Aula: Correlação e Regressão

linear

Prof. Dr. Emerson Dechechi Chambó

UFRB
chamboed@[Link]
 Correlação Linear Simples

Correlação linear

• Para que serve o estudo da correlação linear?

• Como calcular o coeficiente de correlação linear de Pearson r(x,y)?
• Como verificar a significância do r(x,y)?

UFRB, Chambó, E.D.

 Correlação Linear Simples

Diagrama de dispersão

UFRB, Chambó, E.D.

 Correlação Linear Simples

Coeficiente de correlação de Pearson (rx,y)

 xi  yi
SPD xy  xi yi 
rxy   n
σ2 σ 2   (  x )2   (  y )2 
x y  x 2   i  y 2   i 
 i  n  i  n 
    

O rxy é utilizado quando os dados seguem uma distribuição normal.

UFRB, Chambó, E.D.

 Correlação Linear Simples

Propriedades do rx,y

O valor de rxy está entre -1 ≤ r(xy)≤ +1

UFRB, Chambó, E.D.

 Correlação Linear Simples

Erros de interpretação de r(x,y)

• Um erro comum é concluir que rxy implica causalidade.

• O erro surge de dados que se baseiam em médias.
• Erro decorrente da propriedade de linearidade

UFRB, Chambó, E.D.

 Correlação Linear Simples

Teste de hipótese para p

• p é o coeficiente de correlação populacional.

• A estatística de teste para o coeficiente de correlação é:

n2
t cal  r
1 r 2

a qual, sob H0, tem distribuição t-Student com n - 2 g.l., sendo o n o tamanho amostral
e o r o coeficiente de correlação linear entre x e y.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Regressão Linear Simples

• O que é uma reta de regressão?

• Para que serve?
• Como obter a equação de uma reta de regressão?
• Como verificar a adequabilidade da equação estimada?

UFRB, Chambó, E.D.

 Regressão Linear Simples

10
9
8

Y = DPPH (mg. mL-1)

7
6
5
4
3
2
1
0
0.00 10.00 20.00 30.00 40.00 50.00 60.00 70.00 80.00
X = Fenol (mg GAE.g-1)

• A análise de regressão consiste em determinar a equação da linha que melhor se

ajusta aos dados.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Modelo de Regressão Linear

Yi  β0  β1Xi  εi

• onde:
• Yi é o valor da variável resposta no i-ésimo tratamento;
• β0 e β1 são os parâmetros. β0 é a constante de regressão representa o intercepto e β1
é o coeficiente de regressão e representa a variação de Y em função da variação por
unidade da variável X.
• Xi é o valor da variável independente no i-séimo tratamento; e
• εi é o erro aleatório com média E(εi) = 0 e variância σ2(εi) = σ2; εi e εj são não
correlacionados de modo que a covariância σ(εi, εj) = 0 para todo i, j; i ≠ j.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Para que serve?

• Predição de valores;
• Descrição;
• Controle.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como obter a equação de uma reta de regressão?

• Para se obter a equação estimada, vamos utilizar o MMQ. Assim, tem-se

que:
• εi = Yi - βo- β1Xi (1)

elevando-se ambos os membros da equação ao quadradado,

• εi2 = [Yi - βo- β1Xi]2

aplicado o somatório,
n n
•  εi2   [Yi  β0  β1Xi ]2 (2)
i1 i1

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como obter a equação de uma reta de regressão?

• Derivando então a expressão (2) em relação a βo e β1, e igualando-se a

zero, poderemos obter duas equações que, juntas, vão compor o
chamado sistemas de equações normais. A solução desse sistema
fornecerá:
 xi  yi
 xi yi  SPD xy
b1  n 
2
( xi ) SQD x
 xi 
2

b0  Y  b1X

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como obter a equação de uma reta de regressão?

• Uma vez obtidas estas estimativas, podemos escrever a equação

estimada:

Ŷi  b0  b1Xi

• para i = 1, 2, ..., n pares de observações.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como verificar a adequabilidade da equação estimada?

• Testes de hipóteses para os parâmetros:

• (b1- β1)/ s(b1) é distribuído com t(1-α/2, n-2) graus de liberdade.
• (b0- β0)/ s(b0) é distribuído com t(1-α/2, n-2) graus de liberdade.
• Intervalos de confianças para os parâmetros:
• b1 – t(1-α/2, n-2)s(b1) ≤ β1 ≤ b1 + t(1-α/2, n-2)s(b1)
• b0 – t(1-α/2, n-2)s(b0) ≤ β0 ≤ b0 + t(1-α/2, n-2)s(b0)

onde t(1-α/2, n-2) é o valor t de Student para (1-α/2) e (n-2) graus de liberdade, bo e
b1 são os estimadores dos parâmetros da reta e s(b1) e s(b0) são os desvios
padrão das estimativas dos parâmetros. Os s(b1) e s(b0) indicam o quão
afastado o parâmetro estimado está dos parâmetros populacionais.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como verificar a adequabilidade da equação estimada?

