Prévia do material em texto
Modelos de Regressão Aplicados em Epidemiologia Profa. Dra. Maria do Rosário D O Latorre Profa. Dra. Gleice M S Conceição Regressão Linear Múltipla De todos os métodos estatísticos, a análise de regressão múltipla é um dos mais amplamente utilizados. Às vezes, uma única variável explicativa no modelo pode fornecer uma descrição inadequada, uma vez que diversas variáveis-chave afetam um mesmo fenômeno de maneiras importantes e distintas. Frequentemente, as previsões da variável resposta com base em um modelo contendo apenas uma única variável explicativa são muito imprecisas para serem úteis. Um modelo mais complexo, contendo variáveis explicativas adicionais pode ser mais útil para fornecer previsões suficientemente precisas da variável de resposta. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Permite modelar os efeitos de várias variáveis explicativas na resposta simultaneamente Variável resposta é quantitativa Variáveis explicativas podem ser quantitativas ou qualitativas. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Análise descritiva Descrever a relação entre a variável resposta e cada uma das variáveis explicativas Descrever a relação entre as variáveis explicativas Ajuste do modelo Quantificar o efeito de cada variável explicativa na resposta, controlando para as demais variáveis Deve considerar a existência de interações entre as variáveis explicativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP onde i = 1, ..., n é o valor da variável resposta na i-ésima observação 0 , 1 , ..., p são os parâmetros a serem estimados X1i , X2i , ..., Xpi são os valores das p variáveis explicativas (constantes conhecidas) na i-ésima observação i é um erro aleatório não observável i-ésima observação; i ~ N(0, 2); (i , j) são independentes para todo i, j. Regressão Linear Múltipla O modelo de regressão linear múltipla pode ser escrito como: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla O que equivale a: independentes i = 1, ..., n Para facilitar a compreensão, a partir daqui, vamos omitir o índice i na equação acima, ficando com: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Uma variável explicativa X (regressão linear simples) Y em função de X é representado por uma reta. Y X Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Duas variáveis explicativas Y em função de é representado por um plano. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla A interpretação dos coeficientes do modelo é semelhante a do modelo de regressão linear simples: é o valor esperado de Y quando todas as variáveis explicativas são iguais a zero. é o aumento esperado em Y quando aumentamos de uma unidade, mantendo as demais variáveis explicativas constantes. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Se e é o valor esperado ou médio de Y quando todas as variáveis explicativas são iguais a zero. Pode ou não ser interpretável. Por exemplo, em um modelo com duas variáveis explicativas: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Aumentando de uma unidade e mantendo constante: é o valor esperado ou médio em Y quando aumentamos de uma unidade, independentemente das demais variáveis. Por exemplo, em um modelo com duas variáveis explicativas: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Aumentando de uma unidade e mantendo constante: é o valor esperado de Y quando aumentamos de uma unidade, independentemente das demais variáveis. Por exemplo, em um modelo com duas variáveis explicativas: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Quadro de Análise de Variância Fonte de variação g.l. SQ QM p-valor Regressão p SQM QMM Resíduo n-p-1 SQR QMR Total n-1 SQT Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla O coeficiente de determinação () é obtido da mesma forma: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Testes de hipóteses para o modelo Para testar se existe relação entre Y e o conjunto de variáveis explicativas (X1 , X2 , ..., Xp): (j=1,...,p) são iguais a zero Estatística do teste: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Testes de hipóteses para cada coeficiente Para testar se cada coeficiente individualmente é igual a zero ou não (se cada variável explicativa é ou não significativa): Estatística do teste: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo só com altura Fonte de variação g.l. SQ QM p-valor Regressão (altura) Resíduo Total Exemplo: amostra de crianças Quadro de Análise de Variância Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo só com altura Fonte de variação g.l. SQ QM p-valor Regressão (altura) 1 588,92 588,92 19,675 0,001263 Resíduo 10 299,33 29,93 Total 