Dicas e Técnicas para Estatística e Melhoria da Qualidade

Você realizou uma regressão linear múltipla e estabeleceu um modelo que contém várias variáveis preditoras que são estatisticamente significativas. Nesse ponto, normalmente surge a pergunta: "Qual variável é mais importante?”

Anteriormente, escrevemos sobre como interpretar os coeficientes de regressão e seus valores-p individuais.

Na estatística, os testes-t são um tipo de teste de hipóteses que permite comparar médias. Eles são chamados de testes-t porque cada um deles resume seus dados amostrais em um número, o valor-t. Se você entender como os testes-t calculam os valores-t, você estará no caminho certo para entender como esses testes funcionam.

Escolher o modelo correto de regressão linear pode ser difícil, e tentar criar o modelo com apenas uma amostra não facilita nada. Neste post revisaremos alguns métodos estatísticos comuns para a seleção de modelos, complicações que você poderá enfrentar e forneceremos alguns conselhos práticos para escolher o melhor modelo de regressão.

Anteriormente eu escrevi sobre quando escolher a regressão não-linear e como modelar a curvatura com regressão linear e não-linear. Desde então, recebi vários comentários expressando confusão sobre o que diferencia equações não-lineares de equações lineares. Essa confusão é compreensível porque os dois tipos podem modelar curvas.

Na análise de regressão observamos as correlações entre uma ou mais variáveis de entrada, ou fatores, e uma resposta. Podemos ver como o tempo de cozimento e a temperatura do forno se relacionam com a dureza de um pedaço de plástico, ou como os níveis educacionais e a região de seu nascimento estão relacionados à renda anual. O número de fatores potenciais que você pode incluir em um modelo de regressão é limitado...

O R-quadrado recebe toda a atenção quando se trata de determinar quão bem um modelo linear se ajusta aos dados. No entanto, afirmei anteriormente que o R-quadrado é sobrevalorizado. Será que existe uma estatística de adequação do ajuste diferente que possa ser mais útil? Com certeza!

*Alguns dos links relacionados podem conter informações em outros idiomas

Podemos dizer com segurança que a maioria das pessoas que usam estatísticas está mais familiarizada com análises paramétricas do que com análises não paramétricas. Os testes não paramétricos também são chamados de testes sem distribuição, porque não pressupõem que seus dados sigam uma distribuição específica.