Prévia do material em texto
Disciplina: Métodos Quantitativos II Professor: Dr. Ricardo Teixeira Veiga Alunas: Camila Alves Damásio e Deborah Leão Sousa Silva REGRESSÃO LINEAR MÚLTIPLA PRIMEIRA PARTE 1- a) ANOVA Model Sum of Squares df Mean Square F p H₁ Regression 3709.763 2 1854.882 72.814 < .001 Residual 534.958 21 25.474 Total 4244.721 23 Note. The intercept model is omitted, as no meaningful information can be shown. Se a probabilidade é inferior a 0.05, então podemos rejeitar a hipótese nula e concluir que as variáveis X1 e X2, quando consideradas juntas, são significativas na previsão da variável Y. b) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 71.636 2.773 25.833 < .001 H₁ (Intercept) -9.806 6.990 -1.403 0.175 X1 0.042 0.016 0.248 2.580 0.017 X2 0.014 0.002 0.766 7.960 < .001 Custo = 400 x 0.042 + 4.500 x 0.014 - 9.806 = 69.994 Assim, o custo estimado de distribuição do depósito mensal da empresa é de US$ 69.994. c) Model Summary - Y Model R R² Adjusted R² RMSE H₀ 0.000 0.000 0.000 13.585 H₁ 0.935 0.874 0.862 5.047 O coeficiente de determinação R² representa a correlação entre as variáveis independentes X1 e X2 e a variável dependente Y, medindo a proporção da variabilidade dos dados explicada pelo modelo. Quanto mais próximo de 1, melhor o ajuste do modelo. O R² obtido indica uma correlação alta. Já o R² ajustado leva em conta o tamanho da amostra, ajustando-se para o número de preditores no modelo. O valor obtido para R² é de 0.874, enquanto o valor ajustado para R² é de 0.862. d) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 71.636 2.773 25.833 < .001 H₁ (Intercept) -9.806 6.990 -1.403 0.175 X1 0.042 0.016 0.248 2.580 0.017 X2 0.014 0.002 0.766 7.960 < .001 Ao considerar a hipótese que o coeficiente é zero, ou seja, nulo, ao obter a probabilidade abaixo de 0.05 para X1 e X2, rejeita-se a hipótese e pode-se concluir que ambas as variáveis contribuem significativamente para o modelo. e) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 71.636 2.773 25.833 < .001 H₁ (Intercept) -9.806 6.990 -1.403 0.175 X1 0.042 0.016 0.248 2.580 0.017 X2 0.014 0.002 0.766 7.960 < .001 São calculados os limites superior e inferior para cada variável independente, criando intervalos. Para o intervalo de X1, embora a estimativa seja de 0.042, os resultados reais estão entre 0.008 e 0.075. Para o intervalo de X2, apesar da estimativa de 0.014, os resultados reais estão entre 0.010 e 0.018. f) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 71.636 2.773 25.833 < .001 H₁ (Intercept) -9.806 6.990 -1.403 0.175 X1 0.042 0.016 0.248 2.580 0.017 X2 0.014 0.002 0.766 7.960 < .001 Custo = 0.042X1 + 0.014X2 - 9.806 Interpretando os coeficientes: O coeficiente de 0.042 para X1 indica que, mantendo todas as outras variáveis constantes, um aumento de uma unidade em X1 está associado a um aumento de 0.042 na variável Custo. O coeficiente de 0.014 para X2 indica que, mantendo todas as outras variáveis constantes, um aumento de uma unidade em X2 está associado a um aumento de 0.014 na variável Custo. O termo constante de -9.806 representa o intercepto da linha de regressão quando todas as variáveis independentes são zero. Neste caso, significa que mesmo que X1 e X2 sejam zero, ainda há um custo fixo de -9.806. Esses resultados sugerem que tanto X1 quanto X2 estão contribuindo para explicar a variação na variável dependente Custo neste modelo de regressão linear múltipla. g) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 71.636 2.773 25.833 < .001 H₁ (Intercept) -9.806 6.990 -1.403 0.175 X1 0.042 0.016 0.248 2.580 0.017 X2 0.014 0.002 0.766 7.960 < .001 Ao analisar os valores padronizados de X1 e X2, pode-se comparar as variáveis, eliminando as diferenças nas unidades de medida, e determinar qual delas é mais significativa para o modelo. Devido ao fato de que o valor padronizado de X2 é maior do que o de X1, conclui-se que X2 é mais significativo no modelo. k) Residuals vs. Dependent Observa-se que os resíduos não estão padronizados. Esses resíduos indicam a discrepância entre os valores previstos e os valores reais. Nota-se que o intervalo utilizado para criar o histograma foi definido com um nível de confiança de 95%. É perceptível que a distribuição tende a se aproximar da normalidade, uma vez que se assemelha a uma forma de