| Dados de exemplo | |
| x - Idade (anos) (Variável independente) |
y - Altura (cm) (Variável dependente) |
|---|---|
| 5 | 110 |
| 7 | 120 |
| 9 | 120 |
| 11 | 135 |
| 13 | 155 |
| 15 | 168 |
Por que do ponto a linha?
Entender a regressão aos “pedaços” funciona, mas há limites. Aqui, reúno algumas “peças” de como a regressão linear funciona. Assim, um entendimento um pouco mais amplo dos cálculos que dão origem à regressão linear é exposto. A ideia é ir do plot dos pontos até as linhas de regressão e de intervalos de confiança. Isso pode servir como base para entender não só o funcionamento como também os usos e as limitações.
A intenção é apenas uma: entender de onde “surgem” as “coisas” em uma regressão linear simples. O aprofundamento foi até o limite do que meu conhecimento permitiu. E, como não sou matemático nem parente próximo, por enquanto assuntos mais complexos e fundamentais do cálculo e da álgebra ficarão de lado.
A regressão linear
A regressão linear é utilizada para quantificar e inferir a relação entre uma variável dependente e uma ou mais variáveis independentes. O princípio básico da regressão pode ser representado por:
\[ y = f(x) \tag{1}\]
Basicamente, o que se busca na regressão é encontrar uma reta em que o valor dos resíduos seja o menor possível. A função que descreve isso é dada como:
\[ \min_{\beta_0,\beta_1} \sum_{i=1}^{n} (y_i-(\beta_0-\beta_1x_i))^2 \tag{2}\]
Onde os termos \(\min_{\beta_0,\beta_1}\) dizem respeito a encontrar valores de \(\beta\) que minimizem a função; por minimizar entende-se retornar o menor valor da função. Já \(\sum_{i=1}^{n}\) é basicamente somar o resultado de cada operação dos \(()\). E, dentro dos \(()\), temos a operação que é o valor observado dado por \(y_i\) menos o \(y\) estimado pelos \(\beta_0;~\beta_1x_i\). Eleva-se ao quadrado para trabalhar com os valores negativos e por questões mais aprofundadas de derivada.
Ao fim, queremos os valores de \(\beta\) que levem à menor diferença entre o \(y\) estimado e o \(y\) observado.
Nota 1: Finalidade da regressão
O modelo matemático da regressão linear pode ser expresso como:
\[ y = \beta_{0} + \beta_{1} x + \epsilon \tag{3}\]
Além disso, é importante que os erros possuam uma distribuição normal com média zero e variância constante.
\[ \epsilon \sim N(0,\sigma^2) \tag{4}\]
No entanto, o modelo acima parte do pressuposto de que vamos encontrar os verdadeiros e pontuais valores para os \(\beta\)s, o que não é necessariamente verdade. Na realidade, o que realizamos na maior parte dos casos é encontrar os valores dos \(\beta\)s de uma amostra que, em teoria, deve ser uma representação da população (faça uma boa amostragem!). Com isso, o que encontramos na análise são valores médios para os \(\beta\)s que, dentro de intervalos de confiança, são encontrados como os verdadeiros valores na população. Sendo assim, a equação que utilizamos deve ser:
\[ \hat{y} = \hat{\beta_{0}} + \hat{\beta_{1}}x + \epsilon \tag{5}\]
Uma definição mais simples é realizada na seção abaixo.
Nomenclaturas
É importante definir alguns símbolos que denotam um significado distinto às variáveis, às estimativas dessas e ao modelo de regressão.
O \(y\) é a variável dependente ou resposta;
O \(\hat{y}\) é o valor da estimativa/predição;
O \(y_{i}\) indica o valor observado da observação \(i\), onde \(i\) assume valores diferentes para cada observação do conjunto de dados;
O \(\bar{y}\) é a média dos valores de \(y\) da amostra;
O \(x\) é a variável independente ou explicativa/preditora. Podemos ter mais de um \(x\) e poderíamos denotá-los como: \(x_{1}, x_{2}, ..., x_{n}\). Como a ideia é focar na regressão simples, apenas um \(x\) será usado;
O \(x_{i}\) indica o valor de \(x\) da observação \(i\), onde \(i\) assume valores diferentes para cada observação do conjunto de dados;
O \(\bar{x}\) é a média dos valores de \(x\) da amostra;
\(f(x)\) é o modelo, ou seja, a função de \(x\);
\(\epsilon\) é o erro do modelo (diferença entre o \(y\) previsto e o observado);
\(\epsilon_{i}\) é o erro para cada observação;
\(\beta_{0}\) é o intercepto do modelo (ponto em \(y\) onde a reta passa quando \(x\) assume valor \(0\)). Caso a relação do modelo exista na realidade, o \(\beta_{0}\) é o valor real da população;
\(\hat{\beta_{0}}\) é o intercepto estimado da amostra;
\(\beta_{1}\) é o coeficiente angular do modelo (variação em \(y\) com o aumento de uma unidade em \(x\)). Caso a relação do modelo exista na realidade, o \(\beta_{1}\) é o valor real da população;
\(\hat{\beta_{1}}\) é o coeficiente angular estimado da amostra;
Desenvolvendo a regressão linear
Dados e a pergunta
Para desvendar os mistérios dessa tal regressão linear simples, vamos utilizar os dados de exemplo da Tabela 1. São apenas 6 linhas de dados, o que é bem pouco; porém, a ideia central é desenvolver a conta e, para facilitar isso, faz-se necessário um exemplo com poucos dados. Nesses dados, imaginamos que temos como variável \(x\) a idade de diferentes pessoas e em \(y\) a altura de cada uma em cm.
