v1 · padrão canônico

Lição 106 — Regressão múltipla

Modelo com p preditores, solução matricial OLS, R² ajustado, multicolinearidade, seleção de variáveis e diagnóstico de pressupostos.

Usado em: Stochastik LK alemão (Klasse 12) · H2 Mathematics Singapura (§15) · econometria introdutória

\hat{\boldsymbol\beta} = (X^TX)^{-1}X^T\mathbf{y}

Na regressão múltipla com $p$ preditores, o estimador OLS é a solução matricial das equações normais. Cada coeficiente $\hat\beta_j$ mede o efeito de $X_j$ sobre $Y$ mantendo os demais preditores fixos — o chamado efeito parcial.

Escolha sua porta

Notação rigorosa, derivação completa, hipóteses

Definição rigorosa

Modelo de regressão linear múltipla

Definição· Modelo e notacao matricial

Para $n$ observações e $p$ preditores:

$Y_i = \beta_0 + \beta_1 X_{i1} + \beta_2 X_{i2} + \cdots + \beta_p X_{ip} + \varepsilon_i, \quad \varepsilon_i \stackrel{i.i.d.}{\sim} \mathcal{N}(0,\sigma^2)$

Em forma matricial: $\mathbf{Y} = X\boldsymbol\beta + \boldsymbol\varepsilon$ , onde:

$\mathbf{Y} \in \mathbb{R}^n$ : vetor de respostas.
$X \in \mathbb{R}^{n\times(p+1)}$ : matriz de design (primeira coluna de 1s para o intercepto).
$\boldsymbol\beta \in \mathbb{R}^{p+1}$ : vetor de coeficientes.
$\boldsymbol\varepsilon \in \mathbb{R}^n$ : vetor de erros.

"The multiple regression model is $y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \cdots + \beta_k x_k + \varepsilon$ . The coefficient $\beta_i$ measures the expected change in $y$ per unit change in $x_i$ when all other predictors are held constant." — OpenIntro Statistics, §8.1, p. 362

Métricas de ajuste

Inferência

Representação matricial do modelo: $\mathbf{Y} = X\boldsymbol\beta + \boldsymbol\varepsilon$ . A primeira coluna de 1s em $X$ gera o intercepto $\beta_0$ .

Exemplos resolvidos

Exemplo— 106.1· Ajuste e interpretacao com dois preditores

Problema. Regressão do salário anual $Y$ (R$ mil) sobre experiência $X_1$ (anos) e escolaridade $X_2$ (anos de estudo) produziu: $hat Y = -12 + 2{,}8 X_1 + 5{,}2 X_2$ , com $n=50$ , $R^2=0{,}74$ , $bar R^2=0{,}73$ .

Interprete cada coeficiente e calcule a previsão para um profissional com 10 anos de experiência e 16 anos de estudo.

Estratégia. Interpretar cada $\hat\beta_j$ como efeito parcial (ceteris paribus). Substituir os valores na equação ajustada.

Resolução.

$\hat\beta_0 = -12$ : intercepto (sem interpretação substantiva isolada — nenhum profissional tem zero anos de experiência e estudo).
$hatbeta_1 = 2{,}8$ : controlando escolaridade, cada ano adicional de experiência está associado a R$ 2.800/ano a mais, em média.
$hatbeta_2 = 5{,}2$ : controlando experiência, cada ano adicional de estudo está associado a R$ 5.200/ano a mais.

Previsão: $hat Y = -12 + 2{,}8times10 + 5{,}2times16 = -12+28+83{,}2 = 99{,}2$ mil R$/ano.

Verificação. $\bar R^2 = 0{,}73$ próximo de $R^2 = 0{,}74$ : apenas 2 preditores, pouca penalização — modelo parsimonioso.

Fonte. OpenIntro Statistics, §8.1, Exemplo 8.1 — CC-BY-SA

Exemplo— 106.2· R² ajustado na selecao entre modelos

Problema. Três modelos para prever o consumo de energia elétrica domiciliar ( $n=80$ ):

Modelo	Preditores	$R^2$	$\bar R^2$
M1	área	0,61	0,61
M2	área + nº moradores	0,71	0,70
M3	área + nº moradores + renda + temperatura + dia semana	0,74	0,70

Qual modelo preferir?

Estratégia. Comparar $\bar R^2$ — penaliza por número de preditores.

Resolução.

M2 e M3 têm o mesmo $\bar R^2 = 0{,}70$ , mas M3 usa 5 preditores contra 2 de M2. Pelo princípio da parcimônia (navalha de Occam), M2 é preferido: adicionar 3 preditores não melhora o $\bar R^2$ — eles não contribuem informação líquida.

Note que $R^2$ de M3 (0,74) supera M2 (0,71) — mas $R^2$ sempre cresce com preditores adicionais, mesmo irrelevantes.

Verificação. Poderia confirmar com AIC/BIC: $AIC = n\ln(SSE/n) + 2(p+1)$ — menor é melhor.

Fonte. OpenIntro Statistics, §8.3, Tabela 8.7 — CC-BY-SA

Exemplo— 106.3· Teste F global e tabela ANOVA

Problema. Regressão com $p=3$ preditores, $n=40$ : $SST=2400$ , $SSE=720$ . Monte a tabela ANOVA e teste $H_0: \beta_1=\beta_2=\beta_3=0$ ao nível 5%.

Estratégia. Calcular SSR, df, MS, F; comparar com valor crítico $F_{3,36;\,0{,}05}$ .

Resolução.

$SSR = 2400-720 = 1680$ ; $R^2 = 1680/2400 = 0{,}70$ .

Fonte	SS	df	MS	F
Regressão	1680	3	560	28,0
Erro	720	36	20	—
Total	2400	39	—	—

$F_{3,36;\,0{,}05} \approx 2{,}87$ . Como $F = 28{,}0 \gg 2{,}87$ , rejeitamos $H_0$ : o modelo como um todo é altamente significativo.

Verificação. $MSE = 20 \implies \hat\sigma = \sqrt{20} \approx 4{,}47$ — desvio padrão residual em unidades de $Y$ .

Fonte. OpenStax Statistics, §13.4 — CC-BY

Exemplo— 106.4· Detectar multicolinearidade via VIF

Problema. Regressão do preço de um veículo ( $Y$ ) sobre potência ( $X_1$ ), cilindrada ( $X_2$ ) e peso ( $X_3$ ). Regressões auxiliares: $R_1^2=0{,}89$ ( $X_1$ sobre $X_2, X_3$ ), $R_2^2=0{,}91$ , $R_3^2=0{,}85$ . Calcule os VIFs e avalie.

Estratégia. $VIF_j = 1/(1-R_j^2)$ .

Resolução.

$VIF_1 = 1/(1-0{,}89) = 9{,}09$ ; $VIF_2 = 1/(1-0{,}91) = 11{,}1$ ; $VIF_3 = 1/(1-0{,}85) = 6{,}67$ .