11 888,25 Exemplo: amostra de crianças Quadro de Análise de Variância Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo com altura e idade Fonte de variação g.l. SQ QM p-valor Regressão (altura + idade) Resíduo Total Exemplo: amostra de crianças Quadro de Análise de Variância Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo com altura e idade Fonte de variação g.l. SQ QM p-valor Regressão (altura + idade) 2 692,82 346,41 15,95 0,0011 Resíduo 9 195,43 21,71 Total 11 888,25 Exemplo: amostra de crianças Quadro de Análise de Variância Gleice M S Conceição Maria do rosário D D latorre FSP - USP Fonte de variação g.l. SQ QM p-valor Regressão (altura) 1 588,92 588,92 19,675 0,001263 Resíduo 10 299,33 29,93 Total 11 888,25 ) Fonte de variação g.l. SQ QM p-valor Regressão (altura + idade) 2 692,82 346,41 15,96 0,0011 Resíduo 9 195,43 21,71 Total 11 888,25 299,33 – 195,43 = 103,90 692,82 – 588,92 = 103,90 Uma Soma de Quadrado Adicional mede o aumento marginal na soma de quadrados do modelo quando uma ou mais variáveis explicativas são incluídas em um modelo que já continha outras variáveis. Somas de Quadrados Adicionais Gleice M S Conceição Maria do rosário D D latorre FSP - USP Fonte de variação g.l. SQ QM p-valor Regressão (altura) 1 588,92 588,92 19,675 0,001263 Resíduo 10 299,33 29,93 Total 11 888,25 ) Fonte de variação g.l. SQ QM p-valor Regressão (altura + idade) 2 692,82 346,41 15,96 0,0011 Resíduo 9 195,43 21,71 Total 11 888,25 Somas de Quadrados Adicionais Analogamente, uma Soma de Quadrado Adicional mede a redução marginal na soma de quadrados do resíduo quando uma ou mais variáveis explicativas são incluídas em um modelo que já continha outras variáveis. 299,33 – 195,43 = 103,90 692,82 – 588,92 = 103,90 Gleice M S Conceição Maria do rosário D D latorre FSP - USP Fonte de variação g.l. SQ QM p-valor Regressão (altura) 1 588,92 588,92 19,675 0,001263 Resíduo 10 299,33 29,93 Total 11 888,25 Fonte de variação g.l. SQ QM p-valor Regressão (altura + idade) 2 692,82 346,41 15,96 0,0011 Resíduo 9 195,43 21,71 Total 11 888,25 Somas de Quadrados Adicionais Note que 299,33 – 195,43 = 103,90 692,82 – 588,92 = 103,90 Gleice M S Conceição Maria do rosário D D latorre FSP - USP Decomposição da SQ do Modelo em Somas de Quadrados adicionais Por exemplo, em um modelo com 3 variáveis explicativas, , é possível decompor a SQM em 3 partes: Reorganizando a expressão acima Gleice M S Conceição Maria do rosário D D latorre FSP - USP ) Reorganizando a expressão acima Decomposição da SQ do Resíduo em Somas de Quadrados adicionais Por exemplo, em um modelo com 3 variáveis explicativas, , é possível decompor a SQR em3 partes: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Fonte de variação g.l. SQ QM p-valor Regressão 3 SQM() QMM() | Resíduo n-4 SQR QMR Total n-1 SQT Em um modelo com 3 variáveis explicativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Fonte de variação g.l. SQ QM p-valor Regressão 3 SQM() QMM() 1 SQM() 1 SQM() | 1 SQM( | ) Resíduo n-4 SQR QMR Total n-1 SQT Em um modelo com 3 variáveis explicativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Fonte de variação g.l. SQ QM p-valor Regressão 3 SQM() QMM() 1 SQM() QMM() 1 SQM() QMM() | 1 SQM( | ) QMM( | ) Resíduo n-4 SQR QMR Total n-1 SQT Em um modelo com 3 variáveis explicativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Fonte de variação g.l. SQ QM p-valor Regressão 3 SQM() QMM() 1 SQM() QMM() 1 SQM() QMM() | 1 SQM( | ) QMM( | ) Resíduo n-4 SQR QMR Total n-1 SQT Em um modelo com 3 variáveis explicativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP Quadro de Análise de Variância Fonte de variação g.l. SQ QM p-valor Altura Idade | Altura Resíduo Total Exemplo: amostra de crianças Gleice M S Conceição Maria do rosário D D latorre FSP - USP Quadro de Análise de Variância Fonte de variação g.l. SQ QM p-valor Altura 1 588,92 588,92 27,12 0,00056 Idade | Altura 1 103,9 103,9 4,7849 0,0565 Resíduo 9 195,43 21,71 Total 11 888,25 Exemplo: amostra de crianças Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Para avaliar a inclusão de uma nova variável em um modelo que já contem outras variáveis, isto é, para avaliar se o modelo com a nova variável é melhor do que o modelo sem ela: modelo só com é melhor - modelo com é melhor - Formalmente, a estatística do teste é definida com base nos resíduos: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial No exemplo Amostra de Crianças: modelo só com altura é melhor - modelo com altura e idade é melhor - Estatística do teste: P-valor = 0,05648 Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Forma geral: Para avaliar a inclusão de uma (ou