Professional Documents
Culture Documents
Ponto de partida para a calibração: a equação 1 é feita uma primeira regressão linear múltipla
com todas a variáveis e , a seguir, com o auxilio do software Minitab, identifica-se o melhor
conjunto de variáveis para a especificação final do modelo. Para isso é usado um algoritmo
para seleção de variáveis passo a passo, que testa se a nova variável apresenta contribuição
adicional. No conjunto final de variáveis selecionadas , não se espera que fiquem variáveis
independentes que sejam correlacionadas.
A análise de regressão múltipla é mais receptiva à análise “ceteris paribus” , pois ela nos
permite controlar explicitamente muitos outros fatores que , de maneira simultânea ,afetam a
variável dependente.
Naturalmente , se adicionarmos ao nosso modelo mais fatores que são uteis para explicar y
,então mais da variação da y poderá ser explicada .Assim, análise de regressão múltipla pode
ser usada para construir modelos melhores para prever a variável dependente .
Slide 14 :
Além disso, quanto menor for o p-valor, mais distante estamos da hipótese nula H0.
Homocedasticidade –
Problema : após as divisões constatou-se que tanto o r² como a normalidade dos resíduos se
mostraram insatisfatórios . Isso pode acontecer devido a presença de algum dado que destoa
demasiadamente dos demais , é que se chama de “outlier” . Com a retirada deste observou-se
uma melhora nesses dois pontos.
Por isso é necessário a adoção de uma nova estatística que substitui t de student, utilizada na
regressão de mínimos quadrados,já que esta se baseia na soma de quadrados .