$VIF_2 = 11{,}1 > 10$ : cilindrada apresenta multicolinearidade severa com as demais variáveis.

Ação: remover $X_2$ do modelo ou combinar $X_1$ e $X_2$ em um índice composto (análise de componentes principais).

Verificação. Após remover $X_2$ , recalcular VIFs para os preditores restantes.

Fonte. OpenIntro Statistics, §8.4 — CC-BY-SA

Exemplo— 106.5· Variável dummy e interacao

Problema. Prever salário $Y$ (R$ mil/ano) usando experiência $X_1$ (anos) e gênero $D$ (1=feminino, 0=masculino). Resultado: $hat Y = 45 + 2{,}5X_1 - 8D$ .

Interprete o coeficiente de $D$ e calcule os salários previstos para: (a) homem com 10 anos de experiência; (b) mulher com 10 anos de experiência.

Estratégia. A variável dummy cria dois interceptos diferentes (um por gênero), mantendo inclinação igual.

Resolução.

$hatbeta_D = -8$ : controlando experiência, mulheres ganham em média R$ 8.000/ano a menos do que homens — diferença bruta (não causal, pois não controlamos setor, cargo, jornada).

(a) Homem ( $D=0$ ), $X_1=10$ : $hat Y = 45 + 25 - 0 = 70$ mil R$/ano.

(b) Mulher ( $D=1$ ), $X_1=10$ : $hat Y = 45 + 25 - 8 = 62$ mil R$/ano.

Verificação. A diferença é constante ( $-8$ ) para qualquer nível de experiência — modelo sem interação assume efeito aditivo. Para permitir inclinações diferentes, adicionar $X_1 \times D$ .

Fonte. OpenIntro Statistics, §8.2, Exemplo 8.4 — CC-BY-SA

Lista de exercícios

42 exercícios · 10 com solução desenvolvida (25%)