sino, aproximando-se do resíduo zero. 2 – a) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Educ = - 0.008 x paedu - 0.034 x tvhours + 13.638 Em que nesta equação: Educ representa o nível de escolaridade ou educação; paedu representa o nível de educação dos pais; tvhours representa o número de horas assistindo TV. Essa equação sugere que o nível de educação diminui em 0.008 para cada ano adicional de educação dos pais e diminui em 0.034 para cada hora adicional de TV assistida, com um termo constante de 13.638. b) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Sim. A hipótese nula de que os valores dos coeficientes de regressão são zero pode ser rejeitada, pois a significância para ambas as variáveis independentes é inferior a 0.05. Isso indica que tanto o nível educacional dos pais quanto o tempo dedicado à TV têm um impacto estatisticamente significativo no nível de educação alcançado. c) ANOVA Model Sum of Squares df Mean Square F p H₁ Regression 264.389 2 132.194 4.639 0.010 Residual 42661.067 1497 28.498 Total 42925.456 1499 Note. The intercept model is omitted, as no meaningful information can be shown. A rejeição da hipótese nula, onde a proporção de variação da variável dependente é considerada igual a 0.01, devido à significância inferior a 0.05, sugere que, em conjunto, as variáveis independentes têm um impacto estatisticamente significativo na previsão da variável Y. Essa conclusão implica que o modelo de regressão linear, incluindo as variáveis independentes 'paedu' e 'tvhours', é capaz de explicar de forma adequada a variação na variável dependente 'Educ'. d) Model Summary - educ Model R R² Adjusted R² RMSE H₀ 0.000 0.000 0.000 5.351 H₁ 0.078 0.006 0.005 5.338 A conclusão de que a ausência de um relacionamento linear entre as variáveis independentes e a variável dependente não pode ser rejeitada é sustentada pelos baixos valores dos coeficientes de correlação e correlação ajustada. Isso sugere que as variáveis independentes 'paedu' e 'tvhours' não estão fortemente correlacionadas com a variável dependente 'Educ' de forma linear. Portanto, com base na análise desses coeficientes, não é possível inferir uma relação linear significativa entre as variáveis. Isso indica que outras variáveis ou modelos alternativos podem ser necessários para explicar adequadamente a relação entre 'paedu', 'tvhours' e 'Educ'. e) Coefficients Model Unstandardized Standard Error Standardized t pH₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Sim. Quando avaliada apenas a variável de educação do pai, observa-se um coeficiente de significância inferior a 0.05, o que indica significância estatística. f) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Sim. Ao analisar apenas a variável de gasto com televisão, o coeficiente de significância é menor que 0.05, indicando sua significância estatística. Isso sugere que o tempo gasto com televisão tem um impacto estatisticamente significativo na variável dependente. g) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Educ = - 0.008 x 14 - 0.034 x 3 + 13.638 Educ = 13.424 Educ= - 0.008 x paedu - 0.034 x tvhours + 13.638 Com base na análise, prevê-se que uma pessoa cujo pai completou 14 anos de estudo e que gasta 3 horas por dia assistindo televisão teria aproximadamente 13.424 anos de estudo. h) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Ao avaliar o comportamento da variável dependente (Educ) em relação às mudanças nas variáveis independentes (tvhours e paedu): h1) Aumento ou diminuição do número de horas dedicado à televisão (tvhours): Ao analisar o impacto do aumento ou redução do número de horas dedicadas à televisão na variável dependente (Educ), podemos observar o coeficiente associado a 'tvhours', que na equação de regressão é -0.034. Isso significa que, se o número de horas dedicadas à televisão aumentar em uma unidade, a educação (Educ) diminuirá em 0.034 unidades, mantendo todas as outras variáveis constantes. Essa relação sugere uma associação negativa entre o tempo gasto assistindo TV e o nível de educação. Da mesma forma, se o número de horas dedicadas à televisão diminuir em uma unidade, a educação (Educ) aumentará em 0.034 unidades. h2) Aumento no número de anos de educação do pai (paedu): Ao examinar o impacto do aumento no número de anos de educação do pai na variável dependente (Educ), podemos observar o coeficiente associado a 'paedu', que na equação de regressão é -0.008. Isso indica que, se o número de anos de educação do pai aumentar em uma unidade, a educação (Educ) diminuirá em 0.008 unidades, mantendo todas as outras variáveis constantes. Essa relação sugere uma associação negativa entre o nível de educação do pai e o nível de educação alcançado. Do mesmo modo, se o número de anos de educação do pai diminuir em uma unidade, a educação (Educ) aumentará em 0.008 unidades. Essas análises contribuem o entendimento sobre como as mudanças nas variáveis independentes influenciam a variável dependente no modelo de regressão. i) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Para calcular a variação observada na variável dependente (Educ) quando a educação do pai (paedu) varia em 1 ano, pode-se utilizar o coeficiente associado a 'paedu' na equação de regressão e multiplicá-lo pelo tamanho da mudança em paedu. Isso fornecerá a mudança prevista em Educ para uma unidade de mudança em paedu. Na equação de regressão: Educ = − 0.008 × paedu − 0.034 × tvhours + 13.638 O coeficiente associado a 'paedu' é -0.008, indicando que para cada aumento de 1 ano na educação do pai, a variável dependente (Educ) diminui em 0.008 unidades, mantendo todas as outras variáveis constantes. Assim, a variação observada na variável dependente (Educ) quando a educação do pai varia em 1 ano é de -0.008 unidades. Em outras palavras, cada ano adicional de educação do pai está associado a uma redução de 0.008 unidades no nível de educação alcançado pela pessoa. j) Coefficients Model Unstandardized Standard Error Standardized t p H₀ (Intercept) 13.264 0.138 95.998 < .001 H₁ (Intercept) 13.638 0.190 71.945 < .001 tvhours -0.034 0.016 -0.053 -2.067 0.039 paeduc -0.008 0.004 -0.054 -2.110 0.035 Se houver uma variação de 1 ano, o tempo de estudo aumentará ou diminuirá em 0.034 anos. SEGUNDA PARTE RESENHA CRÍTICA Camila Alves Damásio REFERÊNCIA VEIGA, Ricardo Teixeira; DE OLIVEIRA SANTOS, Deborah; LACERDA, Tales Sarmento. Antecedentes da intenção de consumo de cosméticos ecológicos. Revista Eletrônica de Ciência Administrativa, v. 5, n. 2, p. 1-15, 2006. O texto aborda a necessidade urgente de mudança nos processos de produção e estilo de vida para evitar catástrofes ambientais irreversíveis, destacando o papel crucial dos governos, empresas e cidadãos na promoção de práticas sustentáveis. A Teoria do Comportamento Planejado (TCP) é apresentada como uma estrutura teórica para entender os antecedentes da intenção de consumir produtos ecologicamente corretos, com foco específico em cosméticos. A pesquisa conduzida investigou duas amostras distintas, uma de membros de uma associação ambientalista e outra de pessoas vinculadas a um programa de pós-graduação. Os resultados indicaram correlações entre atitude, norma subjetiva e controle percebido com a intenção comportamental, validando a TCP. Além disso, sugere-se que a inclusão da norma moral pode melhorar a capacidade explicativa da teoria. Destaca-se a relevância do estudo na área de comportamento do consumidor em relação à sustentabilidade ambiental, oferecendo suporte empírico à TCP. No entanto, há pontos que merecem atenção crítica. Por exemplo, a amostra limitada pode restringir a generalização dos resultados, uma vez que as características específicas dos participantes podem influenciar as conclusões. Além disso, embora a TCP forneça uma estrutura sólida para entender as intenções de consumo, há outras variáveis importantes, como fatores culturais e econômicos, que podem não ter sido totalmente exploradas no estudo. Apesar dessas limitações, o texto ressalta importantes implicações gerenciais, como a necessidade de educar os consumidores sobre produtos ecológicos e promover a conscientização ambiental. Também destaca a importância de estudos futuros para aprofundar a compreensão desses comportamentos e sua ligação com as variáveis da TCP, bem como para investigar a relação entre intenção e comportamento efetivo. Ademais, o estudo oferece uma visão abrangente sobre a aplicação da TCP no contexto do consumo sustentável de cosméticos, fornecendo insights valiosos para pesquisadores, profissionais de marketing e formuladores de políticas interessados em promover comportamentos mais sustentáveis.