O primeiro passo é se perguntar: A idade das pessoas tem efeito na altura?
Essa pergunta, para ser respondida por meio da regressão, deve ser expressa em termos da equação como: \[ Altura = \beta_{0} + \beta_{1} Idade + \epsilon \tag{6}\]
Nota 2: Para experimentos
Vale lembrar que em um experimento a pergunta é feita antes da análise e que o delineamento do experimento vai refletir a análise a ser utilizada.
Como temos apenas uma variável \(x\), podemos criar um gráfico traçando a interseção entre o eixo das abscissas ou \(x\) e o eixo das ordenadas ou \(y\) \((x;y)\) (Figura 1) e verificar como os dados estão dispersos.
O que podemos analisar é que parece existir uma relação entre a idade e a altura. Parece que as pessoas mais velhas também são mais altas, pelo menos nessa amostra. Esse é um primeiro indício de que podemos fazer uma regressão com esses dados.
Estimando os \(\beta\)s
Para estimar o \(\beta_1\) utilizamos a Equação 7:
\[ \hat{\beta_{1}} = \frac{\sum(x_{i}-\bar{x})(y_{i}-\bar{y})}{\sum(x_{i}-\bar{x})^2} \tag{7}\]
Aqui, observamos que no numerador temos o somatório do produto entre os desvios de \(x\) e de \(y\). A ideia é verificar o quanto os valores observados estão distantes da média, para cada eixo, e depois multiplicar essas distâncias para observar se a relação é positiva ou negativa. Assim, obtém-se se a relação é de crescimento ou de decrescimento. Ao fim, soma-se tudo, pois o objetivo é usar todos os dados para obter uma única reta. Já no denominador temos os desvios de \(x\) ao quadrado, o que serve para verificar o quanto \(x\) varia de forma isolada. A divisão é como se tivéssemos o quanto \(x\) e \(y\) variam juntos dividido pelo quanto \(x\) varia sozinho. Ao fim, o resultado é o quanto \(y\) muda para cada unidade de mudança em \(x\).
Já para o \(\beta_0\) é muito mais simples: basta isolá-lo e substituir o \(\beta_1\) encontrado pela Equação 7 em Equação 8:
\[ \hat{\beta_{0}} = \bar{y} - \hat{\beta_{1}} \bar{x} \tag{8}\]
Mas também podemos encontrar o \(\beta_0\) por meio da Equação 9.
\[ \hat{\beta}_0 = \frac{ \sum y_i \sum x_i^2 - \sum x_i \sum x_i y_i }{ n \sum x_i^2 - (\sum x_i)^2 } \tag{9}\]
No numerador temos o somatório dos valores observados de \(y\) (\(\sum y_i\)) multiplicado pelo somatório do quadrado dos valores observados de \(x\) (\(\sum x_i^2\)), tudo isso menos o somatório dos valores observados de \(x\) (\(\sum x_i\)) multiplicado pela soma dos produtos de \(x\) e \(y\) (\(\sum x_i y_i\)). Já no denominador temos o número de observações (\(n\)) multiplicado pelo somatório das observações de \(x\) ao quadrado (\(\sum x_i^2\)) menos o quadrado da soma de \(x\) (\((\sum x_i)^2\)). A ideia aqui é explicar quanto da altura da reta não se deve à inclinação (\(\hat{\beta_1}\)).
Estimando os betas do problema
A ideia é encontrar quais os melhores valores para \(\hat{\beta_{0}}\) e para \(\hat{\beta_{1}}\) com o menor erro possível. Para isso será utilizada a Equação 7 e a Equação 8.