Aplicação 23Compreensão 7Modelagem 6Desafio 5Demonstração 1

Ex. 106.1Aplicação
Um modelo de regressão múltipla prevê o peso médio de bebês ao nascer (em onças) usando como preditores: fumar (1 = fumante, 0 = não fumante) e paridade (número de filhos anteriores). Escreva a equação do modelo e interprete o coeficiente de fumar como efeito parcial.
Selecione a alternativa correta
O coeficiente de fumar mede o efeito total do tabagismo sobre o peso, ignorando outros fatoresO coeficiente de fumar mede o efeito parcial do tabagismo sobre o peso do bebê, controlando para paridadeO intercepto é o peso esperado de bebês de mães fumantes com paridade zeroA equação de regressão não pode incluir uma variável binária como fumar
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.1
Ver solução
Em regressão múltipla, cada coeficiente mede o efeito parcial — a mudança esperada em $Y$ por unidade de mudança no preditor, mantendo os demais fixos. O coeficiente de fumar indica quantas onças de diferença há no peso do bebê entre mães fumantes e não-fumantes, controlando para paridade.
Ex. 106.2AplicaçãoGabarito
O estudo sobre peso de bebês incluiu um segundo preditor: paridade (0 = primeiro filho, 1 = segundo ou posterior). Interprete o coeficiente de paridade na regressão múltipla e explique por que o coeficiente de fumar pode mudar ao incluir paridade no modelo.
Selecione a alternativa correta
A paridade mede o peso do bebê em onças por cada filho adicional, sem controle de fumoControlando para o hábito de fumar, cada filho anterior está associado a uma mudança no peso, medida pelo coeficiente de paridadeParidade é irrelevante para o peso e deve ser excluída do modeloO coeficiente de paridade é sempre negativo pois mais filhos implica menor atenção pré-natal
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.2
Ver solução
O coeficiente de paridade mede o efeito parcial — a mudança esperada no peso do bebê por filho adicional anterior, controlando para o hábito de fumar da mãe. Se fumar e paridade são correlacionadas, os coeficientes na regressão múltipla diferirão dos modelos simples separados.
Ver passo a passo (com o porquê)
1. Modelo múltiplo: $\hat Y = \hat\beta_0 + \hat\beta_1 \cdot \text{fumar} + \hat\beta_2 \cdot \text{paridade}$ .
2. O coeficiente $\hat\beta_2$ é o efeito parcial de paridade, controlando para fumo.
3. Compare o coeficiente de fumar no modelo simples (só fumar) com o da regressão múltipla — eles diferem por confundimento.
4. Conclusão: na regressão múltipla, cada coeficiente isola o efeito de uma variável mantendo as demais constantes.
Ex. 106.3Aplicação
Considere três modelos: (1) peso ~ fumar; (2) peso ~ paridade; (3) peso ~ fumar + paridade. Os coeficientes de fumar nos modelos 1 e 3 devem ser iguais? Justifique e explique o papel do confundimento.
Selecione a alternativa correta
Os coeficientes do modelo múltiplo são iguais aos modelos simples separados, pois OLS é linearO modelo múltiplo com fumar e paridade pode ter coeficientes diferentes dos modelos simples, por confundimentoO R² do modelo múltiplo é sempre menor que os R² dos modelos simplesSó é possível comparar modelos com o mesmo número de preditores
Selecione uma opção primeiro
OpenIntro Statistics · §9.1 · ex. 9.3
Ver solução
Quando duas variáveis são correlacionadas entre si (como fumar e paridade), os coeficientes na regressão múltipla diferem dos modelos simples. O modelo múltiplo isola o efeito parcial de cada preditor, eliminando o confundimento mútuo. O $\bar R^2$ permite comparar os modelos penalizando pela complexidade.
Ex. 106.4AplicaçãoGabarito
Pesquisadores modelaram o absentismo escolar ( $Y$ , dias de ausência) em função de falta de disciplina ( $X_1$ ) e distância da escola ( $X_2$ , km): $\hat Y = \hat\beta_0 + \hat\beta_1 X_1 + \hat\beta_2 X_2$ . O que representa o intercepto $\hat\beta_0$ nesse modelo?
Selecione a alternativa correta
O intercepto é o número médio de dias de ausência para um aluno com falta de disciplina zero e distância zeroO intercepto mede o efeito da distância sobre o absentismoO intercepto é a correlação entre falta de disciplina e absentismoO intercepto é sempre zero em modelos de regressão múltipla
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.4
Ver solução
Em qualquer regressão múltipla com intercepto, $\hat\beta_0$ é o valor predito de $Y$ quando todos os preditores são zero. Para o modelo de absentismo, é o número médio de dias ausentes esperado para um aluno com ausência de disciplina zero e distância zero da escola. Pode não ter interpretação prática útil se zero não está no intervalo amostrado.
Ex. 106.5AplicaçãoGabarito
Uma pesquisa com 55 alunos da Universidade Duke modelou o GPA em função de horas de estudo por noite, número de aulas perdidas e sexo. O que o coeficiente de horas de estudo representa no modelo múltiplo?
Selecione a alternativa correta
O coeficiente de horas de estudo mede o efeito total de estudar, incluindo efeitos de aulas perdidas e sexoO coeficiente de horas de estudo mede o efeito parcial de uma hora adicional de estudo, controlando para aulas perdidas e sexoO coeficiente de horas de estudo é a correlação de Pearson entre GPA e horasO coeficiente de horas de estudo e o R² do modelo simples de GPA em horas
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.5
Ver solução
Na pesquisa com 55 alunos da Duke, o modelo múltiplo isola o efeito de cada hora adicional de estudo sobre o GPA, controlando para o número de aulas perdidas e o sexo do estudante. Cada coeficiente é um efeito parcial (ceteris paribus).
Ver passo a passo (com o porquê)
1. Modelo: $\hat{\text{GPA}} = \hat\beta_0 + \hat\beta_1 \cdot \text{horas} + \hat\beta_2 \cdot \text{aulas perdidas} + \hat\beta_3 \cdot \text{sexo}$ .
2. O coeficiente $\hat\beta_1$ é o efeito parcial: mantendo aulas perdidas e sexo constantes, cada hora adicional de estudo está associada a uma mudança de $\hat\beta_1$ no GPA.
3. Se $\hat\beta_1 > 0$ : estudar mais está associado a GPA maior, dado o mesmo nível de frequência e sexo.
Ex. 106.6AplicaçãoGabarito
Madeireiras estimam o volume de árvores (pés cúbicos) a partir do diâmetro ( $X_1$ , polegadas) e altura ( $X_2$ , pés). Um modelo inclui diâmetro, altura e a interação diâmetro×altura. Por que incluir o termo de interação melhora o ajuste nesse contexto?
Selecione a alternativa correta
O modelo com diâmetro, altura e a interação diâmetro×altura captura melhor o volume do que os preditores separadosIncluir a interação diâmetro×altura sempre reduz o R² ajustadoO produto diâmetro×altura só é útil se os dois preditores são independentesUsar a interação é equivalente a modelar apenas o diâmetro ao quadrado
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.6
Ver solução
O volume de madeira tem uma relação geométrica com diâmetro e altura. Incluir o termo de interação $X_3 = X_1 \times X_2$ permite que o efeito do diâmetro sobre o volume varie com a altura — capturando a relação multiplicativa entre as dimensões. O $\bar R^2$ deve ser alto, refletindo a forte relação geométrica.
Ex. 106.7Modelagem