 QME   SQD y  b1SPD xy 

    σˆ 2
n2   n2
s2 (b1 )    Estimativa da variância dos erros

SQD x SQD x SQD x

s(b1 )  s2 (b1 )

ˆ 2 1 X2 
s (b0 ) 
2
*   
 n SQD x 

s(b0 )  s2 (b0 )

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como verificar a adequabilidade da equação estimada?

• Método da ANOVA para verificar o ajustamento do modelo de regressão

aos valores de Y.

FV GL SQ QM Fcalculado
Regressão 1 SQreg QMreg = SQreg QMreg/ QMres

Resíduo n-2 ou n -1-p SQres QMres = SQres/ n-2

Total n-1 SQtotal

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como verificar a adequabilidade da equação estimada?

• Método da ANOVA para verificar o ajustamento do modelo de regressão

aos valores de Y.
n
n
(  Yi )2
SQtotal   Yi 2  i 1
i 1 n  n 
2

n   Yi 
n
SQregressão  b0  Yi  b1  Yi X i   i 1 
i 1 i 1 n

SQresíduo  SQtotal  SQregressão

UFRB, Chambó, E.D.

 Regressão Linear Simples

Como verificar a adequabilidade da equação estimada?

• Suposições que devem ser atendidas para os procedimentos de

estimação e de testes de hipóteses para os parâmetros:
• Os erros devem ser normalmente e aleatoriamente distribuídos em
torno de zero;
• A variância dos erros deve ser constante; e
• Os erros devem ser independentes.

UFRB, Chambó, E.D.

 Regressão Linear Simples

Análise gráfica dos resíduos do modelo ajustado

a) Resíduos distribuídos aleatoriamente em torno de zero;

b) Resíduos apresentam variabilidades semelhantes.
UFRB, Chambó, E.D.
 Regressão Linear Simples

Análise gráfica dos resíduos do modelo ajustado

• Os resíduos devem apresentar um comportamento próximo do linear.

UFRB, Chambó, E.D.
 Regressão Linear Simples

Coeficiente de Determinação (R2)

• É útil para verificar se o modelo proposto é adequado ou não para descrever

o fenômeno em estudo.

• R2 = (SQregressão/ SQtotal)*100 ou R2 = (Covx,y)^2 /sx2 * sy2)

• O R2 varia de 0 a 1.

UFRB, Chambó, E.D.

 Análise de regressão por polinômios ortogonais

Análise de regressão por polinômios ortogonais

• Aplicação:
• Em experimentos com um único fator ou com esquemas fatoriais ou em PSD com
significância da interação A*B ou do efeito simples, sendo A ou B um fator
quantitativo.

• Utilização:
• Usada para verificar o efeito linear do polinômio de 1º, 2º e de outros graus que
possui a maior contribuição e a significância dos efeitos.
• O maior grau do polinômio está relacionado com os GL da FV que se quer testar.
• Há o desdobramento ortogonal (independente) dos GL e da SQ do fator quantitativo
(tratamento) por meio de contrastes devido à regressão linear de 1º, 2º e outros
graus.
• A interpretação dos resultados sobre contribuição e significância dos efeitos lineares
pode ser utilizada como um dos critérios para a escolha do modelo que melhor se
ajusta aos dados da variável dependente.
• Escolhido o grau do polinômio, o método também permite estimar os parâmetros do
modelo adotado que descreverá o fenômeno biológico

UFRB, Chambó, E.D.

 Análise de regressão por polinômios ortogonais

Análise de regressão por polinômios ortogonais

• Condições exigidas:
• Os níveis do(s) fator(es) quantitativo(s) devem ser equidistantes (mesma distância).
• Os coeficientes para interpolação de polinômios ortogonais relacionados aos efeitos
lineares de 1º, 2º, 3º e outros graus são obtidos em tabela apropriada de acordo com
o nº de níveis do fator quantitativo.

UFRB, Chambó, E.D.

 Análise de regressão por polinômios ortogonais

Análise de regressão por polinômios ortogonais

• Somas de Quadrados e Análise de Variância

• As contribuições dos contrastes (Ci) referentes aos efeitos de regressão linear (RL),
regressão quadrática (RQ), regressão cúbica (RC) e de outros efeitos serão obtidos
por
2
  a T 
I

ˆ i2
C  i i

SQCi  I  i 1
I , em que:
r. a i
2
r. a i2

i 1 i 1

Ĉi = estimativa do contraste de totais;

 ai = coeficientes tabelados para cada efeito;
 Ti = total de cada nível do fator quantitativo (no interior do quadro de interação AB
ou nos totais marginais, para o efeito simples);
 I = número de níveis ou número de tratamentos;
 r = número de repetições.
UFRB, Chambó, E.D.