Primeiro, calcula-se a média de \(x\) e de \(y\):
\[\bar{x} = \frac{\sum x_i}{n}\]
\[\bar{y} = \frac{\sum y_i}{n}\]
\[ \bar{x} = \frac{5+7+9+11+13+15}{6} = 10 \tag{10}\]
\[ \bar{y} = \frac{110+120+120+135+155+168}{6} = 134.67 \tag{11}\]
Depois, iniciamos o cálculo do \(\hat{\beta_1}\), e o primeiro passo é fazer a soma do produto dos desvios de cada observação em relação à média de \(x\) e de \(y\). Graficamente podemos observar o que está sendo realizado, conforme a Figura 2.
O numerador para o \(\hat{\beta_1}\) tem o valor de \(410\) e foi encontrado da seguinte forma:
\[ \begin{aligned} \sum(x_{i}-\bar{x})(y_{i}-\bar{y}) =\;& (5-10)*(110-134.67) + (7-10)*(120-134.67) + {} \\ & (9-10)*(120-134.67) + (11-10)*(135-134.67) + {} \\ & (13-10)*(155-134.67) + (15-10)*(168-134.67) \end{aligned} \]
\[ \sum(x_{i}-\bar{x})(y_{i}-\bar{y}) = 123.33+44+16.67+0.33+61+166.67= 410 \]
Já para o denominador temos um valor de \(70\), encontrado com base no seguinte cálculo:
\[ \begin{aligned} \sum(x_i - \bar{x})^2 = \;& (5 - 10)^2 + (7-10)^2 + (9-10)^2 + {} \\ & (11-10)^2 + (13-10)^2 + (15-10)^2 \end{aligned} \]
\[ \sum(x_i - \bar{x})^2 = 25+9+1+1+9+25 = 70 \tag{12}\]
Agora, para encontrar o \(\beta_1\), basta fazer a divisão, que resulta em 5.86.
\[\hat{\beta_1} = \frac{410}{70} = 5.86\]
Para o \(\beta_0\) é só fazer a substituição na equação de regressão (Equação 8) e obtemos o valor de 76.10.
\[ \hat{\beta_{0}} = 134.67 - 5.86 * 10 = 76.10 \]
Modelo final
Agora podemos descrever a equação completa (Equação 3) como:
\[ \hat{y} = 76.10 + 5.86x \tag{13}\]
E, graficamente, como na Figura 3, onde observamos o modelo e a equação que descreve a relação entre idade e altura para esses dados simulados. Um outro detalhe importante é que a regressão linear pelo método dos mínimos quadrados obrigatoriamente passará pela média de \(x\) e de \(y\), o que também observamos na Figura 3 no cruzamento das linhas tracejadas.
Ainda nos falta calcular se o modelo serve para algo, o \(R^2\), os intervalos de confiança dos coeficientes e a significância dos betas, além de interpretar o modelo.
Nota 3: Pressupostos
A análise de regressão possui pressupostos fortes que não devem ser ignorados. Por uma questão de objetivo, não realizarei a análise dos resíduos ou a verificação dos pressupostos.
Análise de variância da regressão
Uma forma muito interessante de verificar se o modelo é útil é por meio da análise das variâncias. Interprete “útil” como um modelo que consegue explicar parte da variabilidade dos dados de forma superior a um modelo nulo, que utiliza apenas a média.
Para chegar a isso, podemos descrever a diferença entre os valores observados e a média como: a diferença entre o valor estimado e a média mais a diferença entre o valor observado e o estimado (Equação 14).
\[ y_i - \bar{y} = (\hat{y}_i - \bar{y}) + (y_i - \hat{y}_i) \tag{14}\]
Em outras palavras, o primeiro componente após a igualdade na equação se refere ao modelo e ao quanto suas estimativas estão distantes do valor médio. Já a segunda parte diz respeito ao erro ou resíduo, que é o quanto da explicação não foi capturado pelo modelo (Figura 4).
Podemos elevar tudo ao quadrado e somar, obtendo assim a soma de quadrados. Essa também pode ser particionada, conforme a Equação 15. Assim teremos a soma de quadrados total \((SQT = \sum_{i=1}^{n}(y_i - \bar{y})^2)\), a soma de quadrados do modelo \((SQM =\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2)\) e a soma de quadrados do erro \((SQR= \sum_{i=1}^{n}(y_i - \hat{y})^2)\).
