Medidas de associação ou relação: Regressão Linear

Para quaisquer dois conjuntos de dados que você possa encontrar, existem duas alternativas viáveis de coleta de dados que pode ser feito para descrever a interação entre os dois conjuntos.

A primeira é descrever o quanto as variáveis estão associadas. Utiliza-se para isso a correlação já ensinada, onde o tamanho do coeficiente de correlação indicada o quanto estão associadas.

A segunda é tentar estabelecer uma relação entre as duas variáveis, onde consegue-se dizer o quanto uma variável muda se diminuirmos ou aumentarmos a segunda.

Como sabemos, o perímetro e o lado de um quadrado estão relacionados. A relação que os liga é perfeitamente definida e pode ser expressa por meio de uma sentença matemática:

\[ 2p = 4l \]

Onde 2p é o perímetro e l é o lado.

Atribuindo-se, então, um valor qualquer a R, é possível determinar exatamente o valor de 2p.

Consideremos, agora, a relação que existe entre o peso e a estatura de um grupo de pessoas. É evidente que essa relação não é do mesmo tipo da anterior; ela é bem menos precisa. Assim, pode acontecer que a estaturas diferentes correspondam pesos iguais ou que a estaturas iguais correspondam pesos diferentes. Contudo, em média, quanto maior a estatura, maior o peso.

As relações do tipo perímetro - lado são conhecidas como relações funcionais e as do tipo peso- estatura, como relações estatísticas. As relações estatísticas podem ser representadas a partir de uma função, também chamada de regressão linear simples.

- Predizer valores de uma variável dependente (Y) em função de uma variável independente (X).

- Conhecer o quanto variações de X podem afetar Y.

A regressão linear simples é usada para examinar a relação entre uma variável dependente e uma variável independente. Depois de realizar uma análise, as estatísticas de regressão podem ser usadas para prever a variável dependente quando a variável independente é conhecida. A regressão vai além da correlação, adicionando recursos de previsão.

As pessoas usam a regressão em um nível intuitivo todos os dias. Nos negócios, um homem bem vestido é considerado um sucesso financeiro. Uma mãe sabe que mais açúcar na dieta de seus filhos resulta em níveis mais altos de energia. A facilidade de acordar de manhã muitas vezes depende de quão tarde você foi para a cama na noite anterior. A regressão quantitativa adiciona precisão ao desenvolver uma fórmula matemática que pode ser usada para fins preditivos.

Por exemplo, um pesquisador médico pode querer usar o peso corporal (variável independente) para prever a dose mais apropriada para um novo medicamento (variável dependente). O propósito de executar a regressão é encontrar uma fórmula que se encaixe no relacionamento entre as duas variáveis. Em seguida, você pode usar essa fórmula para prever valores para a variável dependente quando apenas a variável independente for conhecida. Um médico pode prescrever a dose adequada com base no peso corporal de uma pessoa.

A linha de regressão (conhecida como a linha de mínimos quadrados) é um gráfico do valor esperado da variável dependente para todos os valores da variável independente. Tecnicamente, é a linha que "minimiza os resíduos quadrados". A linha de regressão é a que melhor se ajusta aos dados em um gráfico de dispersão.

Usando a equação de regressão, a variável dependente pode ser prevista a partir da variável independente. A inclinação da linha de regressão (b) é definida como a subida dividida pela corrida. A intersecção y (a) é o ponto no eixo y onde a linha de regressão interceptaria o eixo y. A inclinação e a intercepção y são incorporadas na equação de regressão. A interceptação é geralmente chamada de constante ou coeficiente linear e a inclinação é chamada de coeficiente angular. Como o modelo de regressão geralmente não é um preditor perfeito, há também um termo de erro na equação.

Na equação de regressão, y é sempre a variável dependente e x é sempre a variável independente. Aqui estão três maneiras equivalentes de descrever matematicamente um modelo de regressão linear:

\[ y = (\text{ângulo} x) + \text{intercepto} + \text{erro} \]

\[ y = (\text{coeficiente angular} · x) + \text{coeficiente linear} + \text{erro} \]

\[ y = a*x + b + e \]

Nós chamamos de regressão linear simples a reta que minima o erro, calculando A e B de forma que o valor esperado do erro seja zero.