O modelo completo de peso de bebês inclui vários preditores. Usando o critério de eliminação backward (backward elimination), qual seria o primeiro preditor a ser removido e como essa decisão é tomada?
Selecione a alternativa correta
Remover o preditor com o maior valor-p no teste t parcial, pois esse é o menos significativo dado os demaisRemover o preditor com o menor coeficiente absoluto, pois é o de menor efeitoRemover todos os preditores com valor-p > 0,01 simultaneamenteNunca remover preditores — o modelo completo é sempre o melhor
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.7
Ver solução
Na seleção backward, o primeiro passo é identificar e remover o preditor menos significativo dado os demais — aquele com o maior valor-p no teste $t$ parcial. Isso é o início do processo de eliminação regressiva para obter um modelo parcimonioso.
Ver passo a passo (com o porquê)
1. Verificar a tabela de coeficientes do modelo de peso de bebês com múltiplos preditores.
2. Identificar o preditor com maior valor-p no teste $t$ parcial — esse preditor explica menos variância dado os demais.
3. Remover esse preditor e reajustar o modelo reduzido.
4. Verificar se o $\bar R^2$ sobe ou cai ao remover o preditor.
5. Repetir o processo até que todos os preditores restantes sejam significativos (backward elimination).
Ex. 106.8ModelagemGabarito
O modelo completo de absentismo escolar inclui falta de disciplina, distância da escola, sexo, número de irmãos e renda familiar. Usando backward elimination, descreva o processo para chegar a um modelo parcimonioso.
Selecione a alternativa correta
Manter todos os preditores do modelo completo, pois cada um pode contribuir margem mesmo com p-valor altoAplicar backward elimination: remover iterativamente o preditor menos significativo até que todos tenham p-valor abaixo do limiarUsar forward selection apenas quando o modelo completo tem multicolinearidade perfeitaSelecionar preditores pelo maior coeficiente absoluto, ignorando os erros padrão
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.8
Ver solução
Na seleção de modelos para absentismo, aplica-se backward elimination: começar com o modelo completo (falta de disciplina, distância, etc.) e remover o preditor menos significativo a cada passo, reajustando o modelo. Parar quando todos os preditores restantes têm valor-p abaixo do limiar (tipicamente 0,05) ou quando o $\bar R^2$ deixa de melhorar.
Ex. 106.9Modelagem
Após backward elimination no modelo de peso de bebês, obteve-se um modelo reduzido. Como usar o $\bar R^2$ para decidir se o modelo reduzido é melhor que o completo?
Selecione a alternativa correta
O modelo reduzido tem melhor ajuste se o R² bruto for maior que o do modelo completoO modelo reduzido é preferível se seu R² ajustado for maior ou igual ao do modelo completoO modelo reduzido é sempre preferível ao completo por parcimônia, independentemente do R² ajustadoO modelo completo é sempre preferível pois tem menor SSE por definição
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.9
Ver solução
Após eliminar preditores pouco significativos do modelo de peso de bebês, o modelo reduzido é preferível se tiver $\bar R^2$ igual ou superior ao completo. O $\bar R^2$ penaliza pela complexidade: se cai ao remover um preditor, esse preditor contribui informação real. Se sobe ou mantém, o preditor era redundante.
Ex. 106.10Modelagem
Após aplicar backward elimination ao modelo de absentismo, o modelo reduzido manteve apenas falta de disciplina e distância. O $\bar R^2$ do modelo reduzido é 0,56 e o do completo é 0,54. Qual modelo é preferível e por quê?
Selecione a alternativa correta
O modelo reduzido de absentismo é preferível se tiver menor SSE que o completoO modelo reduzido de absentismo é preferível se tiver maior R² ajustado que o completo, indicando melhor parcimôniaO modelo reduzido nunca é comparado ao completo pelo R² ajustadoO modelo com AIC maior é sempre o melhor por ter mais informação
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.10
Ver solução
O critério de comparação adequado entre modelos com diferentes números de preditores é o $\bar R^2$ (ou o AIC). Um $\bar R^2$ maior indica melhor ajuste penalizado pela complexidade. Se o modelo reduzido de absentismo tem $\bar R^2$ maior ou igual ao completo, é preferível por ser mais parcimonioso.
Ex. 106.11Compreensão
Uma cientista social quer modelar a nota média de críticos para filmes em função de: orçamento, duração, gênero do filme e gênero do diretor. Que tipo de modelo de regressão é apropriado e como tratar as variáveis categóricas?
Selecione a alternativa correta
A pesquisadora deve usar regressão logística pois a variável resposta é binária (nota do crítico sim/não)A pesquisadora pode usar regressão linear múltipla se a nota do crítico for numérica e contínuaRegressão múltipla não pode incluir variáveis categóricas como gênero do diretorCom mais de 3 preditores, a regressão múltipla perde validade estatística
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.11
Ver solução
Quando a variável resposta é numérica e contínua (como nota do crítico), a regressão linear múltipla é o modelo adequado. Variáveis categóricas (gênero do diretor, gênero do filme) são incluídas como dummies. Se a resposta fosse binária (sucesso/fracasso), usaríamos regressão logística.
Ex. 106.12Compreensão
Uma empresa de streaming quer construir um modelo de regressão para prever a avaliação de usuários de filmes usando como preditores: gênero, duração, nota de críticos, orçamento e ano de lançamento. Como a seleção de variáveis melhora esse sistema?
Selecione a alternativa correta
Um sistema de recomendação de filmes deve usar regressão simples pois só há uma variável resposta por usuárioRegressão múltipla pode ser usada para prever avaliação de filmes com múltiplos preditores; backward elimination remove preditores pouco relevantesA seleção de variáveis não é necessária em sistemas de recomendação pois todos os preditores são relevantesO R² é o único critério válido para seleção de modelos em sistemas de recomendação
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.12
Ver solução
Um sistema de recomendação pode usar regressão múltipla para prever a avaliação de um usuário com base em características do filme (gênero, duração, orçamento, nota de críticos). Backward elimination remove preditores irrelevantes, e o $\bar R^2$ ou AIC guia a seleção do modelo final.
Ex. 106.13Compreensão
Verifique se a seguinte afirmação é verdadeira ou falsa: "O R² ajustado pode diminuir ao adicionar um preditor ao modelo de regressão múltipla." Justifique.
Selecione a alternativa correta
Verdadeiro: o R² ajustado sempre aumenta com o número de preditores adicionadosFalso: o R² ajustado pode diminuir ao adicionar preditores pouco informativos, penalizando a complexidadeVerdadeiro: o R² não ajustado e o ajustado são sempre iguais em modelos com muitos preditoresFalso: o R² ajustado não pode ser comparado entre modelos com diferentes tamanhos de amostra
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.R · ex. 9.19
Ver solução