\[ \sum_{i=1}^{n}(y_i - \bar{y})^2=\sum_{i=1}^{n}(\hat{y}_i - \bar{y})^2+\sum_{i=1}^{n}(y_i - \hat{y})^2 \tag{15}\]
Coeficiente de determinação \((R^2)\)
Essa métrica é basicamente uma medida do efeito de \(x\) em reduzir a variabilidade de \(y\). Pode ser obtida como na Equação 16, que é a soma de quadrados do resíduo dividida pela soma de quadrados total.
\[ R^2 = 1 - \frac{\sum (y_i - {\color{blue}{\hat{y}_i}})^2} {\sum (y_i - {\color{red}{\bar{y}}})^2} = 1 - \frac{{\color{blue}{SQR}}}{{\color{red}{SQT}}} \tag{16}\]
O \(R^2\) varia entre \(0\) e \(1\). O valor de \(0\) é encontrado quando não existe relação linear entre \(x\) e \(y\), ou seja, a variável \(x\) não explica nada da variação de \(y\) e a média de \(y\) poderia ser utilizada como estimativa do valor mais provável. Já o valor de \(1\) é encontrado quando \(x\) explica toda a variação de \(y\). Nesse caso, é possível dizer que mudanças no valor de \(x\) também têm efeito no valor de \(y\). Essa “força” pode ser observada na Figura 5.
Coeficiente de determinação \((R^2)\) do exemplo
Agora, vou aplicar as equações para determinar o coeficiente de determinação do modelo de regressão entre a idade e a altura.
Primeiro, para calcular o numerador é necessário substituir os valores de \(x\) na equação para obter os valores de \(\hat{y}\).
\[ \hat{y}_i= 76.09 + 5.86 * x_i \]
\[ \hat{{y}} = \begin{bmatrix} \hat{y}_1 \\ \hat{y}_2 \\ \hat{y}_3 \\ \hat{y}_4 \\ \hat{y}_5 \\ \hat{y}_6 \end{bmatrix} = \begin{bmatrix} 105.38 \\ 117.10 \\ 128.81 \\ 140.52 \\ 152.24 \\ 163.95 \end{bmatrix} \tag{17}\]
Agora, podemos fazer o cálculo do denominador, ou seja, a soma de quadrados do erro.
\[ \begin{aligned} \sum (y_i - \hat{y}_i)^2 = \;& (110-105.38)^2 + (120-117.10)^2 + (120-128.81)^2 \\ & + (135-140.52)^2 + (155-152.24)^2 + (168-163.95)^2 \end{aligned} \]
\[ \sum (y_i - \hat{y}_i)^2= 161.90 \]
Já para o numerador é mais simples, uma vez que se utiliza a média.
\[ \begin{aligned} \sum (y_i - \bar{y})^2 = \;& (110-134.67)^2 + (120-134.67)^2 + (120-134.67)^2 \\ & + (135-134.67)^2 + (155-134.67)^2 + (168-134.67)^2 \end{aligned} \]
\[ \sum(y_i - \bar{y})^2 = 2563.33 \]
Por fim, o \(R^2\) é encontrado.
\[ R^2= 1 - \frac{161.90}{2563.33} = 0.94 \]
Teste \(F\)
Outra forma de verificar a variância é por meio do teste F ou análise da variância (ANOVA). A Tabela 2 apresenta o teste F e o p-valor para o modelo. Aqui não cabem as explicações para os cálculos da ANOVA, embora boa parte seja feita na regressão.
Como resultado principal temos que o p-valor é menor que 0.05, indicando que o modelo é significativo. Portanto, temos evidência de que o modelo é melhor que a média para explicar a variação de \(y\).
| Tabela ANOVA - Teste F | ||||
| Fonte de variação | Graus de liberdade (df) |
Soma dos quadrados (SQ) |
Quadrado médio QM = SQ/df |
valor de F e p-valor |
|---|---|---|---|---|
| Regressão (x) | 1 (p-1) | SQT - SQR = 2401.43 | 2401.43 | 59.33 (p = 0.00153) |
| Resíduo | 4 (n-p) | 161.9 | 40.48 | |
| Total | 5 (n-1) | 2563.33 | ||
Significância dos \(\beta\)s do modelo
Como a variável dependente \((y)\) segue uma distribuição normal e as estimativas para \(\beta_0\) e \(\beta_1\) são obtidas por meio de uma função linear de \(y\), por consequência os coeficientes do modelo também possuem uma distribuição do tipo normal. Isso pode ser observado nas Equação 18 e Equação 19. Isso significa que, embora tenhamos as estimativas para a melhor reta, poderíamos ter infinitas retas passando entre os dados.
\[ \beta_0 \sim N(\beta_0, \sigma^2_{\beta_0}) \tag{18}\]
\[ \beta_1 \sim N(\beta_1, \sigma^2_{\beta_1}) \tag{19}\]
É possível simular o que seria isso. Partindo dos resultados da Equação 13, utilizo os valores de \(\beta\)s para simular 1 mil retas de regressão mudando apenas o erro. Sabemos que em uma regressão linear os erros devem ser normais com média zero e um desvio padrão. Com isso, adiciono erros de forma pseudoaleatória na equação: \(y_{i} = 76.09 + 5.86x_{i} + \epsilon_{i}\) e obtenho assim novas estimativas para \(y\). Agora, posso utilizar esse novo \(\hat{y}\) e realizar uma regressão com os valores de \(x\), calculando assim novas estimativas de \(\beta_{0}\) e \(\beta_{1}\).