As constantes são calculadas começando por A. Similar à correlação, o confieciente angular também é calculado a partir da covariância. Sua fórmula é a seguinte:

\[ a = \frac{\sigma_{x,y}}{\sigma_{x}^2} \]

O ângulo é a covariância dividida pela variância da variável independente. Nesse caso percebe-se que ao contrário do coeficinente angular, se mantém apenas uma variável no divisor, mantendo ainda a variância da variável dependente no modelo.

Sabendo-se A calcula-se B:

\[ y = a · x + b + e \]

\[E[y] = E[a · x + b + e] \]

\[ E[y] = E[a · x] + E[b] + E[e] \]

\[ \bar{y} = a · \bar{x} + b + 0 \]

\[ b = \bar{y} - a · \bar{x} \]

Alguns livros escrevem a fórmula direta:

\[ a = \frac{N · (\sum{X · Y}) - (\sum{X}) · (\sum{Y})}{N · (\sum{X^{2}}) - (\sum{X})^{2}} \]

\[ b = \frac{(\sum{Y}) - a · (\sum{X})}{N} \]

Com os coeficinete angular e linear podemos finalmente formar uma reta que melhor explica a relação entre duas variáveis:

Em uma relação linear, a reta será a que melhor explica essa relação devido à média dos errors ser zero!

Existem diferenças reais entre correlação e regressão linear, mas, felizmente, elas geralmente não importam. A correlação e a regressão linear fornecem exatamente o mesmo valor de associação (r²) e, para a maioria dos experimentos biológicos, esse é o único resultado realmente importante.

A principal diferença é que a correlação implica em associação entre duas variáveis, mas não em uma interferência direta entre elas, enquanto a regressão linear assume que o aumento da variável independente causa um efeito na variável dependente.

Normalmente muitos vêem a regressão linear como item a ser feito depois de analisada a correlação, onde é possível até visualmente analisar a relação entre duas variáveis.

Uma ótima forma de verificar se a reta é um bom ajuste para seus dados é pelo coeficiente de determinação: r². Ao final o r² é apenas a correlação ao quadrado, por este motivo, considera-se que verificar a regressão linear é muito similar a verificar a correlação entre os dados.

Apesar do coeficiente de correlação dar o mesmo resultado que o coeficiente de determinação numa regressão linear simples, eles são calculados de maneiras diferentes. O coeficiente de determinação é a variação dos dados observados em relação à reta dividido pela variação dos dados:

\[ r² = \frac{\text{Variação dos dados observados em relação à reta}}{\text{Variação total}} \]

Por este motivo, a regressão linear também é conhecida pela regressão dos mínimos quadrados devido à diminuir ao máximo o quadrado dos erros observados.

1) Qual a diferença entre correlação e regressão linear?

2) Faça o gráfico de dispersão e a reta que melhor se ajusta aos dados abaixo:

3) No exercício anterior verificou-se que a covariância dos dois conjuntos de dados vale 485,71 e a variância da variável independente (mês) vale 4. Qual o coeficiente angular e linear da reta da regressão linear?

4) Uma loja anotou quantos sungas vendia em 4 dias do ano. Calcule a equação da reta que melhor se ajuste aos seguintes pontos:

5) No exercício anterior quantas sungas é esperado vender com 40 graus?

6) Sabe-se que quanto mais estudar, maior sua nota. Um aluno duvidando disso resolve verificar o tempo de estudo e a nota de cada aluno em sua classe. Percebeu que a média do tempo de estudo foi de 4 horas e a nota média foi de 7. Percebeu também que a covariância dos dois conjuntos de dados foi de 8 e a variância do tempo de estudo foi de 5. A partir de uma regressão linear, qual a reta que melhor explica a relação entre estudar e sua nota final?

7) No exercício anterior, zezinho teve nota 5,4. Quanto tempo ele estudou pela regressão? Se ele precisava ter nota 8,6 para passar, o quanto ele precisava ter estudado pela regressão?

3) Y = 2128,5713 + 121,4286 · X

4) Y = 1,9 · X - 26

5) 50 sungas

6) Y = 1,6 · X + 0,6

7) Ele estudou 3 horas. Precisava ter estudado 5 horas.

http://www.biostathandbook.com/linearregression.html

https://www.statpac.com/statistics-calculator/correlation-regression.htm

http://www.kean.edu/~fosborne/bstat/09rc.html

https://edisciplinas.usp.br/pluginfile.php/1479289/mod_resource/content/0/regr_lin.pdf