O $R^2$ não ajustado nunca diminui ao adicionar preditores — é uma propriedade matemática do OLS. O $\bar R^2$ ajustado penaliza pelo número de parâmetros e pode diminuir quando o preditor adicionado contribui pouco. Por isso, $\bar R^2$ é o critério correto para comparar modelos com diferentes números de preditores.
Ex. 106.14Compreensão
Verifique se a afirmação é verdadeira ou falsa: "A regressão logística é apropriada quando a variável resposta é contínua e simétrica." Explique a diferença entre regressão linear e logística quanto à natureza da variável resposta.
Selecione a alternativa correta
Verdadeiro: a regressão logística é usada quando a variável resposta é contínua e positivaFalso: a regressão logística é usada quando a variável resposta é binária (0/1), não contínuaVerdadeiro: o output da regressão logística é a média condicional de Y dado XFalso: a regressão logística só pode ter um único preditor
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.R · ex. 9.20
Ver solução
A regressão logística é usada quando a variável resposta é binária (0 ou 1), como aprovação/reprovação, doente/saudável. O modelo prevê a probabilidade de Y=1 como uma função logística dos preditores: $P(Y=1) = e^{\eta}/(1+e^{\eta})$ , onde $\eta = \beta_0 + \beta_1 X_1 + \cdots$ . A regressão linear múltipla é para Y contínuo.
Ex. 106.15Modelagem
Filtros de spam são baseados em princípios similares à regressão logística. Que tipo de variável resposta tem um modelo de filtragem de spam? Por que se usa regressão logística em vez de linear?
Selecione a alternativa correta
Um filtro de spam usa regressão linear múltipla com Y = número de spams por diaUm filtro de spam usa regressão logística para estimar a probabilidade de um e-mail ser spam, com base em palavras-chave e remetenteFiltros de spam não usam modelos estatísticos, apenas regras fixas de palavras proibidasA regressão logística não pode ser usada com preditores categóricos como palavras-chave
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.R · ex. 9.21
Ver solução
Filtros de spam são classificadores binários: e-mail é spam (1) ou não (0). A regressão logística modela $P(\text{spam}=1 | X_1,\ldots,X_p)$ como função logística de preditores (frequência de palavras suspeitas, remetente desconhecido, etc.). Os coeficientes positivos aumentam a probabilidade de classificar como spam.
Ex. 106.16Modelagem
Um estudante analisou o retorno sobre investimento (ROI) de filmes usando regressão múltipla com gênero, orçamento e nota de críticos como preditores, obtendo $R^2 = 0{,}60$ . Quais são as limitações de interpretar esse $R^2$ como medida definitiva de ajuste?
Selecione a alternativa correta
R² = 0,60; o modelo linear explica 60% da variação no retorno, portanto é muito confiávelMesmo com R² = 0,60, o modelo pode sofrer overfitting se tiver muitos preditores; validação out-of-sample é necessáriaUm R² de 0,60 em regressão múltipla indica que o modelo é inválido e deve ser descartadoO R² de 0,60 é suficiente para confirmar causalidade entre os preditores e o retorno
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.R · ex. 9.22
Ver solução
Um $R^2 = 0{,}60$ indica que o modelo explica 60% da variação no retorno de filmes — razoável, mas não extraordinário. Com muitos preditores em amostra pequena, o modelo pode overfit. Validação cruzada out-of-sample (k-fold) fornece estimativa mais honesta do poder preditivo. Além disso, alto $R^2$ não implica causalidade.
Ex. 106.17Desafio
Um pesquisador aplicou backward elimination ao modelo de filtragem de spam e obteve um modelo final. Esse procedimento garante que o modelo encontrado tem o menor AIC possível entre todos os subconjuntos de preditores? Justifique.
Selecione a alternativa correta
Backward elimination garante encontrar o modelo ótimo global com menor AICBackward elimination pode não encontrar o modelo ótimo global, pois é um algoritmo guloso que não reverte decisões anterioresForward selection sempre produz modelos com mais preditores que backward eliminationAIC e backward elimination sempre concordam sobre qual modelo é o melhor
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.R · ex. 9.23
Ver solução
Backward elimination e forward selection são algoritmos gulosos — tomam a melhor decisão local a cada passo sem garantir ótimo global. Podem produzir modelos diferentes e nenhum garante encontrar o menor AIC entre todos os subconjuntos possíveis. A busca exaustiva (best subset) garante o ótimo, mas é computacionalmente inviável com muitos preditores ( $2^p$ modelos).
Ex. 106.18Aplicação
Em uma locadora de equipamentos, a taxa cobrada depende do número de horas de aluguel. Identifique a variável dependente e a variável independente nessa relação.
Selecione a alternativa correta
Variável dependente é o número de horas de aluguel; variável independente é a taxa cobradaVariável dependente é a taxa total cobrada; variável independente é o número de horas de aluguelAmbas as variáveis são dependentes em um modelo de regressão mútuaA variável independente deve ser sempre qualitativa em modelos de regressão
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 1
Ver solução
Em uma relação de aluguel de equipamento, a taxa total cobrada depende do número de horas de aluguel. Portanto: $Y$ (dependente) = taxa total cobrada; $X$ (independente) = número de horas de aluguel. O modelo é $\hat Y = \hat\beta_0 + \hat\beta_1 X$ , onde $\hat\beta_0$ é a taxa base e $\hat\beta_1$ é o custo por hora.
Ex. 106.19Aplicação
Uma locadora cobra uma taxa base de R$ 20 mais R$ 5 por hora de aluguel. Encontre a equação linear que expressa a taxa total $Y$ em função do número de horas $X$ .
Selecione a alternativa correta
A equação é Y = 5X + 20, onde X é o número de horas e a taxa base é R$ 5A equação é Y = 20 + 5X, onde Y é a taxa total, 20 é a taxa base (intercepto) e 5 é o custo por hora (inclinação)A equação é Y = 5 + 20X, onde 5 é a taxa base e 20 é o custo por horaA equação não pode ser expressa como função linear pois a taxa varia com o uso
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 2
Ver solução
Com taxa base de R\$ 20 e custo adicional de R\$ 5 por hora: $\hat Y = 20 + 5X$ , onde $\hat\beta_0 = 20$ (taxa fixa de locação) e $\hat\beta_1 = 5$ (custo por hora). Para 3 horas: $\hat Y = 20 + 5\times 3 = 35$ reais. (Resp: $\hat Y = 20 + 5X$ )
Ex. 106.20Aplicação
A equação $Y = 10 + 5x - 3x^2$ é um modelo de regressão linear? Justifique.
Selecione a alternativa correta
A equação Y = 10 + 5x - 3x² é linear porque o coeficiente de x é positivoA equação Y = 10 + 5x - 3x² não é linear porque contém o termo 3x², que é de segundo grau em xA equação é linear porque tem apenas duas variáveis: x e YA equação é linear porque os coeficientes 10, 5 e 3 são constantes
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 6
Ver solução
Um modelo de regressão é linear se for linear nos parâmetros e se cada preditor aparece com expoente 1. A equação $Y = 10 + 5x - 3x^2$ não é linear porque contém $x^2$ — o preditor $x$ aparece com expoente 2. É um modelo de regressão polinomial (grau 2), não linear.
Ex. 106.21Aplicação