As animações abaixo mostram os resultados das simulações. Na imagem superior esquerda temos cada uma das 1000 linhas representando a reta de regressão calculada. Já na direita e na figura inferior da esquerda temos as distribuições de \(\beta_0\) e \(\beta_1\), respectivamente. A linha sólida em preto é a distribuição teórica que cada estimador deveria assumir, já as barras representam os valores calculados por meio da simulação. Observamos que, de fato, as distribuições se assemelham a uma curva tipo sino e, portanto, assume-se que são “normais”.
Outra importante constatação é que a soma dos resíduos ao quadrado (em inglês RSS: residual sum of squares) dividida pela variância (\(\sigma^2\)) dos erros assume uma distribuição do tipo chi-quadrado com graus de liberdade de \(n-p\), onde \(n\) é número de amostras e \(p\) o número de parâmetros do modelo. Para uma regressão linear simples será sempre \(n-2\), pois sempre há 2 parâmetros (intercepto e coeficiente angular). A distribuição dos resíduos ao quadrado pode ser observada na figura inferior da direita.
A partir do conhecimento de que os estimadores (\(\beta\)) possuem distribuição de probabilidade é possível realizar testes de hipóteses sobre suas estimativas. Boa parte do que torna valiosa a regressão é o teste de hipótese dos coeficientes do modelo.
Teste de significância para \(\beta_0\) e \(\beta_1\)
Talvez o teste de hipótese mais importante de uma regressão seja em relação ao coeficiente angular ou \(\beta_1\), que é o que responde à pergunta sobre se \(x\) explica \(y\). Caso \(\beta_1\) não seja diferente de \(0\), temos uma linha reta, onde a média de \(y\) é suficiente para explicar sua variação e a variável \(x\) é inútil.
Essa hipótese pode ser testada considerando:
\(H_0 : \beta_1 = 0\)
\(H_1 : \beta_1 \ne 0\)
A hipótese nula \((H_0)\), ou a suposição inicial, é a de que \(\beta_1\) não possui valor diferente de 0; já a alternativa \((H_1)\) é a de que o valor de \(\beta_1\) é diferente de 0.
Para calcular isso, utiliza-se a estatística \(t\) na forma representada pela Equação 20. Temos a diferença entre o \(\beta_1\) estimado e o considerado como verdadeiro, dividida pelo desvio padrão do \(\beta_1\). Assume-se que essa razão possui uma distribuição do tipo \(t\) de Student, logo queremos calcular uma estatística \(t\).
\[ t = \frac{\hat{\beta_1}-\beta_1}{SE(\hat{\beta}_1)} \sim t(N-2) \tag{20}\]
Mas utilizar a distribuição \(t\), pelo menos para mim, foi algo que levou tempo até entender. Mas agora sim, na Figura 6 é possível observar o que acontece quando se divide uma distribuição Normal por uma chi-quadrado… Justamente… uma distribuição T. Isso é representado de forma indireta na Equação 20.
O \(SE(\hat{\beta}_1)\) é o erro padrão do \(\beta_1\) e pode ser escrito também como: \(SE(\hat{\beta}_1) = \sqrt{\frac{EQM}{\sum(x_1 - \bar{x})^2}}\), onde \(EQM\) é o erro quadrático médio. Esse foi calculado na ANOVA (Tabela 2), mas basicamente se obtém como:
\[EQM = \frac{SQR}{(n-p)}\]
Já para o \(\beta_0\) é um pouco mais complexo e utiliza a equação:
\[ t = \frac{\hat{\beta_0}-\beta_0}{\sqrt{EQM*(\frac{(\frac{1}{n})+(\bar{x}^2)}{\sum(x_1 - \bar{x})^2})}} \sim t(N-2) \tag{21}\]
Teste de significância para \(\beta_0\) e \(\beta_1\) do problema
Como já descrito acima, o valor encontrado de \(\beta_0\) do modelo foi de \(76.10\) e \(\beta_1\) de \(5.86\).
