Regressão Múltipla
- Proposto por
- Carl Friedrich Gauss
- Ano
- 1801
- Tipo
- Method
- Família
- predictive-modeling
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A regressão múltipla é um método estatístico para modelar a relação entre uma variável dependente contínua e duas ou mais variáveis independentes (preditoras).
Originada do trabalho de Gauss no início do século XIX e formalizada por Draper e Smith (1966), ela estima equações lineares que predizem resultados a partir de múltiplos preditores, levando em conta relações de confundimento, o que a torna indispensável em epidemiologia, economia, psicologia e pesquisa clínica.
A intuição por trás do método
A regressão múltipla estende a correlação bivariada simples para examinar simultaneamente como vários preditores influenciam um resultado. Em vez de observar associações brutas, a regressão isola a contribuição única de cada preditor, mantendo os outros constantes (como controle experimental). O modelo linear assume que o resultado é uma combinação ponderada de preditores: Y = b₀ + b₁X₁ + b₂X₂ + ... + bₚXₚ + ε. Os coeficientes (b) representam a mudança em Y por unidade de aumento em X, ajustados para outros preditores. Isso permite que os pesquisadores identifiquem quais preditores são mais importantes, controlem variáveis de confundimento e façam previsões para novas observações.
História
Carl Friedrich Gauss desenvolveu o método dos mínimos quadrados em 1801 para previsão astronômica. Karl Pearson e estatísticos anteriores aplicaram regressão linear a dados biológicos (Francis Galton, 1886). O livro Applied Regression Analysis de Norman Draper e Harry Smith (1966) padronizou a metodologia de regressão múltipla. A revolução computacional das décadas de 1980-90 trouxe ampla disponibilidade em software. Extensões modernas incluem regularização (ridge, lasso, elastic net; Tibshirani, 1996), métodos robustos e frameworks de inferência causal (escores de propensão, variáveis instrumentais).
Quando usar
Use regressão múltipla quando tiver um resultado contínuo e múltiplos preditores para entender suas associações, ajustando para confundidores. Aplicações comuns: prever resultados de pacientes a partir de variáveis clínicas, entender fatores que impulsionam indicadores econômicos, estimar o efeito do tratamento controlando dados demográficos, modelar o desempenho educacional a partir de características do aluno. A regressão também é ideal quando o tamanho da amostra impede a randomização experimental (estudos observacionais). Para resultados categóricos, use regressão logística ou multinomial. Para dados agrupados (alunos em escolas), use regressão multinível. Para dados ausentes, considere imputação múltipla previamente.
Limitações e considerações
- Assume relações lineares; perde efeitos curvilíneos ou de limiar, a menos que sejam explicitamente modelados por meio de transformação ou termos polinomiais.
- Sensível à multicolinearidade: preditores altamente correlacionados produzem coeficientes instáveis e difíceis de interpretar. VIF > 10 é problemático; a solução inclui remover preditores, componentes principais ou regressão de Ridge.
- Outliers e pontos influentes podem afetar desproporcionalmente as estimativas e o ajuste; métodos de regressão robusta (Huber, estimadores M) abordam isso.
- Assume variância constante (homoscedasticidade); dados heteroscedásticos requerem mínimos quadrados ponderados ou ajustes de erro padrão robusto.
- Significância estatística não é causal: não pode distinguir se a associação reflete um efeito verdadeiro ou confundimento não medido; requer forte justificativa teórica.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Poderosa para desvendar relações complexas: estima o efeito único de cada preditor enquanto controla os outros, simulando controle experimental em dados observacionais.
- Flexível: acomoda preditores contínuos e categóricos, interações, termos polinomiais e pode ser estendida para relações não lineares.
- Interpretação: os coeficientes representam diretamente a mudança unitária no resultado, tornando os resultados acionáveis para clínicos e formuladores de políticas.
- Previsão: o modelo ajustado gera previsões para novas observações com intervalos de confiança, permitindo aplicações práticas (estratificação de risco, previsão).
- Extensos diagnósticos disponíveis: resíduos padronizados, gráficos de alavancagem e medidas de influência ajudam a identificar e abordar violações do modelo.