Quais das seguintes equações são lineares? (a) $y = 6x + 8$ ; (b) $y + 7 = 3x$ ; (c) $y - x = 8x^2$ ; (d) $4y = 8$ .
Selecione a alternativa correta
Somente (a) e linear pois tem apenas termos de primeiro grau em x(a) e (b) são lineares; (c) não é linear pois tem x²; (d) é linear pois pode ser escrito Y = 2Todas as quatro equações são lineares pois têm apenas uma variável xNenhuma das equações é linear pois a variável Y também aparece no lado esquerdo
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 7
Ver solução
(a) $y = 6x + 8$ : linear ( $x$ com expoente 1). (b) $y + 7 = 3x$ $\Rightarrow y = 3x - 7$ : linear. (c) $y - x = 8x^2$ $\Rightarrow y = x + 8x^2$ : não linear (tem $x^2$ ). (d) $4y = 8$ $\Rightarrow y = 2$ : linear (reta horizontal, inclinação zero). (Resp: a, b, d)
Ex. 106.22AplicaçãoGabarito
Em um banco de dados com colunas "Ano" e "Número de casos de gripe diagnosticados", por que o ano é a variável independente e o número de casos é a variável dependente?
Selecione a alternativa correta
O ano é a variável dependente porque ele determina o número de casos de gripeO ano é a variável independente pois o número de casos é consequência do tempo, e não o contrárioAmbas as variáveis são independentes pois o tempo não causa gripeO número de casos de gripe é a variável independente pois é medido diretamente
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 9
Ver solução
O ano é a variável independente ( $X$ ) pois o número de casos de gripe ( $Y$ ) varia ao longo do tempo — o tempo não é causado pelo número de casos. Em modelos de séries temporais, o tempo é tipicamente o preditor. Isso não implica causalidade direta: outras variáveis (sazonalidade, vacinação) também afetam $Y$ .
Ex. 106.23Aplicação
Interprete o intercepto e a inclinação de uma equação de regressão simples $\hat Y = \hat\beta_0 + \hat\beta_1 X$ . Como essas interpretações se generalizam para a regressão múltipla?
Selecione a alternativa correta
O intercepto é zero pois a reta passa pela origem quando x = 0O intercepto é o valor predito de Y quando X = 0, e a inclinação é a mudança esperada em Y por unidade de XA inclinação é o valor médio de Y em toda a amostraO intercepto e a inclinação têm sempre o mesmo sinal
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 11
Ver solução
Na equação de regressão $\hat Y = \hat\beta_0 + \hat\beta_1 X$ : o intercepto $\hat\beta_0$ é o valor predito quando $X = 0$ ; a inclinação $\hat\beta_1$ é a variação média esperada em $Y$ por unidade de aumento em $X$ .
Ver passo a passo (com o porquê)
1. A equação de regressão simples é $\hat Y = \hat\beta_0 + \hat\beta_1 X$ .
2. O intercepto $\hat\beta_0$ : valor previsto de $Y$ quando $X = 0$ .
3. A inclinação $\hat\beta_1$ : mudança média em $Y$ para cada unidade adicional de $X$ .
4. Em regressão múltipla, cada coeficiente é interpretado como efeito parcial (mantendo os demais fixos).
Ex. 106.24AplicaçãoGabarito
Um modelo de regressão linear simples descreve a erosão de uma costa em toneladas de solo perdidas por ano. O que representam o intercepto e a inclinação nesse contexto?
Selecione a alternativa correta
Uma costa perde 5 toneladas de solo por ano, pois o intercepto é 5A inclinação indica quantas toneladas de solo são perdidas por ano; o intercepto é a quantidade inicial de soloO intercepto indica a taxa de erosão anual e a inclinação é a perda acumulada totalA quantidade de solo perdida não pode ser modelada por regressão linear pois é sempre positiva
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 13
Ver solução
Em um modelo de erosão costeira, se $Y$ = toneladas de solo perdidas e $X$ = anos: a inclinação $\hat\beta_1$ é a perda anual média de solo (toneladas/ano) e o intercepto $\hat\beta_0$ é a perda estimada no ano zero (início do período de observação).
Ex. 106.25Aplicação
No modelo de regressão do preço de uma ação em função do tempo, o investidor preferiria uma inclinação positiva ou negativa? Por quê?
Selecione a alternativa correta
Prefiro inclinação negativa pois significa que o preço da ação cai, reduzindo meu investimentoPrefiro inclinação positiva pois indica que o preço da ação tende a aumentar ao longo do tempoA inclinação é irrelevante; o que importa é o intercepto (preço inicial)Inclinação zero é a mais desejável pois indica estabilidade sem risco
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 16
Ver solução
Em um modelo de regressão onde $Y$ é o preço de uma ação e $X$ é o tempo, a inclinação positiva indica que o preço tende a aumentar com o tempo — desejável para quem detém a ação. Inclinação negativa indica tendência de queda; inclinação zero indica estagnação. Claro que o modelo linear é uma simplificação da dinâmica real dos mercados.
Ex. 106.26Aplicação
O que significa um valor de $r = 0$ para o coeficiente de correlação de Pearson? Isso implica que as variáveis são completamente independentes?
Selecione a alternativa correta
r = 0 indica correlação perfeita negativa entre as duas variáveisr = 0 indica ausência de correlação linear entre as duas variáveis; pode ainda existir relação não-linearr = 0 indica que Y não depende de nenhuma variávelr = 0 é impossível em amostras reais pois sempre há alguma correlação
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 23
Ver solução
O coeficiente de correlação de Pearson $r = 0$ indica ausência de relação linear entre as variáveis. Não significa que não há relação — pode existir uma relação não-linear (quadrática, exponencial, etc.) que $r$ não detecta. Em regressão múltipla, a correlação entre preditores (multicolinearidade) é distinta de $r$ entre preditor e resposta.
Ex. 106.27Aplicação
Quando $n = 2$ e $r = 1$ , os dados são estatisticamente significativos? Explique.
Selecione a alternativa correta
Com n = 2 e r = 1, a correlação é significativa pois r = 1 é o máximo possívelCom n = 2 e r = 1, os dados nunca são estatisticamente significativos; qualquer duas pontos definem uma reta perfeitaCom n = 2, o teste t tem df = 1 e o valor crítico é 12,7; como r = 1, T é infinito e rejeita-se H0A significância depende apenas de r, não de n
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 24
Ver solução
Com $n = 2$ , dois pontos sempre determinam uma reta perfeita, logo $r = 1$ automaticamente — sem exceção. O teste de significância tem $df = n - 2 = 0$ graus de liberdade, tornando o teste inválido. Com $n = 2$ , a estatística $T$ é indeterminada (divisão por zero). Portanto, $r = 1$ com $n = 2$ não é significativo no sentido estatístico.
Ex. 106.28AplicaçãoGabarito
Com $n = 100$ e $r = -0{,}89$ , há correlação significativa entre as variáveis? Justifique usando a estatística $T$ do teste de significância. (Resp: sim, correlação altamente significativa)
Selecione a alternativa correta
Não há correlação significativa pois r = -0,89 é negativoHá correlação significativa negativa pois com n = 100 e |r| = 0,89, o valor crítico é aproximadamente 0,197 < 0,89Não há correlação significativa pois n = 100 é uma amostra muito grande para confiar em rA correlação é significativa apenas se r > 0
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 25