Primeiro para o \(\beta_1\): se lembrarmos, a expressão \(\sum(x_1 - \bar{x})^2\) já foi calculada como denominador para encontrar o \(\beta_1\) na Equação 7, onde obtivemos o valor de \(70\). Já o \(EQM\) é dado por:
\[ EQM = \frac{161.90}{(6-2)}=40.48 \tag{22}\]
Logo:
\[ SE(\hat{\beta}_1) = \sqrt{\frac{70.48}{70}} = 0.7604 \]
Já para encontrar o valor da estatística \(t\) para o \(\beta_1\), calcula-se:
\[ t = \frac{5.86-0}{0.7604} = 7.703 \tag{23}\]
Agora, basta verificar na distribuição \(t\) qual a probabilidade de observar um valor de 7.7 ou mais extremo, e se esse valor está dentro da probabilidade de 5%, que é o nível alfa usual.
Na Figura 7 é plotada a distribuição \(t\) com o valor crítico de \(t_c\) para um nível de significância de 5% ou 0.05. O \(t_c\) diz respeito ao valor na curva \(t\) que limita nosso nível de significância, ou seja, para podermos dizer que algo foi significativo a 5% nessa curva, temos que obrigatoriamente observar um valor mais extremo que \(\pm 2.78\).
Como valor de \(t\) observado (\(t_{obs}\)), temos o valor encontrado na Equação 23, que foi de \(7.7\), ou seja, o valor de \(t_{obs}\) é maior que o \(t_c\), portanto significativo a 5% de probabilidade de erro.
Também podemos dizer que a probabilidade de encontrar um valor de \(t\) igual ao observado é de 0.153% (\(p=0.00153\)), ou ainda que, dentro de todos os possíveis valores de \(t\) que podemos encontrar, o observado é pouco provável.
Para o \(\beta_0\), utiliza-se a Equação 21, mas primeiro vamos calcular o \(SE(\hat{\beta}_0)\), conforme:
\[ SE(\hat{\beta}_0) = \sqrt{40.48*(\frac{(\frac{1}{6})+(10^2)}{70})} = 8.035 \]
Com isso, agora calculamos o \(t_{obs}\) para o \(\beta_0\), como:
\[ t = \frac{76.10-0}{8.035} = 9.47 \]
E, da mesma forma que para o \(\beta_1\), podemos visualizar a distribuição e a significância estatística (Figura 8). Também observamos um valor de \(t_{obs}\) mais extremo que o \(t_c\) (\(9.47>2.776\)), portanto afirmamos que para 5% de probabilidade de erro há diferença significativa.
Intervalo de confiança do beta e da predição (IC)
Podemos calcular os limites onde os verdadeiros valores dos \(\beta\)s serão encontrados para uma determinada probabilidade: o intervalo de confiança.
O intervalo de confiança pode ser interpretado da seguinte forma: se o experimento fosse repetido indefinidamente, e em cada repetição fosse construído um intervalo de confiança pelo mesmo procedimento, aproximadamente 95% desses intervalos conteriam o verdadeiro valor do parâmetro. Após a coleta dos dados e a construção de um intervalo específico, não é correto afirmar que há 95% de probabilidade de o parâmetro estar dentro desse intervalo.
Para o \(\beta_1\) é utilizada a equação:
\[ \hat{\beta}_1 - t_{\alpha/2,\;n-2} \,SE\!\left(\hat{\beta}_1\right) \leq \beta_1 \leq \hat{\beta}_1 + t_{\alpha/2,\;n-2} \,SE\!\left(\hat{\beta}_1\right) \]
Já para o \(\beta_0\) é:
\[ \hat{\beta}_0 - t_{\alpha/2,\;n-2} \,SE\!\left(\hat{\beta}_0\right) \leq \beta_0 \leq \hat{\beta}_0 + t_{\alpha/2,\;n-2} \,SE\!\left(\hat{\beta}_0\right) \]
Mas, de forma resumida, o IC nada mais é que um parâmetro (nesse caso o valor de \(t_c\)) que multiplica uma medida de incerteza (nesse caso o erro padrão, \(SE\)). Assim temos que:
\(CI = t_c* SE(\hat{\beta}_1)\) e \(CI = t_c* SE(\hat{\beta}_0)\)
E para encontrar essa amplitude de IC, basta somar e subtrair do valor de \(\hat{\beta_1}~ou~\hat{\beta_0}\)
\(\beta_1~\pm{CI}\) e \(\beta_0~\pm{CI}\)
Intervalo de confiança do beta do modelo
Para o \(\beta_1\) temos:
\(\hat{\beta_1}= 5.86\)
\(SE(\hat{\beta_1})=0.7604\)
\(t_c = 7.703\)
E o IC vai ser:
\[ 5.86 - (2.776 * 0.7604) \leq \beta_1 \leq 5.86 + (2.776 * 0.7604) \]
\[ 3.74913 \leq \beta_1 \leq 7.97087 \]
Ou,
\[ \beta_1 = 5.86 \pm{2.11087} \]
Para o \(\beta_0\) será a mesma coisa:
\(\hat{\beta_0}= 76.1\)
\(SE(\hat{\beta_0})=8.035\)
\(t_c = 9.47\)
E o IC vai ser:
\[ 76.1- (2.776 * 8.035) \leq \beta_0 \leq 76.1 + (2.776 * 8.035) \]
\[ 53.79484\leq \beta_0 \leq 98.40516 \]
Ou,
\[ \beta_0 = 76.1 \pm{22.30516} \]
Intervalo de confiança para resposta média
Podemos também calcular “bandas” de confiança para a reta de regressão e os valores médios por todo o domínio de \(x\).
