Calcule os resíduos e analise se existe evidência de violação das suposições pressupostas para o modelo. Não se esqueça de explicitar as suposições estabelecidas.
Passo 1
Beleza, vamos lá! A questão pede para calcularmos os resíduos de um modelo e verificar se as suposições desse modelo estão sendo cumpridas. Isso está relacionado a estatística, mais especificamente à análise de regressão. Para resolver isso, vamos precisar entender o que são resíduos, como calculá-los e quais são as principais suposições de um modelo de regressão que devemos checar.
Passo 2
Primeiro, vamos entender o que são resíduos. Em um modelo de regressão, os resíduos são as diferenças entre os valores observados e os valores previstos pelo modelo. Ou seja, para cada dado que temos, o resíduo é dado por:
Onde
é o resíduo,
é o valor observado e
é o valor previsto pelo modelo.
Passo 3
Agora, para calcular os resíduos, precisamos dos valores observados (
) e dos valores previstos (
). Supondo que já temos um modelo ajustado, basta subtrair cada valor previsto do valor observado correspondente.
Por exemplo, se tivermos:
- Valor observado (
): 10 - Valor previsto (
): 8
Então o resíduo será:
Passo 4
Com os resíduos calculados, o próximo passo é analisar se há evidências de que as suposições do modelo estão sendo violadas. As principais suposições em um modelo de regressão linear são:
- Linearidade: A relação entre as variáveis independentes e a dependente é linear.
- Independência: As observações são independentes umas das outras.
- Homoscedasticidade: A variância dos resíduos é constante para todos os valores da variável independente.
- Normalidade dos resíduos: Os resíduos seguem uma distribuição normal.
Passo 5
Vamos verificar cada uma dessas suposições usando os resíduos:
-
Linearidade: Podemos plotar os resíduos contra os valores previstos (
). Se a relação for aleatória e não mostrar um padrão específico, a suposição de linearidade está ok. Mas se observarmos uma curva ou algum padrão, pode indicar uma violação. -
Independência: Isso geralmente é verificado através do desenho do estudo ou usando testes específicos como o de Durbin-Watson. Se os resíduos não apresentarem autocorrelação, a independência está mantida.
-
Homoscedasticidade: Novamente, ao plotar os resíduos contra os valores previstos, devemos ver uma dispersão uniforme. Se os resíduos se espalham mais à medida que os valores previstos aumentam ou diminuem, temos heterocedasticidade, o que viola a suposição.
-
Normalidade dos resíduos: Podemos usar um gráfico de probabilidade normal (Q-Q plot) ou testes estatísticos como o de Shapiro-Wilk para verificar se os resíduos seguem uma distribuição normal. Se os resíduos estiverem próximos da linha no Q-Q plot, a normalidade está ok.
Passo 6
Depois de realizar essas análises, vamos resumir o que encontramos:
- Se todas as suposições estiverem sendo cumpridas, podemos confiar nos resultados do nosso modelo.
- Se alguma suposição for violada, pode ser necessário ajustar o modelo, por exemplo, usando transformações nas variáveis, adicionando termos não lineares, ou usando métodos de estimação robustos.
Resposta
Calculamos os resíduos subtraindo os valores previstos dos observados e, ao analisar os gráficos e testes estatísticos, verificamos se as suposições de linearidade, independência, homoscedasticidade e normalidade estão sendo atendidas. Se todas as suposições estiverem cumpridas, o modelo é confiável; caso contrário, ajustes no modelo são necessários para corrigir possíveis violações.
Exercícios relacionados
Num estudo prospectivo sobre depressão psiquiátrica, 146 indivíduos do sexo masculino e 148 do sexo feminino com diagnóstico clínico de depressão foram investigados com relação à saúde mental e várias covariáveis sociais foram consideradas para ajuste (por ex.: sucesso no trabalho). Os dados coletados estão a seguir:
Sucesso no trabalho | |||
---|---|---|---|
Ruim | Não Ruim | Total | |
Mulheres depressivas | 37 | 111 | 148 |
Homens depressivos | 24 | 122 | 146 |
Total | 61 | 233 | 294 |
Existe evidência suficiente para concluir que um resultado ruim no trabalho está associado com o sexo de um paciente depressivo ao nível de significância de 1%?
Um estudo feito para determinar a taxa de fumantes entre pessoas de diferentes grupos etários originou os dados amostrais aleatórios resumidos na tabela a seguir. Com o nível de 0,05 de significância, teste a afirmação de que o fumo é independente do grupo etário. Com base nesses dados, tem sentido dirigir a propaganda de cigarros a grupos etários específicos?
Hábito de <br> fumar |
|
|
|
|
total |
---|---|---|---|---|---|
Fumante | 18 | 15 | 17 | 15 | 65 |
Não fumante | 32 | 35 | 33 | 35 | 135 |
TOTAL | 50 | 50 | 50 | 50 | 200 |
Fonte: Baseado em dados do Centro Nacional de Estatísticas em Saúde (E.U.A)
Qual a variável resposta, qual o fator e quantas réplicas temos neste experimento?
A média e o desvio padrão medem o centro e a dispersão mas não representam uma descrição completa de uma distribuição. Calcule a média e o desvio padrão para os dois conjuntos de dados a seguir e faça um gráfico de ramo e folhas de cada um e comente sobre a forma da distribuição.
Dados A | 9,14 | 8,14 | 8,74 | 8,77 | 9,26 | 8,1 | 6,13 | 3,1 | 9,13 | 7,26 | 4,74 |
---|---|---|---|---|---|---|---|---|---|---|---|
Dados B | 6,58 | 5,76 | 7,71 | 8,84 | 8,47 | 7,04 | 5,25 | 5,56 | 7,91 | 6,89 | 12,5 |