Ver solução
Com $n = 100$ e $r = -0{,}89$ : $T = r\sqrt{(n-2)/(1-r^2)} = -0{,}89\sqrt{98/(1-0{,}7921)} = -0{,}89\sqrt{98/0{,}2079} \approx -0{,}89 \times 21{,}7 \approx -19{,}3$ . Com $df = 98$ , o valor crítico $t_{98;\,0{,}025} \approx 1{,}984$ . Como $|T| = 19{,}3 \gg 1{,}984$ , a correlação é altamente significativa.
Ex. 106.29Compreensão
Ao testar a significância do coeficiente de correlação, qual é a hipótese nula $H_0$ ?
Selecione a alternativa correta
H0: r = 1 (correlação perfeita entre as variáveis)H0: rho = 0 (ausência de correlação linear na população)H0: beta_1 = 1 (inclinação unitária na reta de regressão)H0: Y = X (as variáveis são iguais na população)
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 26
Ver solução
Ao testar a significância do coeficiente de correlação, a hipótese nula é $H_0: \rho = 0$ , onde $\rho$ (rho) é o coeficiente de correlação populacional. Rejeitá-la significa que há evidência de correlação linear entre as variáveis na população. A estatística de teste é $T = r\sqrt{(n-2)/(1-r^2)} \sim t_{n-2}$ sob $H_0$ .
Ex. 106.30Compreensão
Ao testar a significância do coeficiente de correlação, qual é a hipótese alternativa $H_1$ para um teste bilateral?
Selecione a alternativa correta
H1: rho = 0 (correlação nula como alternativa)H1: rho diferente de 0 (para teste bilateral) ou H1: rho > 0 / rho < 0 (para teste unilateral)H1: r = 1 (correlação perfeita como alternativa)H1: beta_1 diferente de 0 (inclinação diferente de zero)
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 27
Ver solução
A hipótese alternativa no teste do coeficiente de correlação é $H_1: \rho \neq 0$ (bilateral) quando não se tem direção esperada. Se houver razão para esperar correlação positiva: $H_1: \rho > 0$ ; correlação negativa: $H_1: \rho < 0$ . Em regressão múltipla, o teste $t$ parcial de cada coeficiente tem hipótese alternativa $H_1: \beta_j \neq 0$ .
Ex. 106.31AplicaçãoGabarito
No teste de significância do coeficiente de correlação com nível de significância $\alpha = 0{,}05$ e p-valor $= 0{,}04$ , qual é a conclusão?
Selecione a alternativa correta
Como p-valor = 0,04 > 0,01, não rejeitamos H0 ao nível 1%Como p-valor = 0,04 < 0,05, rejeitamos H0 ao nível 5% e concluímos que há correlação linear significativaComo p-valor = 0,04 > 0,05, não rejeitamos H0 ao nível 5% (erro de comparação)O p-valor de 0,04 é inconclusivo pois está muito próximo de 0,05
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 28
Ver solução
Com nível de significância $\alpha = 0{,}05$ e p-valor $= 0{,}04$ : como $0{,}04 < 0{,}05$ , rejeitamos $H_0: \rho = 0$ . Há evidência estatística de correlação linear entre as variáveis ao nível 5%. (Nota: ao nível 1%, não rejeitaríamos pois $0{,}04 > 0{,}01$ .)
Ex. 106.32Aplicação
Um modelo de regressão das vendas diárias de um produto em função do dia de operação ( $X$ ) é $\hat Y = 200 + 2X$ . Qual seria a previsão de vendas no dia 60?
Selecione a alternativa correta
Vendas no dia 60: hat Y = 50 + 3 * 60 = 230 unidadesVendas no dia 60: hat Y = 200 + 2 * 60 = 320 unidades (usando coeficiente correto)Vendas no dia 60 não podem ser previstas pois o modelo é extrapolaçãoVendas no dia 60: hat Y = 60 * 2 = 120 (ignora o intercepto)
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 29
Ver solução
Com o modelo $\hat Y = 200 + 2X$ (intercepto 200, inclinação 2): no dia 60, $\hat Y = 200 + 2 \times 60 = 200 + 120 = 320$ unidades. (Resp: $\hat Y = 320$ unidades)
Ex. 106.33AplicaçãoGabarito
Usando o mesmo modelo $\hat Y = 200 + 2X$ , qual é a previsão de vendas no dia 90?
Selecione a alternativa correta
Vendas no dia 90: hat Y = 200 + 2 * 90 = 380 unidadesVendas no dia 90: hat Y = 90 * 2 = 180 (ignora o intercepto)Vendas no dia 90: hat Y = 200 + 90 = 290 (ignora a inclinação)Vendas no dia 90 não podem ser previstas pois estão fora do intervalo de confiança
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 30
Ver solução
Usando $\hat Y = 200 + 2X$ : no dia 90, $\hat Y = 200 + 2 \times 90 = 200 + 180 = 380$ unidades. Atenção: previsão fora do intervalo amostral é extrapolação e pode ter maior incerteza. (Resp: $\hat Y = 380$ unidades)
Ex. 106.34Aplicação
O modelo da área restante a tosar (em acres) em função das horas de trabalho é $\hat Y = 100 - 2X$ . Quantos acres restam após 20 horas de trabalho?
Selecione a alternativa correta
Após 20 horas: hat Y = 100 - 2 * 20 = 60 acres restantes; o intercepto é a área inicialApós 20 horas: hat Y = 100 + 2 * 20 = 140 acres (sinal errado)Após 20 horas: hat Y = 2 * 20 = 40 acres (ignora o intercepto)Após 20 horas não restam acres pois a tosa demora exatamente 100 horas
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 31
Ver solução
Com o modelo $\hat Y = 100 - 2X$ (área restante em acres, horas trabalhadas como preditor): após 20 horas, $\hat Y = 100 - 2 \times 20 = 100 - 40 = 60$ acres restantes. O intercepto (100 acres) é a área total inicial. (Resp: 60 acres restantes)
Ex. 106.35Aplicação
Usando $\hat Y = 100 - 2X$ , quantos acres restam após 100 horas? O resultado faz sentido? O que esse resultado revela sobre os limites do modelo linear?
Selecione a alternativa correta
Após 100 horas: hat Y = 100 - 2 * 100 = -100 acres (extrapolação inválida)Após 100 horas: hat Y = 0 acres pois o modelo linear sempre chega a zeroApós 100 horas: hat Y = 100 - 100 = 0 acres (erro de cálculo)Após 100 horas: hat Y = 100 - 2 * 100 = -100 acres, o que indica que o modelo linear é válido além do domínio
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 32
Ver solução
Aplicando $\hat Y = 100 - 2 \times 100 = -100$ acres — valor negativo sem sentido físico. Isso é extrapolação além do domínio válido. O modelo linear prediz que toda a área é tosada quando $\hat Y = 0$ : $0 = 100 - 2X \Rightarrow X = 50$ horas. Usar o modelo além de 50 horas é extrapolação inválida.
Ex. 106.36Aplicação
Usando $\hat Y = 100 - 2X$ , em quantas horas toda a área é tosada (ou seja, quando $\hat Y = 0$ )?
Selecione a alternativa correta
Toda a área é tosada quando X = 50 horas, pois hat Y = 100 - 2*50 = 0Toda a área é tosada quando X = 100 horas, pois o intercepto é 100Toda a área é tosada quando X = 200 horas, pois 2*200/100 = 4 cicloshat Y nunca chega a zero pois a função linear é estritamente positiva
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 33
Ver solução
Toda a área é tosada quando $\hat Y = 0$ : $0 = 100 - 2X \Rightarrow 2X = 100 \Rightarrow X = 50$ horas. Portanto, o modelo prediz que toda a grama é tosada em 50 horas de trabalho. (Resp: $X = 50$ horas)
Ex. 106.37Compreensão
O que o coeficiente de determinação $R^2$ mede em um modelo de regressão? Um $R^2$ alto implica que X causa Y?
Selecione a alternativa correta
O R² sempre indica causalidade entre X e Y quando maior que 0,80O R² mede a proporção da variância de Y explicada pelo modelo, mas não implica causalidadeR² alto garante que as previsões do modelo são precisas fora da amostraR² e coeficiente de correlação r medem a mesma coisa em qualquer modelo
Selecione uma opção primeiro
Resolver online OpenStax Introductory Statistics · §12.P · ex. 21