Para isso vamos usar a Equação 24 e o melhor… quase tudo já foi calculado. A única “entrada” agora será com valores de \(x\) que podem ser novos e é dado por \(x_0\), mas uso os mesmos.
\[ \hat{y}(x_0) \pm t_{\alpha/2,\;n-2} \sqrt{ EQM \left( \frac{1}{n} + \frac{(x_0-\bar{x})^2} {\sum_{i=1}^{n}(x_i-\bar{x})^2} \right) } \tag{24}\]
Intervalo de confiança para resposta média do modelo
Como vou utilizar os mesmos valores de \(x\), os valores de \(\hat{y}\) já foram calculados em Equação 17. Também temos os desvios de \(x\) em Equação 12, bem como o somatório, o \(t\) crítico em Figura 7 e o \(EQM\) em Equação 22. Os valores que vão mudar serão o \(\hat{y}\) e o desvio de \(x\) (Equação 25 e Equação 26); isso é denotado na equação geral do IC com o índice \(i\).
\[\hat{y}(x_0)_i = \begin{bmatrix} 105.38\\ 117.10\\ 128.81\\ 140.52\\ 152.24\\ 163.95 \end{bmatrix} \tag{25}\]
\[ (x_0-\bar{x})^2_i= \begin{bmatrix} 25\\ 9\\ 1\\ 1\\ 9\\ 25 \end{bmatrix} \tag{26}\]
\[ \begin{aligned} IC_{inf}= \hat{y}(x_0)_i - (2.776* \sqrt{ 40.48 \left( \frac{1}{6} + \frac{ (x_0-\bar{x})^2_i }{70} \right)) } &= \begin{bmatrix} 92.599\\ 107.499\\ 121.297\\ 133.011\\ 142.642\\ 151.170 \end{bmatrix} \end{aligned} \]
e
\[ \begin{aligned} IC_{sup}= \hat{y}(x_0)_i + (2.776* \sqrt{ 40.48 \left( \frac{1}{6} + \frac{ (x_0-\bar{x})^2_i }{70} \right)) } &= \begin{bmatrix} 118.163\\ 126.692\\ 136.322\\ 148.037\\ 161.834\\ 176.735 \end{bmatrix} \end{aligned} \]
Por fim, podemos plotar esses pontos e gerar as “bandas” ou a região de confiança (Figura 9).
Resultado final da análise
Agora, podemos descrever o resultado da análise em forma de texto, o que pode ser usado para descrever qualquer regressão.
Exemplo de descrição de resultado:
Para verificar o efeito da idade (variável independente) sobre a altura (variável dependente) foi realizada uma análise de regressão linear simples. O modelo teórico é dado por: \(Altura = \beta_{0} + \beta_{1} Idade + \epsilon\).
O modelo é estatisticamente significativo e explica uma parte substancial da variância (\(R^2=0.94,~F(1,4) = 59.33,~p = 0.0015\)). O efeito da idade foi significativo e positivo: a cada aumento de uma unidade na idade, a altura aumenta, em média, 5.86 cm (\(CI [3.75,7.97],~t(4) = 7.70,~p = 0.0015\)).
Sobre o intercepto, temos que ter cuidado. Nosso modelo diz que, para uma pessoa com idade igual a zero, a sua altura é de 76.1 cm (\(CI[53.79,98.41],~t(4)=9.47,~p=0.0007\)). A interpretação, nesse caso, deve ser baseada na área de conhecimento; neste exemplo, a menos que tenhamos um gigante, essa interpretação não faz sentido, já que, biologicamente, até onde sei, ao nascer (idade zero) as pessoas têm comprimento abaixo desse valor.