Aplicações
- Previsão clínica: modelagem do risco de readmissão hospitalar a partir de dados demográficos do paciente, comorbidades e fatores de tratamento; informando planejamento de alta e intervenções.
- Estudos epidemiológicos: estimativa de associações de doenças com exposições (tabagismo, dieta) enquanto se ajusta para confundidores de idade, sexo e status socioeconômico.
- Pesquisa educacional: prever a graduação universitária a partir de GPA do ensino médio, notas de testes e variáveis socioeconômicas; identificando quais fatores são mais importantes.
- Imobiliário e economia: prever preços de imóveis a partir de metragem quadrada, localização, idade, características do bairro; analisando tendências do mercado imobiliário.
- Melhoria de qualidade e manufatura: modelagem de taxas de falha de produtos a partir de parâmetros de processo (temperatura, pressão, materiais) para otimizar operações.
Como funciona
Como funciona
Administre a regressão múltipla coletando primeiro dados de resultados contínuos e variáveis preditoras contínuas ou categóricas de uma amostra grande o suficiente para estimar todos os parâmetros (tipicamente n > 10p, onde p é o número de preditores; idealmente n > 50 para poder adequado). Registre todas as variáveis com dados ausentes mínimos (verifique se a ausência é aleatória). Defina sua variável de resultado (variável dependente) e preditores (variáveis independentes) antes da análise para evitar seleção de modelo baseada em dados. Padronize preditores contínuos (subtraia a média, divida pelo desvio padrão) se estiver comparando coeficientes entre escalas; isso auxilia na interpretação e reduz a multicolinearidade. Codifique preditores categóricos usando codificação dummy (k−1 indicadores para k categorias) ou codificação de contraste.
Estime os coeficientes de regressão usando Mínimos Quadrados Ordinários (MQO): minimize a soma dos resíduos ao quadrado (SSE = Σ(y_i − ŷ_i)²). O software (R, Python, SPSS, SAS) calcula o vetor de coeficientes b = (X'X)⁻¹X'y. Relate: (1) Intercepto (b₀): Y previsto quando todos os X=0. (2) Coeficientes de inclinação (b₁, b₂, ...): mudança em Y por unidade de X, ajustado para outros preditores. (3) Erros padrão (SE) e estatísticas t: t = b/SE testa se o coeficiente difere de zero. (4) Intervalos de confiança (IC 95%): tipicamente b ± 1.96×SE. (5) R²: proporção da variância de Y explicada pelos preditores (0 a 1). (6) R² ajustado: penaliza a complexidade do modelo. (7) Fator de Inflação de Variância (VIF): diagnostica multicolinearidade; VIF > 10 indica correlação problemática entre preditores. (8) Estatística Durbin-Watson: testa autocorrelação de resíduos.
Interprete os coeficientes como: para um aumento de uma unidade no preditor Xᵢ, o resultado aumenta em bᵢ unidades, mantendo todas as outras variáveis preditoras constantes. Se o p-valor do coeficiente < 0.05, conclua que o preditor é estatisticamente significativo. R² e R² ajustado resumem o ajuste geral do modelo: relate o R² ajustado para uma estimativa mais conservadora. Verifique as suposições examinando os gráficos de resíduos: (1) Linearidade: o gráfico de dispersão de resíduos previstos vs. reais não deve mostrar padrão. (2) Normalidade: o gráfico Q-Q de resíduos padronizados deve seguir a diagonal. (3) Homoscedasticidade: os resíduos devem ter variância constante em todos os valores ajustados (teste de Breusch-Pagan). (4) Independência: Durbin-Watson ≈ 2 sugere ausência de autocorrelação. A presença de padrões de violação sugere especificação incorreta do modelo; considere transformação (log Y), adição de interações ou termos polinomiais. Use gráficos de diagnóstico de regressão e medidas de alavancagem/influência (distância de Cook, DFFITS) para identificar outliers que afetam desproporcionalmente as estimativas.
Erros comuns
- Seleção de modelo baseada em dados (seleção stepwise, forward, backward): capitaliza o acaso, infla o erro Tipo I, produz coeficientes instáveis. Prefira especificação de modelo baseada em teoria.
