Baixe o app para aproveitar ainda mais
Prévia do material em texto
Regressão Múltipla: 1º Teste: Durbin Watson (Autocorrelação Serial) K= nº de variáveis independentes N = tamanho da amostra Especial: Análise de Cluster: Z = 2º Teste: Tolerance e VIF (Multicolinearidade) Tolerance quanto maior, melhor Vif quanto menor, melhor De infinito a 1: não há multicolinearidade De 1 a 0,1: existe multicolinearidade, mas é aceitável De 0,1 a 0: existe multicolinearidade e é inaceitável De 0 a 1: não há multicolinearidade; De 1 a 10: existe multicolinearidade, mas é aceitável De 10 a infinito: existe multicolinearidade e é inaceitável 3º Teste: Pesaran-Pesaran (Homocedasticidade) “Sig Anova” Variável dependente: ZRE_2 H0: b = 0 Ha: b ≠ 0 Se sig > α, não rejeita H0. Isso é bom! 4º Teste: KS (Normalidade) “Sig Assint” H0: são normais Ha: não são normais Se sig > α, não rejeita H0. Isso é bom! Anova “Sig Anova” Variável dependente: CR? (meu trabalho) Variável independente: Todas as outras H0: b = 0 Ha: b ≠ 0 Se sig > α, não rejeita H0 Obs: A única diferença são as variáveis que estamos analisando. Depois: Ver as variáveis que sig < α, na tabela de Tolerance e VIF. As que sig < α, mantém. Sig > α, elimina. Nova Regressão: Se sig > α, não rejeita H0 Variável dependente: CR? (meu trabalho) Variável independente: As que foram mantidas Pegar os coeficientes não padronizados, da coluna do B e montar a função de regressão múltipla Regressão Logística: 0 = Não 1 = Sim 1º) ln y = 3x + 4y y = 2º) Razão de chance = 3º) y * Razão de chance 4º) P (sucesso) = Razão de sucesso = ∆ % anterior e da atual em pontos percentuais Análise Fatorial: Teste KMO (Kaiser – conjunto): 0 ≤ KMO ≤ 1 KMO < 0,5 Análise Fatorial não é indicada KMO > 0,5 Análise Fatorial é indicada Teste Barlett (conjunto): H0: Todos os pares de variáveis têm correlação = 0 Ha: Pelo menos um par não têm correlação = 0 Se sig < α, rejeita H0. Isso é bom! Quanto mais próximo de 0 for o sig, melhor “Teste” MSA (individual): MSA > 0,5 variável permanece na Análise Fatorial MSA < 0,5 variável sai da Análise Fatorial Olhar os valores que tem o a elevando ( )ª na matriz anti imagem. Se for < 0,5, a variável sai “Tabela: Variância total explicada” Pelo critério Kaiser: os maiores que 1, do 1º Total Pelo gráfico: onde tem a quebra do cotovelo “Tabela: Matriz de componente rotativa” qtde de fatores, tem que ser parecidos na mesma coluna “Tabela: Comunalidades” próximo de 1 é bom! Menor que 0,4 deve ser abandonada. Análise Discriminante: Teste de Box’s M: H0: b = 0 (Há homogeneidade) Ha: b ≠ 0 (Não há homogeneidade) Se sig > α, não rejeita H0. É bom ser homogêneo Teste: Wilk’s Lambda: H0: µ0 = µ1 (A média dos grupos é igual) Ha: µ0 ≠ µ1 (A média dos grupos não é igual) Se sig > α, não rejeita H0. É bom não ser igual Wilk’s Lambda ideal é bem baixo. Eigenvalue: x% da variação da classificação é explicada pelo conjunto das variáveis independentes consideradas “Canonical Correlation” ^ 2 = 0,4624 indica que 46,24% da variável dependente pode ser representada pelo método adotado. Função Discriminante: Z = - 4,13 + (-0,048*Idade) + (0,538*Escolaridade) + (0,577*Sexo) Obs: -4,13 é a constante Quando a variável é negativa (-0,048) exerce influência negativa e vice-versa. “Score” de corte: Grupos de mesmo tamanho Zec = Grupos de tamanhos diferentes Zec = Obs: 1 com 2 e 2 com 1 “Tabela: Function at Groups Centroits”: = -0,399 1 (Positivo) - 0,399 ----------------------------------------------- 0 (Negativo)
Compartilhar