E isso tudo é resumido na Figura 10.
Então quer dizer que a idade ocasiona o aumento da altura? Ou seja, ficar velho te deixa alto?
Regressão linear simples define causa? (bônus)
Bem, a resposta para a pergunta sobre causa é complicada. Por definição, a regressão linear não expressa causa. Em um modelo de regressão significativo, o que temos é que a variável \(y\) possui associação com a variável \(x\), mas não que \(x\) é o responsável por causar \(y\). Parece confuso, mas faz todo sentido. Isso acontece porque não temos acesso a todas as variáveis que podem estar interferindo no fenômeno e, portanto, nas observações. Dentre muitas formas de definir causa, podemos dizer que a causa possui 3 componentes: 1) direcionalidade, 2) temporalidade e 3) reprodutibilidade. Esses componentes são fundamentais para estabelecer uma relação causal, algo que a regressão linear simples não pode garantir, por si só.
Isso não significa que a regressão não é importante, apenas que devemos ter cuidado ao dizer que as mudanças observadas na variável dependente são causadas pela variável independente.
Na Figura 11 há exemplos de algumas relações que podem ser encontradas. Como podemos observar, a regressão linear corresponde ao subgráfico com a relação direta. Porém, não há como saber se as demais relações estão ocorrendo. Por exemplo, poderíamos ter em nossa relação direta um confundidor, que é uma variável com efeito tanto em \(x\) quanto em \(y\) e que, portanto, leva à observação da relação entre \(x\) e \(y\) pelo modelo. Essa pode ser uma das explicações para as correlações espúrias. Também podemos ter uma variável mediadora, ou seja, responsável por mediar uma parte da variação entre \(x\) e \(y\), além da variação direta. E, por fim, temos a moderação, em que outra variável pode estar moderando a relação entre \(x\) e \(y\). Em todos os casos, se estamos usando apenas uma regressão linear simples, podemos estar suscetíveis a não observar essa variável oculta. Por isso: regressão não implica causa.
Ainda assim, com os avanços dos estudos, essas variáveis ocultas podem ir sendo descobertas e aprimorando a nossa teoria… Incrível!
ImportanteAjuda estatística
Boa parte dos cálculos e das dúvidas foi resolvida graças à ajuda de Diogo Bolzan (um quase estatístico da UFRGS).
Referências
Altay L. Souza. 2025. Regressão Linear III - Descrever, Explicar e Predizer na RLinear. Https://www.youtube.com/watch?v=mQpnsYh4JQA.
Box, Joan Fisher. 1981. «Gosset, Fisher, and the t Distribution». The American Statistician 35 (2): 61–66. http://www.jstor.org/stable/2683142.
Douglas C. Montgomery, G. Geoffrey Vining, Elizabeth A. Peck. 2021. Introduction to Linear Regression Analysis. Wiley. https://www.perlego.com/book/2237423/introduction-to-linear-regression-analysis-pdf.
Guimarães, Alysson. 2022. «Princípios da Regressão Linear». Em https://k3ybladewielder.medium.com. https://k3ybladewielder.medium.com/p-3ab26a7b4340.
Kasza, Jessica, e Rory Wolfe. 2014. «Interpretation of commonly used statistical regression models». Respirology 19 (1): 14–21. https://doi.org/https://doi.org/10.1111/resp.12221.
Setosa. 2018. Linear Regression. Https://setosa.io/ev/linear-regression/.
Shmueli, Galit. 2010. «To Explain or to Predict?» Statistical Science 25 (3): 289–310. https://doi.org/10.1214/10-STS330.
Soch, Joram, The Book of Statistical Proofs, Karahan Sarıtaş, et al. 2025. StatProofBook/StatProofBook.github.io: StatProofBook 2025. Versão 2025. Zenodo, released dezembro. https://doi.org/10.5281/zenodo.18096132.
Wilber, Jared. 2022. Linear Regression: A Visual Introduction to (Almost) Everything You Should Know. Https://mlu-explain.github.io/linear-regression/.
Citação
BibTeX
@online{frosi2026,
author = {Frosi, Gustavo},
title = {Do ponto à linha: criando uma regressão para além de clicar
em botão},
date = {2026-07-06},
url = {https://gustavofrosi.com.br/recap/2026-07-06-reg-line-conta/},
doi = {10.59350/xp1jx-gs759},
langid = {pt}
}
Por favor, cite este trabalho como:
Frosi, Gustavo. 2026. “Do ponto à linha: criando uma regressão
para além de clicar em botão.” July 6. https://doi.org/10.59350/xp1jx-gs759.