- Ignorar multicolinearidade: verificar a matriz de correlação é insuficiente; calcule o VIF para cada preditor. VIF > 5–10 exige ação.
- Overfitting: adicionar muitos preditores reduz a generalização e infla o R². Use R² ajustado ou validação cruzada para avaliar o poder preditivo real.
- Interpretar coeficientes de regressão causalmente sem randomização: confundimento, causalidade reversa e viés de seleção ameaçam a validade.
- Falha em verificar suposições de resíduos: resíduos não normais, heteroscedasticidade e autocorrelação inflacionam erros padrão ou enviesam estimativas.
- Uso de erros padrão não ajustados com dados agrupados (por exemplo, pacientes aninhados em hospitais) leva a intervalos de confiança muito estreitos; requer estimadores multinível ou sandwich.
Perguntas frequentes
Quando devo padronizar preditores e como isso afeta a interpretação?
Padronize preditores contínuos (escore z: subtraia a média, divida pelo desvio padrão) quando: (1) os preditores estão em escalas muito diferentes e você deseja comparar a magnitude dos coeficientes, ou (2) você precisa reduzir a multicolinearidade. Coeficientes padronizados estão em unidades de desvio padrão: um coeficiente de 0.5 significa que um aumento de 1-DP no preditor prevê um aumento de 0.5-DP no resultado. Coeficientes brutos (não padronizados) mantêm as unidades originais e frequentemente auxiliam na interpretação prática. Sempre relate ambos e especifique qual você está relatando.
Qual é a diferença entre R² e R² ajustado?
R² = 1 − (SSE/SS_total) representa a proporção da variância do resultado explicada pelo modelo. Ele sempre aumenta quando preditores são adicionados, mesmo que não tenham efeito verdadeiro. R² ajustado = 1 − [(1 − R²)(n − 1)/(n − p − 1)] penaliza a complexidade do modelo pelos graus de liberdade perdidos (p é o número de preditores, n é o tamanho da amostra). Para seleção de modelo e avaliação do poder preditivo real, use R² ajustado; ele diminui se um novo preditor adicionar menos informação do que seu custo (um parâmetro). Relate ambos.
Como interpreto um coeficiente não significativo quando outras variáveis estão no modelo?
Um coeficiente não significativo (p > 0.05) indica evidência insuficiente de que este preditor está associado ao resultado, mantendo as outras variáveis constantes. Isso pode significar que o preditor não tem efeito, é confundido por outros preditores (multicolinearidade), ou o tamanho da amostra é muito pequeno. Verifique o intervalo de confiança e o VIF. Se o intervalo de confiança for amplo e o VIF for alto, a multicolinearidade é provável. Se o preditor for teoricamente importante, considere relatá-lo com IC 90% como uma análise de sensibilidade. Não remova preditores apenas com base em valores p; use conhecimento de domínio.
O que devo fazer se os resíduos não forem normalmente distribuídos?
Leve não normalidade é frequentemente aceitável devido à robustez da regressão com amostras grandes; a normalidade dos resíduos torna-se crítica com n < 30. Verifique o gráfico Q-Q visualmente e realize o teste de Shapiro-Wilk. Se não normal, considere: (1) transformação logarítmica ou de raiz quadrada do resultado, (2) adição de preditores omitidos ou interações, (3) ajuste de regressão robusta (Huber, bisquare), ou (4) uso de intervalos de confiança bootstrap. Outliers extremos devem ser investigados; remova se devido a erro de entrada de dados, caso contrário, relate os resultados com e sem o outlier.
Métodos relacionados
Fontes
Draper, N. R., & Smith, H. (1966). Applied Regression Analysis. John Wiley & Sons.
Abrir referência da publicaçãoCopiado.Cohen, J., Cohen, P., West, S. G., & Aiken, L. S. (1992). Applied Multiple Regression/Correlation Analysis for the Behavioral Sciences (2nd ed.). Lawrence Erlbaum.
Abrir referência da publicaçãoCopiado.Marquardt, D. W. (1980). You should standardize the independent variables in your regression models. Discussion of a paper by G. David Knottnerus. Journal of the American Statistical Association, 75(369), 87–91.
Abrir referência da publicaçãoCopiado.