Ver solução
O $R^2$ mede a proporção da variação total de $Y$ que é explicada pelo modelo. Em regressão simples, $R^2 = r^2$ . Um $R^2$ alto indica bom ajuste linear, mas não implica causalidade — correlação não é causalidade. Além disso, $R^2$ alto pode ser enganoso com overfitting (muitos preditores para poucos dados).
Ex. 106.38Desafio
Compare os coeficientes de fumar no modelo simples (só fumar como preditor) e no modelo múltiplo (fumar + paridade) para peso de bebês. Por que podem diferir? Qual efeito cada um mede?
Selecione a alternativa correta
No modelo simples, hat beta_1 de fumar pode ser mais negativo pois absorve o confundimento positivo com paridadeNo modelo simples, hat beta_1 de fumar pode diferir do modelo múltiplo por confundimento de paridade — o sinal e magnitude mudam ao controlar paridadeOs coeficientes de fumar são idênticos em ambos os modelos pois OLS é linearA adição de paridade só muda o intercepto, nunca o coeficiente de fumar
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.3
Ver solução
Quando dois preditores são correlacionados, os coeficientes de regressão simples e múltipla diferem — o coeficiente simples captura o efeito total (direto + via confundidor), enquanto o múltiplo isola apenas o efeito parcial. Esse fenômeno é central em epidemiologia e ciências sociais.
Ver passo a passo (com o porquê)
1. Modelo simples: $\hat Y = \hat\beta_0^{(s)} + \hat\beta_1^{(s)} \cdot \text{fumar}$ .
2. Modelo múltiplo: $\hat Y = \hat\beta_0^{(m)} + \hat\beta_1^{(m)} \cdot \text{fumar} + \hat\beta_2^{(m)} \cdot \text{paridade}$ .
3. Se fumar e paridade são correlacionados, $\hat\beta_1^{(s)} \neq \hat\beta_1^{(m)}$ .
4. O efeito de confundimento: no modelo simples, $\hat\beta_1^{(s)}$ captura tanto o efeito de fumar quanto a correlação com paridade.
5. O modelo múltiplo isola o efeito parcial de fumar, removendo o confundimento de paridade.
Ex. 106.39Desafio
Descreva a lógica e a fórmula do teste F global em regressão múltipla. Qual hipótese nula ele testa e qual distribuição usa para calcular o p-valor?
Selecione a alternativa correta
F = SSR/SSE independe dos graus de liberdade; valor crítico é sempre 3,84F = (SSR/p) / (SSE/(n-p-1)); sob H0 segue distribuição F com p e n-p-1 graus de liberdadeF = SST/SSE; quanto mais próximo de 1, melhor o modeloO teste F global testa individualmente cada coeficiente beta_j = 0
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.4
Ver solução
O teste F global testa $H_0: \beta_1 = \beta_2 = \cdots = \beta_p = 0$ (nenhum preditor é útil). A estatística $F = (\mathrm{SSR}/p)/(\mathrm{SSE}/(n-p-1))$ segue distribuição F com $p$ e $n-p-1$ graus de liberdade sob $H_0$ . Rejeitar $H_0$ indica que pelo menos um preditor explica variação em $Y$ .
Ver passo a passo (com o porquê)
1. Decomposição: $\mathrm{SST} = \mathrm{SSR} + \mathrm{SSE}$ .
2. Médias quadráticas: $\mathrm{MSR} = \mathrm{SSR}/p$ , $\mathrm{MSE} = \mathrm{SSE}/(n-p-1)$ .
3. Estatística F: $F = \mathrm{MSR}/\mathrm{MSE}$ .
4. Sob $H_0: \beta_1 = \cdots = \beta_p = 0$ : $F \sim F_{p,\,n-p-1}$ .
5. Rejeitar $H_0$ se $F > F_{p,\,n-p-1;\,\alpha}$ .
Ex. 106.40Demonstração
A partir da decomposição $\mathrm{SST} = \mathrm{SSR} + \mathrm{SSE}$ , derive a fórmula do $R^2$ e mostre que $0 \leq R^2 \leq 1$ . O que $R^2$ mede geometricamente?
Selecione a alternativa correta
R² = SSR/SST = 1 - SSE/SST; é a proporção da variância de Y explicada pelo modeloR² = SSE/SST; quanto maior o SSE, maior o R²R² = 1 + SSE/SST; o R² pode ser maior que 1 em modelos com muitos preditoresR² = SSR/SSE; a razão entre variância explicada e residual
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.1 · ex. 9.1
Ver solução
A decomposição ANOVA é $\mathrm{SST} = \mathrm{SSR} + \mathrm{SSE}$ . Dividindo ambos os lados por $\mathrm{SST}$ : $1 = \mathrm{SSR}/\mathrm{SST} + \mathrm{SSE}/\mathrm{SST}$ . Portanto $R^2 = \mathrm{SSR}/\mathrm{SST} = 1 - \mathrm{SSE}/\mathrm{SST}$ . Como $\mathrm{SSR} \geq 0$ e $\mathrm{SSE} \leq \mathrm{SST}$ , temos $0 \leq R^2 \leq 1$ . $R^2$ mede a fração da variabilidade total de $Y$ explicada pelos preditores.
Ex. 106.41Desafio
Um preditor em um modelo de regressão múltipla tem $\mathrm{VIF} = 15$ . O que esse valor indica e quais ações o analista pode tomar para remediar o problema?
Selecione a alternativa correta
VIF > 10 indica que o preditor deve ser removido imediatamente e sem exceçãoVIF > 10 sinaliza multicolinearidade severa; ações possíveis incluem remover o preditor, combinar preditores ou usar ridge regressionVIF > 10 indica apenas que o preditor tem inclinação maior que 10 no modeloVIF não pode ser maior que 10 em amostras com n > 100
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.2 · ex. 9.8
Ver solução
$\mathrm{VIF} > 10$ indica que a variância do estimador $\hat\beta_j$ é mais de 10 vezes maior do que seria sem colinearidade. Ações: remover o preditor colinear, combinar preditores via ACP, ou aplicar ridge regression. A escolha depende do objetivo (previsão vs. interpretação).
Ver passo a passo (com o porquê)
1. Calcular $\mathrm{VIF}_j = 1/(1-R_j^2)$ para cada preditor, onde $R_j^2$ é o $R^2$ da regressão de $X_j$ sobre os demais.
2. Se $\mathrm{VIF}_j > 10$ : $X_j$ tem multicolinearidade severa com os demais preditores.
3. Opções: (a) remover o preditor mais colinear; (b) combinar preditores correlacionados via PCA; (c) usar ridge regression ( $L_2$ ) para estabilizar os estimadores.
4. Recalcular VIFs após cada ação e verificar se melhorou.
Ex. 106.42Desafio
Por que a validação cruzada fornece uma estimativa mais honesta do poder preditivo de um modelo de regressão múltipla do que o $R^2$ calculado nos próprios dados de ajuste?
Selecione a alternativa correta
A validação cruzada reduz o R² do modelo, tornando-o menos precisoA validação cruzada estima o erro de previsão out-of-sample, detectando overfitting que o R² in-sample não revelaA validação cruzada só é útil quando n < 30Modelos com R² = 1 nunca precisam de validação cruzada pois têm ajuste perfeito
Selecione uma opção primeiro
Resolver online OpenIntro Statistics · §9.3 · ex. 9.23
Ver solução
Em modelos com muitos preditores relativos a $n$ , o $R^2$ in-sample superestima o ajuste por overfitting. A validação cruzada (k-fold ou leave-one-out) divide os dados em treino e teste, estimando o erro de previsão em dados não usados no ajuste. Um $R^2$ in-sample alto com RMSE de validação cruzada alto indica overfitting severo. O $\bar R^2$ e o AIC penalizam a complexidade, mas apenas a VC estima diretamente o erro preditivo.

Fontes

OpenIntro Statistics (4ª ed.) — Diez, Çetinkaya-Rundel, Barr · CC-BY-SA · Capítulo 8 (Multiple and logistic regression). Fonte primária para interpretação de coeficientes, $\bar R^2$ , multicolinearidade e variáveis dummy.
Statistics — OpenStax — Illowsky, Dean · CC-BY · Capítulo 13 (Linear Regression and Correlation — Multiple). Fonte para tabelas ANOVA de regressão múltipla e teste F global.
Probabilidade e Estatística — Wikilivros — colaborativo · CC-BY-SA · Seção de regressão múltipla. Referência em PT-BR com notação matricial.