mais) nova(s) variável(eis) em um modelo que já contem outras variáveis : modelo reduzido (com k variáveis) é melhor modelo completo (com k + l variáveis) é melhor Estatística do teste: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Análise de resíduos Para avaliar se o modelo está bem ajustado Fundamental em qualquer análise! Procedimentos semelhantes aos descritos anteriormente, quando vimos o modelo de regressão linear simples Gleice M S Conceição Maria do rosário D D latorre FSP - USP Métodos de seleção de variáveis Grande número de variáveis explicativas Métodos stepwise Método stepwise forward Gleice M S Conceição Maria do rosário D D latorre FSP - USP Método stepwise forward Conduzir a análise univariada A partir da análise univariada, selecionar as variáveis que apresentaram p-valor menor do 0,2 ou 0,25, por exemplo. As variáveis explicativas são introduzidas uma a uma no modelo, da mais importante para a menos importante. Ordem de "importância" definida segundo o valor do coeficiente de correlação de Pearson A cada passo do procedimento, uma nova variável é incluída no modelo e deve-se decidir se ela deve permanecer ou não. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Critérios para decidir se uma determinada variável deve permanecer ou não no modelo: o fato de o seu coeficiente ser significante ou marginalmente significante (por exemplo, p-valor <= 0.10) o fato de o modelo contendo esta variável ser significativamente “melhor” do que o modelo sem esta variável (teste F parcial, adotando um nível de significância de 0.10, por exemplo) o fato de esta variável ser uma “variável de ajuste”, e o bom senso, naturalmente! Uma vez que a variável tenha satisfeito os critérios anteriores, ela permanece no modelo e não é retirada em passos posteriores. Método stepwise forward Gleice M S Conceição Maria do rosário D D latorre FSP - USP Após o procedimento stepwise, avaliar a presença de interações entre as variáveis que permaneceram no modelo, desde que a interação faça sentido para o pesquisador Manter apenas as interações que se mostraram significantes. Fazer a análise de resíduos do modelo final. Apresentar o modelo final ajustado. Método stepwise forward Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla Exemplo: Um pesquisador conduziu um estudo para avaliar a relação entre a pressão arterial sistólica (Y) com a idade, o índice de Quetelet e o hábito de fumar. Os dados estão no arquivo “PAS.xls”, que contém as variáveis: pas: pressão arterial sistólica (em mmHg) quet: índice de Quetelet age: idade (em anos) smk: 1 - fumante; 0 - não fumante Gleice M S Conceição Maria do rosário D D latorre FSP - USP Regressão Linear Múltipla A modelo para a pressão sistólica com todas as variáveis explicativas pode ser escrito como Interprete os coeficientes das variáveis quantitativas Vamos entender como interpretar o coeficiente da variável smk Para facilitar as interpretações, podemos omitir o índice i ... ... e substituir os termos Xi pelos respectivos nomes das variáveis Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis que assumem apenas dois valores: 0 e 1. Variáveis indicadoras ou “dummy” A variável X4 será representada da seguinte forma: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Se fumante Então é o acréscimo no valor esperado de Y (pressão sistólica) em indivíduos que fumam, quando comparados aos que não fumam. Interpretação do coeficiente da variável indicadora “smk” Se não fumante Para introduzirmos o conceito de variáveis indicadoras, inicialmente, vamos considerar um modelo com apenas smk como variável explicativa: Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Interpretação do coeficiente de variável indicadora smk Agora vamos considerar um modelo com duas variáveis explicativas, age e skm Se fumante Se não fumante Então é o acréscimo no valor esperado de Y (pressão sistólica média) em indivíduos que fumam, quando comparados aos que não fumam, independentemente da idade. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Interpretação do coeficiente de variável indicadora smk Agora vamos considerar um modelo com duas variáveis explicativas, age e skm Se fumante Se não fumante Essas duas equações representam retas paralelas com diferentes interceptos: Gleice M S Conceição Maria do rosário D D latorre FSP - USP não fumante 1 2 2 4 fumante 1 2 6 8 age pas Variáveis indicadoras ou “dummy” Interpretação do coeficiente de variável indicadora smk No modelo com todas as variáveis explicativas, a interpretação é a mesma Se fumante Se não fumante Então é o acréscimo no valor esperado de Y (pressão sistólica média) em indivíduos que fumam, quando comparados aos que não fumam, independentemente das demais variáveis. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Variável explicativa qualitativa com mais do que duas categorias Em geral, representamos uma variável qualitativa com c categorias por meio de c-1 variáveis indicadoras. Por exemplo, se a variável hábito de fumar assumir os valores “nunca fumou”, “ex-fumante” ou “fumante”, poderíamos pensar, à princípio, em 3 variáveis indicadoraspara representa-la: Entretanto, note que qualquer uma dessas variáveis indicadoras pode ser obtida a partir das outras duas (preencha a tabela), de modo que bastam apenas duas variáveis para representar o hábito de fumar. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Variável explicativa qualitativa com mais do que duas categorias Em geral, representamos uma variável qualitativa com c categorias por meio de c-1 variáveis indicadoras. Por exemplo, se a variável hábito de fumar assumir os valores “nunca fumou”, “ex-fumante” ou “fumante”, poderíamos pensar, à princípio, em 3 variáveis indicadoras para representa-la: Entretanto, note que qualquer uma dessas variáveis indicadoras pode ser obtida a partir das outras duas (preencha a tabela), de modo que bastam apenas duas variáveis para representar o hábito de fumar. indivíduo Smk nunca fumou ex-fumante fumante 1 nunca fumou 2 ex-fumante 3 fumante ... Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Variável explicativa qualitativa com mais do que duas categorias Em geral, representamos uma variável qualitativa com c categorias por meio de c-1 variáveis indicadoras. Por exemplo, se a variável hábito de fumar assumir os valores “nunca fumou”, “ex-fumante” ou “fumante”, poderíamos pensar, à princípio, em 3 variáveis indicadoras para representa-la: Entretanto, note que qualquer uma dessas variáveis indicadoras pode ser obtida a partir das outras duas (preencha a tabela), de modo que bastam apenas duas variáveis para representar o hábito de fumar. indivíduo Smk nunca fumou ex-fumante fumante 1 nunca fumou 1 0 0 2 ex-fumante 0 1 0 3 fumante 0 0 1 ... Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Variável explicativa qualitativa com mais do que duas categorias Em geral, representamos uma variável qualitativa com c categorias por meio de c-1 variáveis indicadoras. Por exemplo, se a variável hábito de fumar assumir os valores “nunca fumou”, “ex-fumante” ou “fumante”, poderíamos pensar, à princípio, em 3 variáveis indicadoras para representa-la: Entretanto, note que qualquer uma dessas variáveis indicadoras pode ser obtida a partir das outras duas (preencha a tabela), de modo que bastam apenas duas variáveis para representar o hábito de fumar. indivíduo Smk nunca fumou ex-fumante fumante 1 0 0 2 1 0 3 0 1 ... Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Variável explicativa qualitativa com mais do que duas categorias Em geral, representamos uma variável qualitativa com c categorias por meio de c-1 variáveis indicadoras. Por exemplo, se a variável hábito de fumar assumir os valores “nunca fumou”, “ex-fumante” ou “fumante”, poderíamos pensar, à princípio, em 3 variáveis indicadoras para representa-la: Entretanto, note que qualquer uma dessas variáveis indicadoras pode ser obtida a partir das outras duas (preencha a tabela), de modo que bastam apenas duas variáveis para representar o hábito de fumar. De fato, não seria possível ajustar um modelo com as três variáveis, uma vez que elas são linearmente dependentes. indivíduo Smk nunca fumou ex-fumante fumante 1 nunca fumou 1 0 0 2 ex-fumante 0 1 0 3 fumante 0 0 1 ... Gleice M S Conceição Maria do rosário D D latorre FSP - USP Variáveis indicadoras ou “dummy” Por exemplo, se ajustarmos o modelo com as indicadoras “ex-fumante” e “fumante”, deixando de fora “não fumante”, o modelo será: Nunca fumou Ex-fumante Fumante Interpretação dos coeficientes Então é o acréscimo no valor esperado de Y (pressão sistólica média) em indivíduos ex-fumantes, quando comparados aos que nunca fumaram. Então é o acréscimo no valor esperado de Y (pressão sistólica média) em indivíduos fumantes, quando comparados aos que nunca fumaram. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interação em modelos de regressão Modelo de efeitos aditivos (sem interação): Modelo com efeito de interação entre e : Dizemos que existe interação entre duas variáveis quando o efeito de uma depende dos valores da outra e vice-versa. Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interação em modelos de regressão IMPORTANTE: O significado dos coeficientes de regressão e aqui não é o mesmo apresentado anteriormente devido ao termo de interação Os coeficientes de regressão e não indicam mais a mudança na resposta média com um aumento de uma unidade na variável explicativa, quando as demais variáveis explicativas são mantidas constantes Interpretação dos coeficientes na presença de interação Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interação em modelos de regressão Vamos considere o modelo anterior com age e skm (sim ou não) e inserir um termo de interação entre age e skm Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interpretação dos coeficientes na presença de interação Importante: Lembre-se que o significado dos coeficientes de regressão e não é o mesmo devido ao termo de interação Se fumante Se não fumante Aumentando a idade de uma unidade: Então, o acréscimo na pressão sistólica média para um aumento de uma unidade na idade depende do fato de o individuo ser ou não ser fumante! Idade 1 quantitativa 1 qualitativa Gleice M S Conceição Maria do rosário D D latorre FSP - USP não fumante 1 2 2 4 fumante 1 2 4 9 age pas Interpretação dos coeficientes na presença de interação Importante: Lembre-se que o significado dos coeficientes de regressão e não é o mesmo devido ao termo de interação Se fumante Se não fumante Essas duas equações representam duas retas com interceptos diferentes e inclinações diferentes. Hábito de fumar Então, o acréscimo no valor esperado de Y (pressão sistólica média) em indivíduos que fumam, quando comparados aos que não fumam, depende da idade. 1 quantitativa 1 qualitativa Gleice M S Conceição Maria do rosário D D latorre FSP - USP não fumante 1 2 2 4 fumante 1 2 4 9 age pas Interação em modelos de regressão Algumas situações possíveis na presença de interação 1 quantitativa 1 qualitativa Gleice M S Conceição Maria do rosário D D latorre FSP - USP não fumante 1 2 2 4 fumante 1 2 4 9 age pas não fumante 1 2 2 2 fumante 1 2 4 9 age pas não fumante 1 2 3 1 fumante 1 2 4 9 age pas Interação em modelos de regressão Vamos comparar os seguintes modelos de regressão: Interpretação dos coeficientes na presença de interação entre duas variáveis quantitativas (complicado!!) modelo aditivo, sem interação modelo com interação modelo com interação 2 quantitativas Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interação em modelos de regressão Interpretação dos coeficientes na presença de interação entre duas variáveis quantitativas (complicado!!) Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo de Regressão Polinomial Modelo de regressão linear (1ª ordem): Modelo de regressão quadrático (2ª ordem): Modelo de regressão de 3ª ordem: Etc... Gleice M S Conceição Maria do rosário D D latorre FSP - USP Modelo de Regressão Polinomial Fonte de variação g.l. SQ QM p-valor X 1 X2|X 1 X3|X, X2 1 ... Resíduo n-p-1 SQR QMR Total n-1 SQT Gleice M S Conceição Maria do rosário D D latorre FSP - USP Gleice M S Conceição Maria do rosário D D latorre FSP - USP Tipos de Resíduos 1. Semistudentized residuals Uma vez que o desvio padrão dos resíduos é , faz sentido considerar a padronização: 2. Studentized residuals Gleice M S Conceição Maria do rosário D D latorre FSP - USP Lembrando: Se2 não é um estimador de e2, porque os erros eij não são independentes. A variância dos eij , e2, é complexa e varia para os diferentes resíduos eij . QMR é apenas uma aproximação da variância dos eij . Por isto eij* é chamado de resíduos estudentizado.64 Interação em modelos de regressão O acréscimo na resposta média com um aumento unitário em quando é mantida constante será Interpretação dos coeficientes na presença de interação O acréscimo na resposta média com um aumento unitário em quando é mantida constante será Veja se isto é verdade! Gleice M S Conceição Maria do rosário D D latorre FSP - USP Interação em modelos de regressão O acréscimo na resposta média com um aumento unitário em quando é mantida constante será Interpretação dos coeficientes na presença de interação O acréscimo na resposta média com um aumento unitário em quando é mantida constante será Veja se isto é verdade! Gleice M S Conceição Maria do rosário D D latorre FSP - USP Quadro de Análise de Variância – errado? Fonte de variação gl SQ QM F parciais p-valor X1 X2|X1 X3|X1 ,X2 Resíduo n-p SQR QMR Total n-1 SQT Gleice M S Conceição Maria do rosário D D latorre FSP - USP Teste F-parcial Para avaliar a inclusão de uma nova variável em um modelo que já contem outras variáveis, isto é, para avaliar se o modelo com a nova variável é melhor do que o modelo sem ela: modelo só com é melhor - modelo com é melhor - Formalmente, a estatística do teste é definida com base nos resíduos: Gleice M S Conceição Maria do rosário D D latorre FSP - USP