Este tutorial explica como realizar regress\u00e3o linear m\u00faltipla no Excel.<\/span><\/p>\n Nota:<\/strong> Se voc\u00ea tiver apenas uma vari\u00e1vel explicativa, dever\u00e1 realizar uma regress\u00e3o linear simples<\/a> .<\/em><\/span><\/p>\n Suponha que queiramos saber se o n\u00famero de horas de estudo e o n\u00famero de exames preparat\u00f3rios realizados afetam a nota que um aluno obt\u00e9m em determinado vestibular.<\/span><\/p>\n Para explorar essa rela\u00e7\u00e3o, podemos realizar uma regress\u00e3o linear m\u00faltipla utilizando horas estudadas<\/strong> e exames preparat\u00f3rios tomados<\/strong> como vari\u00e1veis explicativas e resultados de exames<\/strong> como vari\u00e1vel resposta.<\/span><\/p>\n Conclua as etapas a seguir no Excel para realizar a regress\u00e3o linear m\u00faltipla.<\/span><\/p>\n Passo 1: Insira os dados.<\/strong><\/span><\/p>\n Insira os seguintes dados para o n\u00famero de horas estudadas, exames preparat\u00f3rios realizados e resultados de exames recebidos para 20 alunos:<\/span> <\/p>\n Etapa 2: Execute a regress\u00e3o linear m\u00faltipla.<\/strong><\/span><\/p>\n Na faixa superior do Excel, v\u00e1 para a guia Dados<\/strong> e clique em An\u00e1lise de Dados<\/strong> . Se voc\u00ea n\u00e3o vir essa op\u00e7\u00e3o, primeiro<\/span> instale o software Analysis ToolPak gratuito<\/a> . <\/p>\n Depois de clicar em An\u00e1lise de Dados,<\/strong> uma nova janela aparecer\u00e1. Selecione Regress\u00e3o<\/strong> e clique em OK.<\/span> <\/p>\n Para Input Y Range<\/strong> , preencha a matriz de valores da vari\u00e1vel de resposta. Para Input X Range<\/strong> , preencha a matriz de valores das duas vari\u00e1veis explicativas. Marque a caixa ao lado de R\u00f3tulos<\/strong> para informar ao Excel que inclu\u00edmos os nomes das vari\u00e1veis nos intervalos de entrada. Para Output Range<\/strong> , selecione uma c\u00e9lula na qual deseja que a sa\u00edda da regress\u00e3o apare\u00e7a. Em seguida, clique em OK<\/strong> .<\/span> <\/p>\n A seguinte sa\u00edda aparecer\u00e1 automaticamente:<\/span> <\/p>\n Etapa 3: interprete o resultado.<\/strong><\/span><\/p>\n Veja como interpretar os n\u00fameros mais relevantes no resultado:<\/span><\/p>\n R Quadrado:<\/strong> 0,734<\/strong> . Isso \u00e9 chamado de coeficiente de determina\u00e7\u00e3o. \u00c9 a propor\u00e7\u00e3o da vari\u00e2ncia da vari\u00e1vel resposta que pode ser explicada pelas vari\u00e1veis explicativas. Neste exemplo, 73,4% da varia\u00e7\u00e3o nas notas dos exames \u00e9 explicada pela quantidade de horas estudadas e pela quantidade de exames preparat\u00f3rios realizados.<\/span><\/p>\n Erro padr\u00e3o:<\/strong> 5,366<\/strong> . Esta \u00e9 a dist\u00e2ncia m\u00e9dia entre os valores observados e a linha de regress\u00e3o. Neste exemplo, os valores observados desviam-se em m\u00e9dia 5.366 unidades da linha de regress\u00e3o.<\/span><\/p>\n F: 23h46<\/strong> Esta \u00e9 a estat\u00edstica F geral para o modelo de regress\u00e3o, calculada como regress\u00e3o MS\/MS residual.<\/span><\/p>\n Significado F: 0,0000<\/strong> . Este \u00e9 o valor p associado \u00e0 estat\u00edstica F geral. Isto nos diz se o modelo de regress\u00e3o como um todo \u00e9 estatisticamente significativo ou n\u00e3o. Por outras palavras, diz-nos se as duas vari\u00e1veis explicativas combinadas t\u00eam uma associa\u00e7\u00e3o estatisticamente significativa com a vari\u00e1vel resposta. Neste caso, o valor p \u00e9 inferior a 0,05, indicando que as vari\u00e1veis explicativas , horas estudadas<\/strong> e exames preparat\u00f3rios realizados<\/strong> em conjunto, t\u00eam associa\u00e7\u00e3o estatisticamente significativa com o resultado do exame<\/strong> .