\u00edstica F \u00e9 calculada como regress\u00e3o MS\/MS residual. Esta estat\u00edstica indica se o modelo de regress\u00e3o proporciona um melhor ajuste aos dados do que um modelo que n\u00e3o cont\u00e9m vari\u00e1veis independentes. Essencialmente, testa se o modelo de regress\u00e3o como um todo \u00e9 \u00fatil. Geralmente, se nenhuma das vari\u00e1veis preditoras no modelo for estatisticamente significativa, a estat\u00edstica F geral tamb\u00e9m n\u00e3o ser\u00e1 estatisticamente significativa. Neste exemplo, a estat\u00edstica F \u00e9 65,09<\/strong> e o valor p correspondente \u00e9 <0,0001. Como este valor p \u00e9 inferior a 0,05, o modelo de regress\u00e3o como um todo \u00e9 significativo.<\/span><\/p>\n Coeficientes de regress\u00e3o:<\/strong> Os coeficientes de regress\u00e3o na \u00faltima tabela nos fornecem os n\u00fameros necess\u00e1rios para escrever a equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n y chap\u00e9u<\/sub> = b 0<\/sub> + b 1<\/sub> x 1<\/sub> + b 2<\/sub> x 1<\/sub> 2<\/sup><\/strong><\/span><\/p>\n Neste exemplo, a equa\u00e7\u00e3o de regress\u00e3o estimada \u00e9:<\/span><\/p>\n n\u00edvel de felicidade declarado = -30,252 + 7,173 (Horas trabalhadas) -0,106 (Horas trabalhadas) 2<\/sup><\/strong><\/span><\/p>\n Podemos usar esta equa\u00e7\u00e3o para calcular o n\u00edvel de felicidade esperado de um indiv\u00edduo com base nas horas trabalhadas. Por exemplo, o n\u00edvel de felicidade esperado de uma pessoa que trabalha 30 horas por semana \u00e9:<\/span><\/p>\n n\u00edvel relatado de felicidade = -30,252 + 7,173(30) -0,106(30) 2<\/sup> = 88,649<\/strong> .<\/span><\/p>\n Como adicionar uma linha de tend\u00eancia quadr\u00e1tica no Excel<\/a> A regress\u00e3o \u00e9 uma t\u00e9cnica estat\u00edstica que podemos usar para explicar a rela\u00e7\u00e3o entre uma ou mais vari\u00e1veis preditoras e uma vari\u00e1vel de resposta. O tipo mais comum de regress\u00e3o \u00e9 a regress\u00e3o linear , que usamos quando a rela\u00e7\u00e3o entre a vari\u00e1vel preditora e a vari\u00e1vel resposta \u00e9 linear . Em outras palavras, quando […]<\/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-535","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n Regress\u00e3o quadr\u00e1tica no Excel<\/strong><\/span><\/h2>\n
Recursos adicionais<\/strong><\/h2>\n
Como ler e interpretar uma tabela de regress\u00e3o<\/a><\/strong>
O que \u00e9 um bom valor de R ao quadrado?<\/a>
Compreendendo o erro padr\u00e3o da regress\u00e3o<\/a>
Um guia simples para compreender o teste F de signific\u00e2ncia geral na regress\u00e3o<\/a><\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"