Baixe o app para aproveitar ainda mais
Prévia do material em texto
REGRESSÃO LINEAR MÚLTIPLA Objetivo: Estudar (estimar, prever) UMA variável dependente (numérica) com base em 2 ou mais variáveis dependentes (numéricas ou catagóricas) O modelo de RLM Ŷ = b0 + b1X1 + b2X2 + ... + bpXp b0 = coef linear bi = coef angulares (i = 1, 2, 3...) p = nº de variáveis independentes x1, x2, ... xp: variaveis independentes Interpretação dos coefs angulares A cada unidade a mais em xi, y varia positivamente/negativamente em bi, mantendo as demais variáveis constantes (caeteris paribus) Teste F – teste do modelo (para verificar se “existe” modelo) H0: y = b0 + ε (ou b1=b2=b3=...=bp=0) H1: pelo menos um bi é diferente de zero α = 5% valor-P (sig) = TABELA DA ANOVA Se sig < α rejeita-se H0, e portanto “existe modelo” Teste dos coeficientes angulares (teste T para b1, b2, ..., bp) H0: bi = 0 H1: bi ≠ 0 α = 5% sig (b1) = ... sig(b2) = ... Conclusão: se sig i < α, rejeita-se H0. A variável Xi possui relação linear significativa com y. Os valores “B” são os coeficientes Conclusão, o coeficiente de despesa promocional possui sig > α, ele deve ser retirado do modelo. Deve-se rodar novamente excluindo aquela variável do modelo. Capacidade preditiva do modelo Em RLS, usávamos o R² puro para avaliar a capacidade preditiva. Na RLM, vamos usar o R² ajustado, pois a inclusão de muitas variáveis faz com que o R² simples aumente significativamente. Avaliar violação de premissa observando resíduos
Compartilhar