<\/span><\/p>\n Valores P.<\/strong> Os valores p individuais nos dizem se cada vari\u00e1vel explicativa \u00e9 estatisticamente significativa ou n\u00e3o. Podemos perceber que as horas estudadas<\/strong> s\u00e3o estatisticamente significativas (p = 0,00) enquanto os exames preparat\u00f3rios realizados<\/strong> (p = 0,52) n\u00e3o s\u00e3o estatisticamente significativos para \u03b1 = 0,05. Como os exames preparat\u00f3rios anteriores<\/strong> n\u00e3o s\u00e3o estatisticamente significativos, podemos acabar decidindo retir\u00e1-los do modelo.<\/span><\/p>\n Coeficientes:<\/strong> Os coeficientes de cada vari\u00e1vel explicativa nos informam a mudan\u00e7a m\u00e9dia esperada na vari\u00e1vel de resposta, assumindo que a outra vari\u00e1vel explicativa permane\u00e7a constante. Por exemplo, para cada hora adicional gasta estudando, espera-se que a pontua\u00e7\u00e3o m\u00e9dia do exame aumente em 5,56<\/strong> , assumindo que os exames pr\u00e1ticos realizados<\/strong> permane\u00e7am constantes.<\/span><\/p>\n Aqui est\u00e1 outra maneira de ver isso: se o aluno A e o aluno B fizerem o mesmo n\u00famero de exames preparat\u00f3rios, mas o aluno A estudar uma hora a mais, ent\u00e3o o aluno A dever\u00e1 pontuar 5,56<\/strong> pontos a mais do que o aluno B.<\/span><\/p>\n Interpretamos o coeficiente de intercepta\u00e7\u00e3o como significando que a nota esperada no exame para um aluno que n\u00e3o estuda horas e n\u00e3o faz exames preparat\u00f3rios \u00e9 67,67<\/strong> .<\/span><\/p>\n Equa\u00e7\u00e3o de regress\u00e3o estimada:<\/strong> podemos usar os coeficientes do resultado do modelo para criar a seguinte equa\u00e7\u00e3o de regress\u00e3o estimada:<\/span><\/p>\n nota do exame = 67,67 + 5,56*(horas) \u2013 0,60*(exames preparat\u00f3rios)<\/strong><\/span><\/p>\n Podemos usar esta equa\u00e7\u00e3o de regress\u00e3o estimada para calcular a pontua\u00e7\u00e3o esperada no exame de um aluno, com base no n\u00famero de horas de estudo e no n\u00famero de exames pr\u00e1ticos que ele faz. Por exemplo, um aluno que estuda tr\u00eas horas e faz um exame preparat\u00f3rio dever\u00e1 obter nota 83,75<\/strong> :<\/span><\/p>\n nota do exame = 67,67 + 5,56*(3) \u2013 0,60*(1) = 83,75<\/span><\/p>\n Lembre-se de que, como os exames preparat\u00f3rios anteriores<\/strong> n\u00e3o foram estatisticamente significativos (p = 0,52), podemos decidir remov\u00ea-los, pois n\u00e3o proporcionam nenhuma melhoria ao modelo geral. Neste caso, poder\u00edamos realizar uma regress\u00e3o linear simples utilizando apenas as horas estudadas<\/strong> como vari\u00e1vel explicativa.<\/span><\/p>\n Os resultados desta an\u00e1lise de regress\u00e3o linear simples podem ser encontrados aqui<\/a> .<\/span><\/p>\n Depois de realizar a regress\u00e3o linear m\u00faltipla, voc\u00ea pode verificar v\u00e1rias suposi\u00e7\u00f5es, incluindo:<\/span><\/p>\n 1.<\/strong> Teste de multicolinearidade usando VIF<\/a> .<\/span><\/p>\n 2.<\/strong> Teste de heterocedasticidade usando um teste de Breusch-Pagan<\/a> .<\/span><\/p>\n Exemplo: regress\u00e3o linear m\u00faltipla no Excel<\/strong><\/h3>\n
![\"Dados](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel1.png\")
<\/p>\n![\"Op\u00e7\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/deuxsampexcel3.png\")
<\/p>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel2.png\")
<\/p>\n![\"Regress\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel3.png\")
<\/p>\n![\"Sa\u00edda](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/multipleregexcel4.png\")
<\/p>\n Recursos adicionais<\/span><\/strong><\/h3>\n